Privacy-Preserving User Profiling for Targeted Advertising via Homomorphic Encryption and Secure Multiparty Computation
Dit artikel introduceert H2Profile, een hybride privacybehoudend framework dat benaderende homomorfe encryptie en veilige multiparty computing combineert om gerichte advertenties mogelijk te maken met een hoge bruikbaarheid en verminderde latentie, terwijl de vertrouwelijkheid wordt beperkt tot een semi-honest, twee-server model.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het moderne internet draait op een eenvoudige, stille uitwisseling: jij toont interesse in iets, en een adverteerder laat je iets zien dat daarmee gerelateerd is. Om dit te laten werken, verzamelen platforms een spoor van je klikken, weergaven en zoekopdrachten, die ze aan elkaar rijgen om een profiel op te bouwen van wie je bent en wat je als volgende zou kunnen willen. Het probleem is dat dit spoor vaak verspreid is. Eén bedrijf weet wat je hebt gekocht, een ander weet wat je hebt gelezen, en een derde weet wat je hebt gezocht. Om een compleet beeld te vormen, moeten deze bedrijven hun gegevens meestal naar een centraal knooppunt sturen. Maar dat centrale knooppunt wordt een schatkist van privégewoonten, en het overhandigen ervan creëert het risico dat je meest gevoelige interesses blootgesteld of misbruikt kunnen worden.
Jarenlang hebben informaticus gezocht naar een manier om deze bedrijven samen te laten werken zonder elkaars ruwe gegevens te zien. Ze hebben twee belangrijke instrumenten ontwikkeld voor deze taak. De ene tool, genaamd homomorfe encryptie, werkt als een vergrendelde doos waarmee wiskunde kan worden uitgevoerd op de inhoud zonder de deksel ooit te openen. De andere, bekend als secure multiparty computation, werkt als een groep mensen die hun getallen bij elkaar optellen door briefjes door te geven, waarbij niemand de volledige som ziet, alleen hun eigen bijdrage. Hoewel beide tools krachtig zijn, is het gebruik van slechts één van hen voor deze specifieke taak moeilijk gebleken. De methode met de vergrendelde doos is traag en zwaar wanneer de wiskunde ingewikkelder wordt, terwijl de methode met het doorgeven van briefjes inefficiënt kan zijn bij het werken met enorme hoeveelheden gegevens. De vraag bleef: konden deze twee methoden worden gecombineerd om een systeem te creëren dat zowel snel als privaat is?
Een onderzoeker genaamd Wenzeng Cui heeft een nieuwe aanpak voorgesteld genaamd H2Profile om die vraag te beantwoorden. Het systeem is ontworpen om een gebruikersprofiel op te bouwen uit verspreide gegevens zonder de ruwe details ooit aan de servers te onthullen die het werk verrichten. In plaats van het hele proces door één moeilijke methode te dwingen, verdeelt H2Profile de taak in tweeën. Het gebruikt de "vergrendelde doks"-methode om de initiële getallen uit verschillende bronnen snel op te tellen, waardoor een ruwe schets van de interesses van de gebruiker ontstaat. Daarna wordt die schets slechts één keer omgezet naar een formaat dat de "briefjes-doorgeven"-methode kan verwerken. Deze tweede fase neemt het over om de lastiger taken uit te voeren, zoals beslissen welke interesses sterk genoeg zijn om te behouden, de scores normaliseren en de top tien items selecteren om te tonen. Door het zware werk in de snelle "vergrendelde doos"-fase te houden en alleen de noodzakelijke, complexe beslissingen naar de tweede fase te verplaatsen, vermijdt het systeem de knelpunten die de boel normaal gesproken vertragen.
De onderzoekers testten dit idee met behulp van drie verschillende sets real-world data, waarbij een scenario werd gesimuleerd waarin twee bedrijven probeerden samen een profiel op te bouwen. Ze vergeleken hun nieuwe systeem met de beste bestaande methoden die slechts één tool gebruiken. De resultaten toonden aan dat H2Profile erin slaagde 98,5% van de nauwkeurigheid van een standaard, niet-privaat systeem te behouden. Met andere woorden: de advertenties die het hielp selecteren waren bijna even relevant als wanneer de gegevens openlijk waren gecombineerd. Belangrijker nog, het systeem was aanzienlijk sneller en vereiste minder gegevensoverdracht dan de alternatieven. In een standaard netwerkopstelling duurde het ongeveer 0,84 seconden om een batch van 64 gebruikersprofielen te verwerken en verplaatste het slechts 34,7 megabyte aan gegevens. Dit was een reductie van 68% in tijd vergeleken met het gebruik van alleen de "vergrendelde doos"-methode en een reductie van 53% vergeleken met het gebruik van alleen de "briefjes-doorgeven"-methode.
De studie keek ook nauwgezet naar welke informatie er nog steeds naar buiten zou kunnen lekken. Zelfs wanneer de wiskunde veilig is, zou de uiteindelijke lijst met topinteresses theoretisch patronen over een gebruiker kunnen onthullen. De onderzoekers ontdekten dat hun systeem iets minder informatie lekte dan de andere methoden, met een score van 0,604 op een test die meet hoe goed een aanvaller de verborgen eigenschappen van een gebruiker kan raden. Dit suggereert dat door precies te controleren wat er aan het einde wordt vrijgegeven, het systeem de privacy beter beschermt dan simpelweg de gegevens versleutelen en op het beste hopen. De auteur is echter duidelijk over de beperkingen van dit werk. Het systeem steunt op een specifieke aanname: dat de twee computers die het werk uitvoeren niet met elkaar zullen samenzweren. Als die twee servers zouden samenwerken (colluderen), zou de privacy breken. Het systeem lost ook het probleem niet op van hoe een gebruikersidentiteit tussen verschillende bedrijven gematcht kan worden zonder te onthullen wie zij zijn, noch beschermt het tegen een kwaadwillende actor die de data vanaf het begin probeert te vergiftigen.
Uiteindelijk claimt H2Profile geen magisch schild te zijn dat alle gegevensverzameling veilig maakt. In plaats daarvan biedt het een praktische engineeringoplossing voor een specifieke, moeilijke taak. Het laat zien dat door een complexe taak te verdelen tussen twee verschillende soorten veilige berekeningen, het mogelijk is om een systeem te bouwen dat zowel efficiënt genoeg is voor echt gebruik als privaat genoeg om gebruikersinteresses te beschermen. Het werk demonstreert dat we niet hoeven te kiezen tussen snelheid en veiligheid; met het juiste ontwerp kunnen we beide hebben, mits we de grenzen van het vertrouwensmodel en de specifieke regels van het spel accepteren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.