Privacy-Preserving User Profiling for Targeted Advertising via Homomorphic Encryption and Secure Multiparty Computation
Dieses Paper stellt H2Profile vor, ein hybrides Framework zur Wahrung der Privatsphäre, das approximative homomorphe Verschlüsselung und sichere Mehrparteienberechnung kombiniert, um zielgerichtete Werbung mit hoher Nutzbarkeit und reduzierter Latenz zu ermöglichen, während die Vertraulichkeit auf ein halbwegs ehrliches Zwei-Server-Modell beschränkt wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das moderne Internet basiert auf einem einfachen, leisen Austausch: Man zeigt Interesse an etwas, und ein Werbetreibender zeigt einem etwas Verwandtes. Um dies zu ermöglichen, sammeln Plattformen eine Spur aus Klicks, Aufrufen und Suchanfragen, die sie zusammenfügen, um ein Profil davon zu erstellen, wer man ist und was man als Nächstes vielleicht wollen könnte. Das Problem dabei ist, dass diese Spur oft verstreut ist. Ein Unternehmen weiß, was man gekauft hat, ein anderes weiß, was man gelesen hat, und ein drittes weiß, wonach man gesucht hat. Um ein vollständiges Bild zu erstellen, müssen diese Unternehmen ihre Daten normalerweise an einen zentralen Knotenpunkt senden. Doch dieser zentrale Knotenpunkt wird zu einer Schatzkammer privater Gewohnheiten, und die Übergabe schafft das Risiko, dass die sensibelsten Interessen eines Nutzers offengelegt oder missbraucht werden könnten.
Seit Jahren suchen Informatiker nach einem Weg, wie diese Unternehmen zusammenarbeiten können, ohne die Rohdaten der jeweils anderen zu sehen. Sie haben zwei Hauptwerkzeuge für diese Aufgabe entwickelt. Ein Werkzeug namens homomorphe Verschlüsselung fungiert wie eine verschlossene Box, die es erlaubt, mathematische Operationen am Inhalt durchzuführen, ohne jemals den Deckel zu öffnen. Das andere, bekannt als sichere Mehrparteienberechnung (Secure Multiparty Computation), funktioniert wie eine Gruppe von Menschen, die ihre Zahlen aufsummieren, indem sie Zettel weiterreichen, wobei keine einzelne Person die Gesamtsumme sieht, sondern nur ihren eigenen Beitrag. Obwohl beide Werkzeuge leistungsstark sind, hat sich die Verwendung nur eines von ihnen für diese spezifische Aufgabe als schwierig erwiesen. Die „verschlossene Box“-Methode ist langsam und schwerfällig, wenn die Mathematik kompliziert wird, während die „Zettel-Weiterreichen“-Methode ineffizient sein kann, wenn es um massive Datenmengen geht. Die Frage blieb: Könnten diese beiden Methoden kombiniert werden, um ein System zu schaffen, das sowohl schnell als auch privat ist?
Ein Forscher namens Wenzeng Cui hat einen neuen Ansatz namens H2Profile vorgeschlagen, um diese Frage zu beantworten. Das System ist darauf ausgelegt, ein Nutzerprofil aus verstreuten Daten zu erstellen, ohne die Details der Rohdaten an die Server zu übermitteln, die die Arbeit verrichten. Anstatt den gesamten Prozess durch eine einzige schwierige Methode zu zwingen, teilt H2Profile die Aufgabe in zwei Hälften auf. Es nutzt die „verschlossene Box“-Methode, um die anfänglichen Zahlen aus verschiedenen Quellen schnell aufzusummieren und so einen groben Entwurf der Interessen des Nutzers zu erstellen. Dann konvertiert es diesen Entwurf nur ein einziges Mal in ein Format, das die „Zettel-Weiterreichen“-Methode verarbeiten kann. Diese zweite Phase übernimmt dann die komplexeren Aufgaben, wie etwa die Entscheidung, welche Interessen stark genug sind, um behalten zu werden, das Normalisieren der Werte und die Auswahl der zehn besten Artikel, die angezeigt werden sollen. Indem das System die schwere Arbeit in der schnellen „verschlossenen Box“-Phase hält und nur die notwendigen, komplexen Entscheidungen an die zweite Phase überträgt, vermeidet es die Engpässe, die normalerweise die Geschwindigkeit drosseln.
Die Forscher testeten diese Idee anhand von drei verschiedenen Datensätzen aus der realen Welt, wobei sie ein Szenario simulierten, in dem zwei Unternehmen versuchten, gemeinsam ein Profil zu erstellen. Sie verglichen ihr neues System mit den besten existierenden Methoden, die nur ein Werkzeug verwenden. Die Ergebnisse zeigten, dass H2Profile 98,5 % der Genauigkeit eines Standard-Systems ohne Privatsphäre-Schutz erreichte. Mit anderen Worten: Die Anzeigen, die es half auszuwählen, waren fast so relevant, als wären die Daten offen kombiniert worden. Viel wichtiger war jedoch, dass das System signifikant schneller war und weniger Datentransfer benötigte als die Alternativen. In einem Standard-Netzwerkaufbau dauerte es etwa 0,84 Sekunden, um einen Stapel von 64 Nutzerprofilen zu verarbeiten, und es bewegte nur 34,7 Megabyte an Daten. Dies war eine Reduktion der Zeit um 68 % im Vergleich zur alleinigen Verwendung der „verschlossenen Box“-Methode und um 53 % im Vergleich zur alleinigen Verwendung der „Zettel-Weiterreichen“-Methode.
Die Studie untersuchte auch genau, welche Informationen dennoch nach außen dringen könnten. Selbst wenn die Mathematik sicher ist, könnte die endgültige Liste der Top-Interessen theoretisch Muster über einen Nutzer preisgeben. Die Forscher fanden heraus, dass ihr System etwas weniger Informationen preisgab als andere Methoden, mit einem Wert von 0,604 in einem Test, der misst, wie gut ein Angreifer die verborgenen Merkmale eines Nutzers erraten konnte. Dies deutet darauf hin, dass das System die Privatsphäre besser schützt, indem es genau kontrolliert, was am Ende veröffentlicht wird, anstatt die Daten einfach nur zu verschlüsseln und auf das Beste zu hoffen. Der Autor ist sich jedoch der Grenzen seiner Arbeit bewusst. Das System beruht auf einer spezifischen Annahme: dass die zwei Computer, die die Arbeit verrichten, nicht gegen die andere Partei konspirieren. Wenn diese zwei Server kooperieren würden, würde die Privatsphäre zusammenbrechen. Das System löst zudem nicht das Problem, wie man die Identität eines Nutzers über verschiedene Unternehmen hinweg abgleicht, ohne dessen Identität preiszugeben, noch schützt es vor einem böswilligen Akteur, der versucht, die Daten von vornherein zu manipulieren.
Letztlich erhebt H2Profile nicht den Anspruch, ein magischer Schutzschild zu sein, der die gesamte Datenerhebung sicher macht. Stattdessen bietet es eine praktische technische Lösung für ein spezifisches, schwieriges Problem. Es zeigt, dass es durch die Aufteilung einer komplexen Aufgabe auf zwei verschiedene Arten der sicheren Berechnung möglich ist, ein System zu bauen, das sowohl effizient genug für den realen Einsatz als auch privat genug ist, um Nutzerinteressen zu schützen. Die Arbeit demonstriert, dass wir uns nicht zwischen Geschwindigkeit und Sicherheit entscheiden müssen; mit dem richtigen Design können wir beides haben, sofern wir die Grenzen des Vertrauensmodells und die spezifischen Regeln des Spiels akzeptieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.