Efficient Fault-Tolerant Quantum Protocol for Differential Privacy in the Shuffle Model
针对shuffle模型中随机洗牌依赖混合网络或可信第三方的问题,论文利用量子纠缠提出安全隐式洗牌协议,支持任意k>2的k元随机响应,并可通过容错计算高效实现。
2024-09-06 cs.CR quant-ph
Graph Automorphism Shuffles from Pile-Scramble Shuffles
堆置乱是卡片密码学中最有效的置乱之一。事实上,许多基于卡片的协议都是从堆乱打乱中构建的。这篇文章的目的是研究争先赛洗牌的力量。特别是,对于任何有向图$G$,我们介绍了一个新的协议,称为“一个图洗牌协议$G$“,并表明,它可以实现通过使用堆扰洗牌。我们提出的协议需要$2(n+m)$卡,其中$n$和$m$分别是$G$的顶点数和边数。堆乱序混洗的数目是$k+1$,其中$1 \leq k \leq n$是$G$的不同顶点度数的数目。作为一个应用,$n$卡的随机切割,这也是一个重要的洗牌,可以通过$3n$卡和两个堆乱洗牌来实现。
2021-12-16 cs.CR math.CO
SLIDE: Shuffle Shamir Secret Shares Uniformly with Linear Online Communication and Guaranteed Output Delivery
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学软件新技术国家重点实验室)
该研究针对Shamir秘密共享的置乱协议问题,提出两种新协议,其中SLIDE协议是首个兼具线性在线通信和保证输出交付的均匀置乱协议,可提升安全计算的效率与可扩展性。
2026-08-28 cs.CR
Private Summation in the Multi-Message Shuffle Model
差分隐私的洗牌模型(Erlingsson et al. SODA 2019; Cheu et al. EUROPHOTOPT 2019)及其密切相关的编码-洗牌-分析(Bittau et al. SOSP 2017)在众所周知的局部和中心模型之间提供了一个肥沃的中间地带。与本地模型类似,洗牌模型假设一个不受信任的数据收集器从用户那里接收私有化的消息,但在这种情况下,一个安全的洗牌器被用来以隐藏哪些消息来自哪个用户的方式将消息从用户传输到收集器。shuffle模型的一个有趣的特性是,增加每个用户发送的消息量可以导致协议的准确性与中心模型中可实现的协议相当。特别地,对于私下计算由$n$不同用户持有的$n$有界实值之和的问题,Cheu等人表明,每个用户的$O(\sqrt{n})$消息足以实现$O(1)$错误(中心模型中的最佳速率),而Balle et al.(CHTPTO 2019)最近表明,每个用户的单个消息导致$Θ(n^{1/3})$ MSE(均方误差),一个严格介于局部和中心模型中可实现的速率之间的速率。本文介绍了两个新的协议求和的洗牌模型,提高了准确性和通信权衡。我们的第一个贡献是基于Balle等人的上述协议的递归构造,为每个用户提供带有$O(\log \log n)$消息的$\mathrm{poly}(\log \log n)$错误。第二个贡献是基于Ishai等人(FOCS 2…
2022-12-19 cs.CR
Frequency Estimation in the Shuffle Model with Almost a Single Message
我们提出了一个协议,在洗牌模型的差分隐私(DP)的\textit{frequency estimation}的问题,实现错误的$ω(1)\cdot O(\log n)$,几乎匹配的中心DP的准确性,与每个用户的$1+o(1)$消息。这表现出急剧的转变现象,因为如果每个用户仅被允许发送一条消息,则存在$Ω(n^{1/4})$的下限。以前,只有当域大小$B$为$o(n)$时才知道这样的结果。对于大的域,我们还需要一种有效的方法来识别\textit{heavy hitters}(即,足够频繁的元素)。为此,我们设计了一个shuffle-DP协议,使用$o(1)$消息每个用户,并可以识别所有的重打击者在$B$的时间多对数。最后,通过结合我们的频率估计和重打击检测协议,我们展示了如何解决$B$ -维\textit{1-sparse vector summation}的问题,在高维设置$B=Ω(n)$,实现最佳的中央DP MSE $\tilde O(n)$与每个用户的$1+o(1)$消息。除了错误和消息数量,我们的协议在消息大小和运行时间方面也有所改进。它们也很容易实现。实验结果表明,数量级的改善比以前的工作。
