Prio3：私有、穩健且可擴展的總體統計和 SNIPs 計算

雖然安全性已應用於靜止和傳輸中的資料，但我們通常仍然對明文資料進行運算。這引發了許多問題，尤其是處理器可以確定 PII（個人身份資訊）和諸如秘密加密金鑰之類的東西。一種方法是使用 MPC（多方運算），我們可以將運算分成更小的區塊，並讓每個參與方分享運算。其中一個最好的應用是以保護隱私的方式收集統計資料。

例如，行動電話製造商可能想要確定其手機擁有者的性別比例，但實際上不透露任何特定的人。為此，每個客戶端設備都會為其性別建立一個 SNIP（秘密共享的非互動式證明）。在 PRIO3 中，這是一個快速且高效的零知識證明。然後，伺服器可以接收這些 SNIP，並檢查它們的有效性。檢查完成後，它們可以更新其本地累加器，以進行當前統計資料的彙總。然後，當我們想要揭示來自客戶端設備的性別比例時，它們可以發布其彙總總數：

總體而言，由於創建了性別的零知識證明，因此沒有任何伺服器可以確定客戶端是男性還是女性；但是，我們仍然可以計算總數。使用 PRIO3，沒有任何伺服器可以查看明文資料，並且基於經典論文 [here][1]：

PRIO3 實作通常可以被視為隱私測量的多方分散式彙總協定 (DAP) 的一部分，並且目前正在 IETF 中進行標準化 [here]：

我們將使用 PRIO3 為布林值（計數）創建多個共享，然後將資料彙總回來。核心分析是對某事物是 True 還是 False 進行基本計數，資料集是 {true, false, true, true}，並將計算 true 值的數量 [here]：

package main

import (
 "fmt"
 "crypto/rand"
 "os"
 "io"
 "strconv"
 "github.com/cloudflare/circl/vdaf/prio3/count"


)

func fromReader[T any](r io.Reader) (z T) {

 switch zz := any(&z).(type) {
 case *count.Nonce:
  _, _ = r.Read(zz[:])
 case *count.VerifyKey:
  _, _ = r.Read(zz[:])

 }

 return
}

var Context = []byte("Test")

func main() {
 NumShares := uint8(2)


 input := []bool{true,false,true, true}


 argCount := len(os.Args[1:])

 if argCount > 0 {
  a,_ := strconv.Atoi(os.Args[1])
  NumShares=uint8(a)
 }


 c, _ := count.New(NumShares, Context)

 params := c.Params()
 shares := params.Shares()

 aggShares := make([]count.AggShare, shares)
 for i := range aggShares {
  aggShares[i] = c.AggregateInit()
 }



 for _, mi := range input {
  nonce := fromReader[count.Nonce](rand.Reader)
  verifyKey := fromReader[count.VerifyKey](rand.Reader)

  randb := make([]byte, params.RandSize())
  _, _ = io.ReadFull(rand.Reader, randb)


  var pubShare count.PublicShare
  var inputShares []count.InputShare
  pubShare, inputShares, _ = c.Shard(mi, &nonce , randb)


  var prepStates []*count.PrepState
  var outboundPrepShares []count.PrepShare
  for i := range shares {
   state, share, _ := c.PrepInit(&verifyKey, &nonce, i, pubShare, inputShares[i])


   prepStates = append(prepStates, state)
   outboundPrepShares = append(outboundPrepShares, *share)
  }

  var prepMsg *count.PrepMessage
  prepMsg, _ = c.PrepSharesToPrep(outboundPrepShares)

  var outShare *count.OutShare
  for i := range shares {
   outShare,_ = c.PrepNext(prepStates[i], prepMsg)
   c.AggregateUpdate(&aggShares[i], outShare)

  }


 }

 numMeas := uint(len(input))
 aggResult, _ := c.Unshard(aggShares, numMeas)


 fmt.Printf("Inputs: %v\n\n", input)

 fmt.Printf("Number of inputs: %d\n\n", numMeas)
 fmt.Printf("Number of shares: %d\n\n", NumShares)
 fmt.Printf("Aggregated Count %d\n\n", *aggResult)


 for i := range shares {
  fmt.Printf("Share %v\n", aggShares[i])

 }
}

以及一個範例執行 [here]：

Inputs: [true false true true]

Number of inputs: 4

Number of shares: 4

Aggregated Count 3

Share {[[7227276485192055052]]}
Share {[[673113590378828220]]}
Share {[[14679250781088487564]]}
Share {[[14313847295054699691]]}

以下是一個求和的範例：

PRIO3 for Verifiable Distributed Aggregation Functions for Summation with Go
The collection of aggregated data is one of the most profitable industries in computing, but how can we efficiently…asecuritysite.com

以及一個直方圖：

PRIO3 for Verifiable Distributed Aggregation Functions for Histograms with Go
The collection of aggregated data is one of the most profitable industries in computing, but how can we efficiently…asecuritysite.com

參考文獻

[1] Corrigan-Gibbs, H., & Boneh, D. (2017). Prio: Private, robust, and scalable computation of aggregate statistics. In 14th USENIX symposium on networked systems design and implementation (NSDI 17) (pp. 259–282).

10s 洞悉市場

協定隱私政策白皮書官方驗證Cookie部落格