Privacy-Preserving User Profiling for Targeted Advertising via Homomorphic Encryption and Secure Multiparty Computation
本文介绍了 H2Profile，这是一个结合了近似同态加密与安全多方计算的混合隐私保护框架，旨在实现高效用、低延迟的定向广告投放，同时将机密性限制在半诚实双服务器模型中。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
现代互联网运行在一种简单而安静的交换之上：你表现出对某事的兴趣，广告商便向你展示与之相关的内容。为了实现这一点，平台会收集你的点击、浏览和搜索留下的痕迹，并将它们缝合在一起，以构建一个关于你是谁以及你下一步可能想要什么的画像。问题在于，这些痕迹通常是分散的。一家公司知道你买了什么，另一家知道你读了什么，第三家知道你搜了什么。为了构建完整的图景，这些公司通常必须将数据发送到一个中央枢纽。但这个中央枢纽会变成一个私人习惯的宝库，将数据交给它会产生风险，即你最敏感的兴趣可能会被暴露或滥用。
多年来，计算机科学家一直在寻找一种方法，让这些公司能够在互不查看彼此原始数据的情况下进行协作。他们开发了两种主要工具来完成这项工作。其中一种工具被称为同态加密，它就像一个锁定的盒子，允许在不打开盖子的情况下对其中的内容进行数学运算。另一种被称为安全多方计算，其原理类似于一群人通过传递纸条来累加数字，其中没有任何一个人能看到总数，只能看到自己的贡献。虽然这两种工具都很强大，但仅使用其中一种来处理这项特定任务已被证明非常困难。“锁定盒子”法在处理复杂数学运算时显得缓慢且沉重，而“传递纸条”法在处理海量数据时则效率低下。问题在于：能否将这两种方法结合起来，创造出一个既快速又私密的系统？
一位名叫崔文增（Wenzeng Cui）的研究人员提出了一个名为 H2Profile 的新方法来回答这个问题。该系统旨在从分散的数据中构建用户画像，而无需向执行工作的服务器泄露原始细节。H2Profile 并没有强迫整个过程都通过一种困难的方法，而是将工作一分为二。它使用“锁定盒子”法快速累加来自不同来源的初始数字，从而创建一个用户兴趣的草稿。然后，仅有一次，它将该草稿转换为“传递纸条”法可以处理的格式。第二阶段接管了更复杂的任务，例如决定哪些兴趣足够强劲以值得保留、对分数进行归一化处理，并挑选出前十个项目进行展示。通过将繁重的体力活留在快速的“锁定盒子”阶段，并将仅有的必要复杂决策移交给第二阶段，该系统避免了通常会减慢速度的瓶颈。
研究人员使用三组真实世界的数据测试了这个想法，模拟了两家公司尝试共同构建画像的情景。他们将这个新系统与仅使用一种工具的最佳现有方法进行了对比。结果显示，H2Profile 能够保持标准非隐私系统 98.5% 的准确度。换句话说，它所帮助选择的广告几乎与数据公开合并时的相关性一样高。更重要的是，该系统比其他替代方案更快，且所需的数据传输量更少。在标准的网络设置中，它处理一批 64 个用户画像仅需约 0.84 秒，且仅移动了 34.7 MB 的数据。与单独使用“锁定盒子”法相比，它减少了约 68% 的处理时间；与单独使用“传递纸条”法相比，则减少了 53% 的时间。
研究还仔细观察了可能泄露的信息。即使数学运算是安全的，最终的顶层兴趣列表在理论上仍可能揭示某些模式。研究人员发现，他们的系统泄露的信息量略低于其他方法，在衡量攻击者猜测用户隐藏特征能力的测试中得分为 0.604。这表明，通过精确控制最后释放的信息，该系统比单纯加密数据并寄希望于安全更能保护隐私。然而，作者也明确指出了其工作的局限性。该系统依赖于一个特定的假设：即执行工作的两台计算机不会相互串通。如果这两台服务器串通一气，隐私就会被破坏。此外，该系统尚未解决如何在不揭示身份的情况下匹配不同公司间用户身份的问题，也无法防御试图从源头污染数据的恶意行为者。
最终，H2Profile 并不声称自己是一个能让所有数据收集都变得安全的“魔法盾牌”。相反，它为解决一个特定的、困难的问题提供了一个实用的工程解决方案。它表明，通过在两种不同类型的安全计算之间分配复杂的任务，我们可以构建出一个既能满足实际应用效率需求，又能有效保护用户兴趣的系统。这项工作证明了我们不必在速度与安全性之间做出选择；只要我们接受信任模型的边界和特定的游戏规则，通过合理的方案设计，我们可以兼得两者。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。