2022-11-22 cs.CR
The Privacy Blanket of the Shuffle Model
The Alan Turing Institute(艾伦·图灵研究所);Cambridge University(剑桥大学);Warwick University(华威大学);Georgetown University(乔治城大学)
本工作研究差分隐私的背景下,最近提出的洗牌模型。在本地模型中,从用户收集私有化数据的服务器可以追踪到特定用户的输入,而在洗牌模型中,用户匿名地向服务器提交他们的私有化输入。这种设置产生了一个信任模型,它位于经典的管理者和本地模型之间的差分隐私。洗牌模型是Bittau等人(SOPS 2017)引入的编码、洗牌、分析(ESA)模型的核心思想。Cheu等人最近的工作(EUROPHOTOPT 2019)分析了shuffle模型的差分隐私属性,并表明在某些情况下,shuffle协议提供的准确性严格优于本地协议。此外,Erlingsson等人(SODA 2019)提供了一个隐私放大边界,根据每个用户使用的随机发生器的局部差分隐私,量化了洗牌模型实现的管理者差分隐私水平。在这方面,我们作出三项贡献。首先,我们提供了一个最佳的单消息协议,在洗牌模型中的实数求和。我们的协议是非常简单的,有更好的准确性和通信比Cheu等人提出的这个相同的问题的协议。这个协议的最优性如下从我们的第二个贡献,一个新的下限的准确性私人协议的实数求和的洗牌模型。第三个贡献是一个新的放大界分析的隐私协议在洗牌模型的隐私提供相应的本地随机发生器。我们的放大界推广了Erlingsson等人的结果。更广泛的参数范围,并提供了一个完整的家庭的方法来分析隐私放大洗牌模型。
2019-06-02 cs.CR cs.LG stat.ML
Applying the Shuffle Model of Differential Privacy to Vector Aggregation
在这项工作中,我们介绍了一个新的协议,矢量聚合的背景下,洗牌模型,最近的模型内差分隐私(DP)。它位于集中式模型和本地模型之间,集中式模型优先考虑数据的准确性水平,而本地模型则通过更高的噪声要求来抵消信任的提高。Shuffle模型的开发是为了通过增加一个shuffle步骤在这两个模型之间提供一个良好的平衡,该步骤将用户从他们的数据中解脱出来,同时保持适度的噪声要求。我们使用高级合成结果为Shuffle模型中的实向量求和提供了单一消息协议。我们的贡献提供了一种机制,使私人聚合和分析更复杂的结构,如矩阵和高维张量,这两者都依赖于向量的情况下的功能。
2022-01-31 cs.CR
Aggregation and Transformation of Vector-Valued Messages in the Shuffle Model of Differential Privacy
通信、存储和计算技术的进步允许分布式设备收集和处理大量数据。将来自这些端点的信息结合起来可以实现显著的社会效益,但在保护个人隐私方面存在挑战,这在日益规范的世界中尤为重要。差分隐私(DP)是一种为聚合和发布提供严格且可证明的隐私保证的技术。已经引入了用于DP的洗牌模型以克服关于本地DP算法的准确性和中央DP的隐私风险的挑战。在这项工作中,我们介绍了一个新的协议,矢量聚合的背景下,洗牌模型。本文的目的是双重的,首先,我们提供了一个单一的消息协议,在洗牌模型的实向量的总和,使用先进的合成结果。其次,我们提供了一个改进的边界上的错误实现通过使用该协议通过实施离散傅立叶变换,从而最大限度地减少了初始误差的损失,通过变换本身的准确性为代价。这项工作将进一步探索更复杂的结构,如矩阵和高维张量在这种情况下,这两者都依赖于向量的情况下的功能。
2022-01-31 cs.CR
Multiparty Protocol that Usually Shuffles
由于多方计算的主要目标是取代分布式计算中的任何可信第三方,因此多方计算的重要性日益提高。这项工作提出了两个多方洗牌协议,每一方,拥有一个私人的输入,同意在一个随机排列,同时保持排列的秘密。所提出的洗牌协议是基于置换网络,从而数据不经意。第一个建议是$n\text{-}permute$,它以所有$n!$可能的方式排列$n$输入。$n$ -置换网络由$2\log{n}-1$层组成,每层有$n/2$门.我们的第二个协议是$n_π$ -置换洗牌,它定义了一个置换集$Π=\{π_1,\dots,π_N\}$,其中$|Π| < n!$,并且所得到的洗牌是一个随机置换$π_i \in Π$。与$n$置换网络相比,$n_π$置换网络包含较少的层数.令$n=n_1n_2$,$n_π$置换网络将定义$2\log{n_1}-1+\log{n_2}$层. \par提出的洗牌协议是无条件安全的恶意对手谁可以在大多数$t<n/3$党损坏。攻击者能够获知$n$ -置换结果的概率是由$((n-t)!)^{-1}$给出的上界.然而,对于某个正整数$θ_1, θ_2$和$f_Π$的递归定义,对手可以获知$n_π$ -置换结果的概率上限为$\big(f_Π(n_1-θ_1)^{n_2}2^{θ_2}\big)^{-1}$。协议允许各方建立法定人数,并在法定人数之间分配负载。
