🤖 machine learning

Secure, Verifiable, and Scalable Multi-Client Data Sharing via Consensus-Based Privacy-Preserving Data Distribution

Este artigo apresenta o framework de Distribuição de Dados com Preservação de Privacidade Baseada em Consenso (CPPDD), um protocolo leve e escalável que garante agregação de dados segura e verificável entre múltiplos clientes, com confidencialidade de liberação unânime e detecção de desvios maliciosos, ao mesmo tempo em que alcança custos computacionais significativamente menores do que as bases existentes de MPC e HE.

Autores originais: Prajwal Panth, Sahaj Raj Malla

Publicado 2026-05-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Prajwal Panth, Sahaj Raj Malla

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um grupo de vizinhos que deseja calcular sua renda média familiar para solicitar uma subvenção comunitária. No entanto, eles têm uma regra estrita: ninguém pode ver o salário específico de qualquer outra pessoa até que todos concordem em compartilhar a média final. Se até mesmo uma pessoa tentar trapacear, mentir ou recuar no último minuto, todo o processo deve parar imediatamente, e ninguém terá acesso aos resultados.

Este é o problema que o framework CPPDD (Distribuição de Dados Preservadora de Privacidade Baseada em Consenso) resolve. Os autores propõem um "aperto de mão digital" inteligente e leve que permite que estranhos colaborem com segurança sem precisar de um chefe confiável para supervisioná-los o tempo todo.

Veja como funciona, usando analogias simples:

1. O Sistema de Envelope de "Duplo Trancamento"

Geralmente, para manter segredos, você pode usar trancas pesadas e complexas (como Criptografia Homomórfica) que são lentas e exigem muita capacidade de processamento. O CPPDD utiliza um mecanismo de trancamento mais leve, em duas etapas:

Etapa 1: A "Máscara" (Oscurecimento Afim): Imagine que cada vizinho coloca seu salário em uma caixa, mas antes de fazê-lo, adiciona uma quantidade aleatória de "confete" e multiplica o número por um código secreto. Para qualquer um olhando para a caixa, o número parece um amontoado de letras sem sentido. Apenas o dono sabe como remover o confete e dividir pelo código para obter o número real de volta.
Etapa 2: A "Corrente" (Trancamento por Consenso): Agora, imagine que essas caixas são passadas ao longo de uma fila de pessoas. Cada pessoa na fila adiciona sua própria "fechadura" única à corrente. A corrente não pode ser aberta até que cada pessoa única na fila tenha adicionado sua fechadura e depois a removido na ordem estritamente reversa. Se a corrente for quebrada em qualquer ponto, as fechaduras travam e o conteúdo permanece oculto para sempre.

2. A Vantagem de "Sem Último Movimento"

Em muitas tarefas de grupo, a pessoa que vai por último tem uma vantagem injusta — ela pode ver os dados de todos os outros antes de decidir se compartilha a própria.

O CPPDD corrige isso com uma regra de "Tudo ou Nada". Pense nisso como um cofre mágico que só abre se todos girarem suas chaves simultaneamente.

Se todos jogarem limpo, o cofre abre e todos veem a média final.
Se uma pessoa tentar trapacear (enviando um número falso ou recusando-se a girar sua chave), o sistema detecta isso instantaneamente. O cofre se fecha com estrondo, o processo para (uma "abortação atômica") e ninguém consegue ver os dados. Isso garante a justiça: você não pode espiar a menos que todos os outros tenham participado totalmente.

3. Os "Recibos" de "Autoverificação"

Como eles sabem que alguém não trocou os números enquanto a corrente estava se movendo?
O sistema usa checksums digitais (como um recibo ou uma impressão digital).

Antes da corrente começar, um organizador neutro (o Coordenador) configura o jogo e se retira.
À medida que os dados se movem pela fila, cada pessoa verifica um "recibo" para ver se a pessoa anterior fez seu trabalho corretamente.
Se o recibo não corresponder, a pessoa sabe que alguém trapaceou. Ela não precisa chamar o organizador de volta; ela apenas para o processo imediatamente. Isso torna o sistema autônomo — ele se executa sozinho uma vez que a configuração está concluída.

4. Por Que É Especial (A Parte "Leve")

Métodos mais antigos para esse tipo de compartilhamento de segredos eram como tentar mover uma montanha de tijolos; eram lentos, caros e exigiam poder de processamento massivo.

