我的隐私计算学习——匿踪查询

笔记内容来自多本书籍、学术资料、白皮书及ChatGPT等工具,经由自己阅读后整理而成。


(一)PIR的介绍

​ 匿踪查询,即隐私信息检索(Private InformationRetrieval,PIR),是安全多方计算中非常实用的一门技术与应用,可以用来保护用户的查询隐私,进而也可以保护用户的查询结果。其目标是保证用户向数据源方提交查询请求时,在查询信息不被感知与泄漏的前提下完成查询。即对于数据源方来说,「只知道有查询到来,但是不知道真正的查询条件、也就不知道对方查了什么」

(二)PIR的方法

目前常见的PIR方案实现有三类,分别是:

  • 基于不经意传输(Oblivious Transfer,OT)的 PIR 实现

    image-20230505113227388

  • 基于同态加密的 PIR 实现

    一般采用 Paillier 加法半同态加密算法,这里简述下 Paillier 算法的三个重要特点:

    1. 可以实现两个密文加法计算;
    2. 可以实现一个密文与一个明文相乘;
    3. 由于加密时用到随机数,所以相同的明文、相同的密钥,可以产生很多个不同的密文,这些不同的密文解密后都能得到相同的原始明文。

    (注:已知查询元素的位置)

    image-20230328194427432

  • 基于 keyword 的 PIR 实现

    ​ 以上所述的基于不经意传输的 PIR 与基于同态加密的 PIR 方案,是需要检索用户提前感知被检索数据在数据库中位置(索引号),这块可以通过隐私求交的方式实现。在实际的应用中,查询时一般是不知道其位置信息的,而是根据关键词进行查询,此类方案又称 keyword PIR,可以利用 Paillier 同态加密+拉格朗日插值多项式实现。

    image-20230328201927788

    如果要分析各个方案的性能,那么在计算开销上,由于同态加密计算开销大于 RSA 计算开销,所以基于 OT 的 PIR 方案的计算开销会更有优势;在通信开销上,如果服务端每条明文数据都较长,如数千字节,则基于同态加密的 PIR 方案和基于 keyword 的 PIR 方案通信开销较小。

(三)PIR应用场景问题

​ 现有的隐私信息检索,可主要分为两大类:信息论的隐私信息检索协议(Information-Theoretic PIR)和计算安全的隐私信息检索协议(Computional PIR),主要的应用场景有:

  1. 病患想通过医疗系统查询其疾病的治疗药物,如果以该疾病名为查询条件,医疗系统将会得知该病人可能患有这样的疾病,从而导致病人的隐私被泄露,通过隐私信息检索可以避免此类泄露问题。
  2. 在域名、专利的申请过程中,用户需要首先向相关数据库提交自己申请的域名或专利信息以查询是否已存在,但又不想让服务提供方知晓自己的申请名称,从而被其抢先注册。
  3. 在证券市场中,某用户想查询某个股票信息,但又不能将自己感兴趣的股票泄露给服务方从而影响股票价格和自己的偏好。

10月份新开了一个GitHub账号,里面已放了一些密码学,隐私计算电子书资料了,之后会整理一些我做过的、或是我觉得不错的论文复现、代码项目也放上去,欢迎一起交流!Ataraxia-github

  • 21
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 区块链技术可以用来保护隐私计算医疗系统中数据的安全性和可靠性。联邦学习是一种分布式机器学习技术,可以在不共享原始数据的情况下,让多个机构共同参与模型的训练和改进。将联邦学习区块链技术结合可以提高系统的隐私保护能力和安全性。 ### 回答2: 区块链上的隐私计算联邦学习医疗系统是一种创新的医疗数据共享和隐私保护方案。这种系统借助区块链技术和联邦学习算法,实现了医疗数据的安全、高效共享,同时保护了患者的隐私。 首先,该系统运用区块链技术来保证数据的安全和透明性。医疗数据被分散存储在多个节点上,每个节点都有相同的拷贝,确保了数据的可靠性和防篡改性。每次数据的修改都需要经过共识算法的验证,确保数据的完整和一致性。区块链还提供了分布式的数据访问机制,使得医疗数据可以被授权的参与方共享,同时防止了未经授权的访问。 其次,该系统采用联邦学习算法来进行模型训练和预测。不同医疗机构之间可以通过加密技术将本地的医疗数据上传到联邦学习服务器。在联邦学习服务器上,数据不会离开原始医疗机构,而是在本地进行模型训练。只有模型参数的更新结果会被上传和合并,从而保护了患者的隐私。 最后,该系统还可以为患者提供医疗数据的控制权。患者可以通过数字身份验证并授权特定的医疗机构访问其数据。同时,患者还可以选择分享哪些数据以及分享的目的。这样一来,患者在数据共享中具有主动权,保护了隐私和数据安全。 综上所述,区块链上的隐私计算联邦学习医疗系统实现了医疗数据的安全共享和隐私保护。它通过区块链技术和联邦学习算法,保障了数据的安全性、合规性和高效性,为医疗行业提供了一种创新的数据管理和共享方式。 ### 回答3: 区块链上的隐私计算可以提供联邦学习医疗系统的一种安全、高效的解决方案。这个系统涉及多个医疗机构共同合作,在保护患者隐私的同时,共享数据并进行模型训练。以下是我对如何实现这样一个系统的设想。 首先,该系统将采用区块链技术来确保数据的安全性和匿名性。每个医疗机构都将拥有自己的区块链节点,用于存储和验证数据。数据将以加密的方式存储,并通过智能合约来确保数据的可靠性和完整性。 其次,为了保护患者隐私,我们可以采用多方计算和同态加密等技术。多方计算允许在保持数据隐私的同时,对数据进行计算。而同态加密可以在加密状态下对数据进行处理,确保敏感信息不会泄露。 另外,为了提高模型的准确性和性能,我们可以利用联邦学习的方法。每个医疗机构在本地训练自己的模型,然后将模型参数上传到区块链上进行融合。通过融合不同机构的模型,可以得到更精确的模型,并且不需要共享原始数据。 在实际操作中,我们需要建立一个联邦学习的框架,通过智能合约来管理医疗机构节点之间的通信和数据交换。合约可以规定数据共享和模型的更新策略,同时监控数据的使用情况和训练过程的安全性。 总体而言,区块链上的隐私计算联邦学习医疗系统可以实现医疗数据的有效共享和保护患者隐私。通过合理利用区块链、多方计算和同态加密等技术,我们可以建立一个安全、高效的医疗系统,为患者提供更好的医疗服务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值