2021-03-08 cs.CR
Differentially Private Histograms in the Shuffle Model from Fake Users
最近有很多工作在差分隐私的洗牌模型,特别是近似$d$ -bin直方图。虽然这些协议实现了低错误,但每个用户发送的消息数量(消息复杂度)到目前为止已随$d$或隐私参数而缩放。消息复杂度是混洗协议的资源消耗的信息预测器。我们提出了一个协议,其消息的复杂性是2时,有足够多的用户。该协议基本上将数据集中的每一行与一个假行配对,并对所有行执行简单的随机化。我们表明,该协议引入的错误是小的,使用严格的分析,以及对真实世界的数据进行实验。我们还证明,腐败的用户有一个相对较低的影响,我们的协议的估计。
2021-08-05 cs.CR cs.DS
Shuffle Private Stochastic Convex Optimization
Georgetown University(乔治城大学);Google Research(谷歌研究院);Columbia University(哥伦比亚大学)
在混洗隐私中,每个用户将随机化消息的集合发送到可信混洗器,混洗器随机地排列这些消息,并且所得到的混洗消息集合必须满足差分隐私。在此模型之前的工作主要集中在使用单轮通信来计算算法原语(如均值、直方图和计数)的协议上。我们提出了随机凸优化的交互式洗牌协议。我们的协议依赖于一个新的非交互式协议,用于求和有界$\ell_2$范数的向量。通过结合小批量随机梯度下降,加速梯度下降,和Nesterov的平滑方法,我们得到了各种凸损失函数,显着提高当地的模型,有时匹配的中央模型的损失保证。
2022-03-14 cs.CR cs.DS cs.LG
Fully Oblivious Differential Privacy for Frequency Estimation in the Augmented Shuffle Model with Trusted Processors
ISM/ROIS/AIST/RIKEN AIP(综合研究大学院大学/日本国立自然科学研究所/产业技术综合研究所/理化学研究所人工智能研究中心);UEC(电气通信大学);AIST(产业技术综合研究所)
针对混洗模型中混洗器与数据收集者共谋的信任问题,引入可信执行环境(TEE)并定义全遗忘差分隐私(FODP),提出基于内存大小混淆的通用框架及三种具体算法,利用计数最小草图优化效率,在Intel SGX上验证有效性。
2026-08-28 cs.CR
Automorphism Shuffles for Graphs and Hypergraphs and Its Applications
在基于卡片的密码学中,一副物理卡片用于实现安全计算。洗牌,随机置换卡序列与一些概率分布,确保安全的卡为基础的协议。作者提出了一类新的洗牌称为图洗牌,它通过有向图的自同构随机排列卡片序列(新一代计算2022)。对于具有$n$顶点和$m$边的有向图$G$,这样的混洗可以用具有$2(n+m)$卡的堆置乱混洗来实现。在本文中,我们研究了图洗牌,并给出了一个实现,一个应用程序,和一个轻微的推广。首先,我们提出了一个新的协议,图洗牌与$2n+m$卡。其次,作为图洗牌的一个新的应用,我们证明了任何循环群洗牌,这是一个循环群上的洗牌,是一个图洗牌与一些图。第三,我们定义了一个超图洗牌,这是一个由超图的自同构洗牌,并表明任何超图洗牌也可以实现堆乱洗牌。
2022-06-02 cs.CR math.CO
Amplification by Shuffling without Shuffling
提出Alternating Shuffle近似洗牌协议,在单服务器威胁模型下实现次线性通信开销,证明其差分隐私放大效果及对安全求和协议的兼容性,并附带提出一种精确洗牌协议。
2023-09-07 cs.CR
Pure-DP Aggregation in the Shuffle Model: Error-Optimal and Communication-Efficient