Velocidade: Os autores testaram isso com até 500 pessoas. Foi incrivelmente rápido (menos de um milissegundo por pessoa).
Eficiência: Usa cerca de 1.000 a 10.000 vezes menos poder de processamento do que outros métodos avançados de segurança.
Precisão: Ao contrário de alguns métodos que adicionam "ruído" para ocultar dados (o que torna a média final ligeiramente errada), este método recupera os números exatos. Se a matemática diz que a média é $50.000, é exatamente $50.000.

Onde Isso Pode Ser Usado?

O artigo destaca especificamente três áreas onde este sistema "justo, rápido e secreto" é útil:

Votação Segura: Garantir que os votos sejam contados apenas se todos participarem, sem que ninguém possa ver os votos individuais antes.
Aprendizado Federado de Consórcios: Hospitais ou bancos treinando uma IA juntos sem compartilhar seus dados privados de pacientes ou clientes. Eles compartilham apenas o "aprendizado" da IA se todos contribuírem.
Geoinformação: Pesquisadores em áreas remotas agrupando dados (como levantamentos de terras) sem revelar suas medições específicas até que toda a equipe esteja pronta.

A Conclusão

O framework CPPDD é como uma corrida de revezamento segura e autopoliciada. Permite que um grupo de estranhos combine seus dados privados em um único resultado. A mágica é que ele garante:

Privacidade: Ninguém vê dados individuais até o final.
Justiça: Ninguém obtém o resultado a menos que todos joguem pelas regras.
Velocidade: É rápido e barato o suficiente para rodar em computadores comuns, mesmo em lugares com recursos limitados.

Se alguém tentar trapacear, a corrida para instantaneamente e o segredo permanece seguro.

Resumo Técnico: Distribuição de Dados Preservando Privacidade Baseada em Consenso (CPPDD)

Declaração do Problema
A proliferação de sistemas colaborativos multi-cliente, como votação eletrônica segura, aprendizado federado e agregação de dados distribuída, criou uma necessidade crítica de mecanismos que garantam a confidencialidade dos dados até que todos os participantes alcancem consenso unânime sobre a liberação. As soluções existentes enfrentam compromissos significativos:

Computação Segura Multi-Parte (SMPC) e Criptografia Homomórfica (HE) oferecem garantias criptográficas robustas, mas incorrem em sobrecargas computacionais e de comunicação proibitivas, frequentemente escalando quadraticamente ( $O(N^2)$ ) com o número de participantes.
Privacidade Diferencial (DP) introduz ruído controlado para proteger a privacidade, o que compromete a exatidão exigida por aplicações que demandam resultados precisos.
Aprendizado Federado (FL) Tradicional e outras estruturas de agregação frequentemente dependem de um coordenador confiável durante toda a fase de descriptografia, criando um único ponto de falha e limitando a aplicabilidade em ambientes totalmente descentralizados.

Existe uma lacuna para um protocolo leve e escalável que suporte recuperação exata de dados, resista a desvios maliciosos sem um coordenador persistente e opere eficientemente em redes de borda com recursos limitados.

Metodologia: A Estrutura CPPDD
Os autores propõem a estrutura Distribuição de Dados Preservando Privacidade Baseada em Consenso (CPPDD), um protocolo autônomo pós-configuração projetado para compartilhamento de dados seguro, verificável e escalável. A estrutura opera sob um paradigma "computar agora, descriptografar depois" usando um mecanismo de proteção de duas camadas:

Bloqueio de Duas Camadas:
- Mascaramento Afim por Cliente: Os dados de cada cliente $D_i$ são ofuscados usando chaves específicas do proprietário $(\lambda_i, r_i)$ através da transformação $O_i = \lambda_i \cdot D_i + r_i$ . Isso cria um Vetor Bloqueado por Ofuscação ( $L_O$ ).
- Bloqueio de Consenso Sequencial Orientado por Prioridade: O sistema aplica uma sequência de operações invertíveis, elemento a elemento (adição, subtração, multiplicação ou divisão) usando chaves de consenso específicas do cliente ( $k_{c,i}$ ) em uma ordem de prioridade específica. Isso resulta em um Vetor Bloqueado por Consenso ( $L_C$ ). Os dados permanecem inacessíveis até que todas as camadas sejam removidas sequencialmente pelos clientes participantes.
Verificação de Integridade Descentralizada:
- A estrutura introduz Checksums de Etapa ( $\sigma_S$ ) e Checksums de Dados ( $\sigma_D$ ).
- $\sigma_S$ são hashes intermediários do estado agregado computados durante a fase de criptografia. Os clientes verificam esses valores em tempo real durante a cadeia de descriptografia. Se um cliente detectar uma incompatibilidade, ele dispara uma abortação atômica imediata.
- $\sigma_D$ são razões finais que verificam se o agregado recuperado corresponde à soma das entradas ofuscadas, garantindo a recuperação exata dos dados.
Arquitetura do Sistema:
- Configuração Confiável: Um coordenador (honesto, mas curioso) realiza a geração de chaves, ofuscação de dados e criptografia de consenso offline. Uma vez que o pacote de transmissão (contendo $L_C$ , listas de descriptografia e checksums) é distribuído, o coordenador fica permanentemente offline.
- Desbloqueio Sequencial: Os clientes procedem em uma ordem de prioridade definida ( $1 \to N$ ). Cada cliente descriptografa sua camada, valida o checksum da etapa e transmite o estado atualizado para o próximo cliente.
- Liberação Unânime: O agregado final é revelado apenas se todos os clientes completarem com sucesso a cadeia. Qualquer desvio dispara uma parada global.
- Descarga na Borda: Dispositivos com recursos limitados podem descarregar aritmética de campo intensiva para Servidores de Borda equipados com Ambientes de Execução Confiáveis (TEEs), enquanto o cliente mantém o papel de verificador final.

