通过子集和的安全求和：一种用于隐私保护分布式机器学习的新原语
密码学与安全
2023-06-21 v2 机器学习
摘要
对于人口研究或复杂机器学习模型的训练，常需从不同参与方收集数据。在这些应用中，求和是一项重要原语：用于计算均值、计数或小批量梯度。在许多情况下，数据具有隐私敏感性，因此无法在中心服务器上收集。故求和需以分布式且隐私保护的方式执行。现有具计算隐私保证的分布式求和方案作出了信任或连接假设——例如存在可信服务器或客户端间点对点连接——而这些假设在真实场景中未必满足。受这些挑战驱动，我们提出通过子集和的安全求和(Secure Summation via Subset Sums, S5)，一种在存在恶意服务器且仅有两个诚实客户端、且无需客户端间点对点连接情况下工作的分布式求和方法。S5向客户端消息中添加零和噪声，并在发送至聚合服务器前将其打乱。我们的主要贡献是证明了该方案基于多维子集和问题提供计算隐私保证。我们对此问题的分析可能对其他隐私与密码学应用具有独立意义。
引用
@article{arxiv.1906.11993,
title = {Secure Summation via Subset Sums: A New Primitive for Privacy-Preserving Distributed Machine Learning},
author = {Valentin Hartmann and Robert West},
journal= {arXiv preprint arXiv:1906.11993},
year = {2023}
}