本文提出一种在洗牌差分隐私模型下误差为 O(1/ε) 且每用户通信量仅为 Õ(log n/ε) 的二进制计数协议,并基于此改进了实数求和与直方图协议。
2023-05-28 cs.CR cs.DS
Differential Privacy in the Shuffle Model: A Survey of Separations
差分隐私通常在两种模型中进行研究。在中心模型中,单个分析器负责对数据执行隐私保护计算。但在本地模型中,每个数据所有者都会确保自己的隐私。虽然它消除了信任分析器的需要,但本地隐私是有代价的:在解决许多学习和估计问题时,本地私有协议不如集中私有协议准确。洗牌模型中的协议被设计成两全其美:最近的工作表明,只有温和的信任假设就可以实现高准确性。这篇调查论文概述了新的洗牌协议,以及建立新模型的下限。我们还总结了工作,显示在洗牌模型的互动性的承诺。
2022-05-24 cs.CR cs.DS
On the Round Complexity of the Shuffle Model
Ben-Gurion University(本-古里安大学);Tel-Aviv University(特拉维夫大学);Georgetown University(乔治敦大学);Google Research(谷歌研究院)
提出了差分隐私的混洗模型,作为一种可行的分布式差异隐私计算模型。非正式地说,该模型由一个不受信任的分析器组成,该分析器通过shuffle功能接收参与方发送的消息,后者可能会将消息与他们的消息分离。以前的工作集中在一轮差分隐私洗牌模型协议,证明了功能,如添加和直方图可以在这个模型中执行的准确性水平类似于馆长模型的差分隐私,其中计算是由一个完全信任的一方。针对洗牌模型的轮复杂度,我们提出了在两轮差分隐私洗牌模型中可以计算什么。Ishai等人[FOCS 2006]展示了如何使用一轮洗牌在每两方之间建立密钥。使用该原语模拟一般的安全多方协议,使其轮复杂度增加1。我们展示了双方如何可以使用一轮的洗牌发送秘密消息,而不必首先建立一个秘密密钥,从而保留轮的复杂性。将此原语与Applebaun等人的两轮半诚实协议相结合。[TCC 2018],我们得到每个随机功能都可以在洗牌模型中计算,其中诚实的大多数仅需两轮。这包括任何差异私有计算。然后,我们开始研究洗牌模型中的差分私有计算,(i)不需要假设诚实的多数,或者(ii)不承认单轮协议,即使是诚实的多数。为此,我们引入了两个计算任务:公共元素问题和嵌套公共元素问题,我们展示了一轮和两轮协议之间的分离。
2020-09-28 cs.CR cs.DS cs.LG
Defense against Poisoning Attacks under Shuffle-DP
Nanyang Technological University(南洋理工大学);OceanBase, Ant Group(蚂蚁集团);Zhejiang University(浙江大学)
本文提出一种通用防御框架,可将任意Shuffle-DP协议转换为抗污染攻击的版本,同时保持高分析结果的效用。
2026-05-01 cs.CR cs.DB
Lightweight Protocols for Distributed Private Quantile Estimation
本文针对本地差分隐私和混洗差分隐私下的分布式分位数估计问题,提出两种自适应算法,显著降低所需用户数,并通过匹配下界证明自适应协议与非自适应协议之间存在根本性分离。
2025-02-05 cs.CR
A Note on Single-Cut Full-Open Protocols
本文针对基于卡片的密码学中的单切全开协议,提出了两个三变量函数协议和一个四变量函数协议,扩展了该类协议的设计。
2025-07-04 cs.CR
Private Vector Mean Estimation in the Shuffle Model: Optimal Rates Require Many Messages
Apple Inc.(苹果公司);UC Berkeley(加州大学伯克利分校);Northeastern(东北大学);Texas A&M University(德克萨斯农工大学)
我们在隐私shuffle模型中研究私有向量均值估计问题,提出一种多消息协议以最优误差和近最优消息复杂度实现目标,同时证明了单消息协议的最优性,并分析了面对恶意用户时的鲁棒性。
2024-04-25 cs.CR cs.DS cs.IT
Confidentiality in a Card-Based Protocol Under Repeated Biased Shuffles
College of Engineering, Shibaura Institute of Technology(埼玉工业大学工程学院)
