Privacy-Preserving User Profiling for Targeted Advertising via Homomorphic Encryption and Secure Multiparty Computation
Este artigo apresenta o H2Profile, um framework híbrido de preservação de privacidade que combina criptografia homomórfica aproximada e computação multipartidária segura para permitir publicidade direcionada com alta utilidade e baixa latência, ao mesmo tempo em que limita a confidencialidade a um modelo de dois servidores semi-honestos.
Artigo original sob licença CC BY 4.0 (https://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
A internet moderna funciona com base em uma troca simples e silenciosa: você demonstra interesse em algo, e um anunciante mostra algo relacionado a você. Para que isso funcione, as plataformas coletam um rastro de seus cliques, visualizações e buscas, costurando-os para construir um perfil de quem você é e do que você pode querer a seguir. O problema é que esse rastro é frequentemente disperso. Uma empresa sabe o que você comprou, outra sabe o que você leu e uma terceira sabe o que você pesquisou. Para construir um quadro completo, essas empresas geralmente precisam enviar seus dados para um núcleo central. Mas esse núcleo central torna-se um tesouro de hábitos privados, e entregar esses dados cria o risco de que seus interesses mais sensíveis possam ser expostos ou mal utilizados.
Por anos, cientistas da computação buscaram uma maneira de permitir que essas empresas trabalhem juntas sem nunca verem os dados brutos umas das outras. Eles desenvolveram duas ferramentas principais para este trabalho. Uma ferramenta, chamada criptografia homomórfica, atua como uma caixa trancada que permite que cálculos matemáticos sejam realizados sobre o conteúdo sem que a tampa seja aberta. A outra, conhecida como computação multipartidária segura, funciona como um grupo de pessoas somando seus números ao passar bilhetes, onde nenhuma pessoa vê o total completo, apenas sua própria contribuição. Embora ambas as ferramentas sejam poderosas, usar apenas uma delas para esta tarefa específica provou ser difícil. O método da "caixa trancada" é lento e pesado quando a matemática se torna complicada, enquanto o método de "passar bilhetes" pode ser ineficiente ao lidar com quantidades massivas de dados. A questão permanecia: poderiam esses dois métodos ser combinados para criar um sistema que fosse ao mesmo tempo rápido e privado?
Um pesquisador chamado Wenzeng Cui propôs uma nova abordagem chamada H2Profile para responder a essa pergunta. O sistema é projetado para construir um perfil de usuário a partir de dados dispersos sem nunca revelar os detalhes brutos aos servidores que realizam o trabalho. Em vez de forçar todo o processo através de um único método difícil, o H2Profile divide o trabalho ao meio. Ele utiliza o método da "caixa trancada" para somar rapidamente os números iniciais de diferentes fontes, criando um rascunho dos interesses do usuário. Então, apenas uma vez, ele converte esse rascunho em um formato que o método de "passar bilhetes" possa processar. Esta segunda etapa assume o controle para realizar as tarefas mais complexas, como decidir quais interesses são fortes o suficiente para serem mantidos, normalizar as pontuações e selecionar os dez itens principais para exibir. Ao manter o trabalho pesado na etapa rápida da "caixa trancada" e mover apenas as decisões necessárias e complexas para a segunda etapa, o sistema evita os gargalos que costumam atrasar o processo.
Os pesquisadores testaram essa ideia usando três conjuntos diferentes de dados do mundo real, simulando um cenário em que duas empresas tentavam construir um perfil juntas. Eles compararam seu novo sistema contra os melhores métodos existentes que utilizam apenas uma ferramenta. Os resultados mostraram que o H2Profile conseguiu manter 98,5% da precisão de um sistema padrão não privado. Em outras palavras, os anúncios que ele ajudou a selecionar eram quase tão relevantes quanto se os dados tivessem sido combinados abertamente. Mais importante ainda, o sistema foi significativamente mais rápido e exigiu menos transferência de dados do que as alternativas. Em uma configuração de rede padrão, levou cerca de 0,84 segundos para processar um lote de 64 perfis de usuários e moveu apenas 34,7 megabytes de dados. Isso representou uma redução de 68% no tempo em comparação ao uso do método de "caixa trancada" sozinho e uma redução de 53% em comparação ao uso do método de "passar bilhetes" sozinho.
O estudo também analisou de perto quais informações poderiam ainda vazar. Mesmo quando a matemática é segura, a lista final de principais interesses poderia, teoricamente, revelar padrões sobre um usuário. Os pesquisadores descobriram que seu sistema vazou ligeiramente menos informações do que os outros métodos, com uma pontuação de 0,604 em um teste que mede quão bem um atacante poderia adivinhar os traços ocultos de um usuário. Isso sugere que, ao controlar cuidadosamente exatamente o que é liberado ao final, o sistema protege a privacidade melhor do que simplesmente criptografar os dados e esperar o melhor. No entanto, o autor é claro sobre os limites de seu trabalho. O sistema depende de uma suposição específica: a de que os dois computadores que realizam o trabalho não conspirarão entre si. Se esses dois servidores fossem se aliar, a privacidade seria quebrada. O sistema também não resolve o problema de como corresponder a identidade de um usuário entre diferentes empresas sem revelar quem eles são, nem protege contra um ator malicioso tentando envenenar os dados desde o início.
Em última análise, o H2Profile não pretende ser um escudo mágico que torna toda a coleta de dados segura. Em vez disso, oferece uma solução de engenharia prática para um problema específico e difícil. Ele mostra que, ao dividir uma tarefa complexa entre dois tipos diferentes de computação segura, é possível construir um sistema que seja ao mesmo tempo eficiente para uso no mundo real e privado o suficiente para proteger os interesses do usuário. O trabalho demonstra que não temos que escolher entre velocidade e segurança; com o design correto, podemos ter ambos, desde que aceitemos os limites do modelo de confiança e as regras específicas do jogo.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.