隐私计算的安全性与效率
隐私计算概述
隐私计算的效率与隐私保护程度相关。例如，在广域网下多方合作训练一个LR模型（1024行64列，迭代1次），不同隐私计算方案的时间开销差异显著：
- SecureML: ~100秒
- ABY3: 0.3秒
- Blaze: 2秒
- Helen: ~15分钟
业界普遍关注效率，但安全指标披露较少，导致客户难以评估方案安全性。
安全性与效率的权衡
最高级安全性通常伴随着高效率代价。在不需要最高级安全性的场景下，可通过降低安全性来提升效率，但需明确安全性的取舍和潜在风险。
清晰描述安全性的方法：
- 明确定义安全假设（能防/不能防的攻击者）
- 明确定义防护效果（明确描述可能的泄露内容）
避免模糊的安全声明，如“龙在车库”（无法验证的存在）。
密码学中的可证明安全简介
可证明安全是密码学领域评估安全性的黄金准则，主要分为：
- 基于游戏的证明方式（如Paillier）
- 通过游戏胜负判断安全性，若能赢得游戏则可破解相应数学难题。
- Paillier示例：Alice选择m0,m1，Bob选择c ∈{Enc(m0), Enc(m1)}，Alice猜c的明文。若能以优势赢，则可破解大数分解问题。
- 基于模拟的证明方式（如OT）
- 模拟器生成与真实环境不可区分的信息，验证攻击者无法区分真实与模拟。
- 半诚实模型下，Real vs Ideal需满足DDH假设；恶意模型下更复杂。
证明方案安全性的步骤：
- 证明每个底层模块的安全性
- 判断模块运行方式：
- 串行运行：方案满足可证明安全
- 非串行运行：需模块满足UC（universal composable）特性
- PPML任务通常可视为串行，无需考虑UC
常见错误做法：
- 仅因底层加密模块安全就认为整体安全，需确保无信息泄露路径
- 忽略中间结果泄露（如Deep leakage from gradients）
- 低估函数约束泄露（如年龄+工资=25000）
其他可证明安全方法
- 差分隐私（Differential Privacy）
- 原理：Alice从Bob信息中难以识别任意指定行
- 应用：DP-SGD（横向分割联邦学习）、DP+PSI（降低padding）
- 挑战：
- 大幅影响数据分析准确率
- 纵向分割研究不足（国内主流场景）
总结
隐私计算领域公认的两种可证明安全方法：
- 基于游戏/模拟的证明方式：刻画信息泄露边界
- 基于差分隐私的证明方式：防止信息重识别到单条记录
呼吁业界做好安全证明，让方案安全性“看得见，摸得着”
