Libertas：去中心化个人数据存储的隐私保护协同计算框架

数据及其处理已成为我们社会不可或缺的方面。从集体数据中获得的洞察为科学、社会和商业研究做出了宝贵贡献。然而，对隐私问题和数据滥用的担忧日益增加，促使了去中心化个人数据存储（PDS）如Solid的出现。然而，现有PDS框架在进行结合多个用户数据的集体计算时，在确保数据隐私方面面临挑战。表面上看，安全多方计算（MPC）在进行集体计算时提供了输入保密性保护，不依赖任何单一方面。然而，当直接将MPC应用于PDS上下文时出现了问题，主要是由于自主性和去中心化等关键因素。在这项工作中，我们讨论了这个问题的本质，确定了潜在解决方案，并引入了一个模块化系统架构Libertas，将MPC与Solid等PDS集成，而无需进行协议级更改。我们引入了从‘全知’视角到基于个人的用户中心化信任和安全视角的范式转变，并讨论了Libertas的威胁模型。我们使用了两个用于协作数据处理的实际案例来评估，包括技术可行性和实证基准测试，突出了其在赋能零工 Workers 和生成差分隐私合成数据方面的有效性。我们实验的结果突出了Libertas的线性可扩展性，并为计算优化提供了有价值的见解，从而推进了隐私保护数据处理实践的最新技术。通过为在协作数据处理环境中维护个体自主性和隐私提供实用解决方案，Libertas为数据驱动决策情境中隐私保护的相关讨论做出了重大贡献。