Privacy-Preserving User Profiling for Targeted Advertising via Homomorphic Encryption and Secure Multiparty Computation
Este artículo presenta H2Profile, un marco híbrido de preservación de la privacidad que combina el cifrado homomórfico aproximado y la computación multipartita segura para permitir la publicidad dirigida con alta utilidad y baja latencia, al tiempo que limita la confidencialidad a un modelo de dos servidores de tipo semi-honesto.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El internet moderno funciona mediante un intercambio simple y silencioso: usted muestra interés en algo y un anunciante le muestra algo relacionado. Para que esto funcione, las plataformas recopilan un rastro de sus clics, visualizaciones y búsquedas, entrelazándolos para construir un perfil de quién es usted y qué podría querer después. El problema es que este rastro suele estar disperso. Una empresa sabe qué compró, otra sabe qué leyó y una tercera sabe qué buscó. Para construir una imagen completa, estas empresas suelen tener que enviar sus datos a un centro de control. Pero ese centro de control se convierte en un tesoro de hábitos privados, y entregar la información crea el riesgo de que sus intereses más sensibles puedan ser expuestos o mal utilizados.
Durante años, los científicos de la computación han buscado una forma de permitir que estas empresas trabajen juntas sin ver nunca los datos brutos de las demás. Han desarrollado dos herramientas principales para este trabajo. Una herramienta, llamada cifrado homomórfico, actúa como una caja cerrada que permite realizar operaciones matemáticas sobre su contenido sin tener que abrir la tapa. La otra, conocida como computación multipartita segura, funciona como un grupo de personas que suman sus números pasando notas, donde ninguna persona ve nunca el total completo, solo su propia contribución. Si bien ambas herramientas son potentes, utilizar solo una de ellas para esta tarea específica ha resultado difícil. El método de la caja cerrada es lento y pesado cuando las matemáticas se complican, mientras que el método de pasar notas puede ser ineficiente cuando se trata de cantidades masivas de datos. La pregunta seguía siendo: ¿podían estos dos métodos combinarse para crear un sistema que fuera tanto rápido como privado?
Un investigador llamado Wenzeng Cui ha propuesto un nuevo enfoque llamado H2Profile para responder a esa pregunta. El sistema está diseñado para construir un perfil de usuario a partir de datos dispersos sin revelar nunca los detalles brutos a los servidores que realizan el trabajo. En lugar de forzar todo el proceso a través de un único método difícil, H2Profile divide el trabajo a la mitad. Utiliza el método de la "caja cerrada" para sumar rápidamente los números iniciales de diferentes fuentes, creando un borrador de los intereses del usuario. Luego, una sola vez, convierte ese borrador en un formato que el método de "pasar notas" pueda manejar. Esta segunda etapa toma el control para realizar las tareas más complejas, como decidir qué intereses son lo suficientemente fuertes como para conservarlos, normalizar las puntuaciones y seleccionar los diez artículos principales para mostrar. Al mantener el trabajo pesado en la etapa rápida de la "caja cerrada" y trasladar solo las decisiones necesarias y complejas a la segunda etapa, el sistema evita los cuellos de botella que suelen ralentizarlo.
Los investigadores probaron esta idea utilizando tres conjuntos diferentes de datos del mundo real, simulando un escenario en el que dos empresas intentaban construir un perfil juntas. Compararon su nuevo sistema contra los mejores métodos existentes que utilizan solo una herramienta. Los resultados mostraron que H2Profile logró mantener el 98,5% de la precisión de un sistema estándar no privado. En otras palabras, los anuncios que ayudó a seleccionar fueron casi tan relevantes como si los datos se hubieran combinado abiertamente. Más importante aún, el sistema fue significativamente más rápido y requirió menos transferencia de datos que las alternativas. En una configuración de red estándar, tomó aproximadamente 0,84 segundos procesar un lote de 64 perfiles de usuario y movió solo 34,7 megabytes de datos. Esto supuso una reducción del 68% en tiempo en comparación con el uso exclusivo del método de la "caja cerrada" y una reducción del 53% en comparación con el uso exclusivo del método de "pasar notas".
El estudio también analizó de cerca qué información podría filtrarse todavía. Incluso cuando las matemáticas son seguras, la lista final de intereses principales podría, teóricamente, revelar patrones sobre un usuario. Los investigadores encontraron que su sistema filtraba ligeramente menos información que los otros métodos, con una puntuación de 0,604 en una prueba que mide qué tan bien un atacante podría adivinar los rasgos ocultos de un usuario. Esto sugiere que, al controlar cuidadosamente qué se libera al final, el sistema protege la privacidad mejor que simplemente cifrar los datos y esperar lo mejor. Sin embargo, el autor es claro sobre los límites de su trabajo. El sistema se basa en un supuesto específico: que las dos computadoras que realizan el trabajo no conspirarán entre sí. Si esos dos servidores llegaran a coludir, la privacidad se rompería. El sistema tampoco resuelve el problema de cómo emparejar la identidad de un usuario a través de diferentes empresas sin revelar quién es, ni protege contra un actor malicioso que intente contaminar los datos desde el principio.
En última instancia, H2Profile no pretende ser un escudo mágico que haga que toda la recopilación de datos sea segura. En cambio, ofrece una solución de ingeniería práctica para un problema específico y difícil. Demuestra que, al dividir una tarea compleja entre dos tipos diferentes de computación segura, es posible construir un sistema que sea tanto eficiente para el uso en el mundo real como lo suficientemente privado para proteger los intereses del usuario. El trabajo demuestra que no tenemos que elegir entre velocidad y seguridad; con el diseño adecuado, podemos tener ambas, siempre que aceptemos los límites del modelo de confianza y las reglas específicas del juego.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.