本文针对五张牌戏法协议,通过条件概率和马尔可夫链特征结构分析有偏随机切牌导致的信息泄露,并推导出将泄露降至可接受水平所需重复切牌次数的紧界。
2025-11-07 cs.CR cs.IT math.IT
FLAME: Differentially Private Federated Learning in the Shuffle Model
Renmin University of China(中国人民大学);Kyoto University(京都大学)
联邦学习(FL)是一种很有前途的机器学习范例,它使分析器能够在不收集用户原始数据的情况下训练模型。为了保证用户的隐私,差分隐私联邦学习得到了广泛的研究。现有的工作主要是基于差分隐私的\textit{curator model}或\textit{local model}。然而,这两种方法都有优点和缺点。策展人模型允许更高的准确性,但需要一个值得信赖的分析器。在本地模型中,用户在将本地数据发送到分析器之前将其随机化,不需要可信的分析器,但精度有限。在这项工作中,通过利用最近提出的差分隐私洗牌模型中的\textit{privacy amplification}效应,我们实现了两个世界中的最佳,即,馆长模型的准确性和强大的隐私性,而不依赖于任何可信方。首先,我们提出了一个FL框架中的洗牌模型和一个简单的协议(SS简单)从现有的工作扩展。我们发现,SS-Simple只提供了一个不足的隐私放大效果在FL,因为模型参数的尺寸是相当大的。为了解决这一挑战,我们提出了一种增强协议(SS-Double),通过子采样来增加隐私放大效应。此外,当模型大小大于用户群体时,为了提高效用,我们提出了一种具有梯度稀疏化技术的高级协议(SS-Topk)。我们还提供了理论分析和数值评估的隐私放大所提出的协议。在真实数据集上的实验表明,SS-Topk比基于局部模型的FL提高了60.7%的测试精度。
2021-03-20 cs.CR cs.LG stat.ML
On Distributed Differential Privacy and Counting Distinct Elements
Massachusetts Institute of Technology(麻省理工学院);Google Research(谷歌研究院)
我们研究的设置,其中每个$n$用户持有一个元素从一个离散集,目标是计数的不同元素的数量在所有用户的约束下,$(ε, δ)$ -差分隐私:-在非交互式的本地设置,我们证明了任何协议的附加错误是$Ω(n)$为任何常数$ε$和任何$δ$逆多项式在$n$。- 在单消息混洗的情况下,证明了$Ω(n)$对任意常数$ε$和$n$中的某些$δ$逆拟多项式的误差的下界.我们这样做的基础上的矩匹配方法从文献中的分布估计。- 在多消息混洗环境下,我们给出了一个每个用户至多有一条消息的协议,对于任意常数$ε$和$n$中任意$δ$逆多项式,该协议的误差为$\tilde{O}(\sqrt(n))$.我们的协议也是鲁棒的shuffle私有的,并且我们的$\sqrt(n)$的错误匹配此类协议的已知下限。我们的证明技术依赖于一个新的概念,我们称之为支配协议,它也可以用来获得第一个非平凡的下界对多消息洗牌协议的选择和学习奇偶性的研究问题。我们估计不同元素数量的第一个下界提供了局部差分隐私中全局敏感性和错误之间的第一个$ω(\sqrt(n))$分离,从而回答了Vadhan(2017)的一个公开问题。我们还提供了一个简单的结构,使$\tildeΩ(n)$之间的全局敏感性和错误的两方差分隐私分离,从而回答了一个开放的问题麦格雷戈等人。(2011)。
2020-09-21 cs.CR cs.DS cs.LG
A Game-theoretic Approach for Provably-Uniform Random Number Generation in Decentralized Networks
本文提出一种去中心化随机数生成协议,通过博弈论激励参与者诚实提交均匀随机数,在不依赖伪随机假设的前提下实现无偏、防篡改且可模块化接入权益证明区块链的随机信标。
2023-09-20 cs.CR
When Graph Structure Becomes a Liability: A Critical Re-Evaluation of Graph Neural Networks for Bitcoin Fraud Detection under Temporal Distribution Shift
本文重新评估了图神经网络在比特币欺诈检测中的表现,发现传统方法在无泄漏评估下效果不佳,随机森林在原始特征上表现更优,图结构可能在时间分布偏移下误导模型。
2026-04-21 cs.AI cs.CR cs.LG