Contribuições Principais

Mecanismo de Bloqueio de Duas Camadas: Combina ofuscação afim com cegamento sequencial para resistir ao acesso não autorizado, preservando a privacidade mesmo sob $N-1$ corrupções.
Autonomia Pós-Configuração: Permite que os clientes validem a cadeia independentemente usando checksums descentralizados, eliminando a necessidade de um coordenador persistente durante a execução.
Representações Estruturadas Unificadas: Define vetores $L_O$ e $L_C$ que suportam nativamente cargas úteis escalares, vetoriais e matriciais com processamento uniforme elemento a elemento.
Integridade e Equidade Dependentes de Consenso (CDIF): Garante um modelo de integridade "tudo ou nada" onde qualquer desvio por $f \ge 1$ participantes maliciosos dispara uma abortação atômica imediata, prevenindo vazamento parcial de dados.
Complexidade Linear e Eficiência de Largura de Banda: Alcança uma complexidade assintótica total de $O(N \cdot D)$ (uma melhoria quadrática sobre MPC $O(N^2)$ ) com um perfil de largura de banda constante $O(1)$ por cliente, removendo gargalos de servidores centrais.
Garantias Formais de Segurança: Fornece provas de correção, integridade CDIF contra adversários maliciosos e segurança semântica IND-CPA assumindo uma família segura de Funções Pseudoaleatórias (PRF) e um coordenador não colusivo.

Resultados Experimentais
Avaliações empíricas foram conduzidas usando vetores derivados do MNIST ( $D=784$ ) em uma CPU padrão:

Escalabilidade: A estrutura demonstrou escalabilidade linear até $N=500$ clientes. O tempo total de execução foi de aproximadamente 44 ms, com tempos de computação por cliente permanecendo sub-milissegundo (<0,3 ms).
Segurança: O sistema alcançou uma taxa de detecção de desvios maliciosos de 100%, consistente com as garantias teóricas de CDIF.
Precisão: A recuperação exata de dados foi confirmada, com resultados correspondendo às entradas originais dentro da precisão de ponto flutuante.
Eficiência: O CPPDD exibiu três a quatro ordens de magnitude menos FLOPs em comparação com as linhas de base de MPC e HE (por exemplo, CKKS, SPDZ). Requer significativamente menos largura de banda do que protocolos com complexidade de comunicação quadrática.

Significado e Alegações
O artigo alega que o CPPDD aborda lacunas críticas em escalabilidade, minimização de confiança e computação multi-parte verificável para ambientes regulamentados e com recursos limitados. Ao permitir colaboração atômica, a estrutura permite votação segura, aprendizado federado de consórcio, depósitos em garantia de blockchain e desenvolvimento de capacidade de informação geográfica sem comprometer a exatidão aritmética.

Os autores posicionam o CPPDD como uma alternativa prática e leve a primitivas criptográficas pesadas, especificamente visando cenários onde:

Os participantes não podem confiar em um servidor central para manter chaves durante a execução.
É necessária recuperação exata de dados (excluindo Privacidade Diferencial).
A largura de banda e os recursos computacionais são limitados (excluindo MPC/HE padrão).
É necessária equidade "tudo ou nada" para impedir que atores maliciosos obtenham informações parciais.

A estrutura é apresentada como uma primitiva fundamental para privacidade dependente de consenso, fazendo a ponte entre operações criptográficas leves e coordenação segura contra malícia.