A pesquisa egocêntrica é importante em muitas aplicações, desde a detecção de fraudes financeiras até a pesquisa em redes sociais, porque se concentra em um único vértice e em seus vizinhos imediatos. Estas perguntas fornecem informações sobre a conexão direta, analisando a conexão na área principal. Permitir tais pesquisas sem comprometer a privacidade torna-se mais difícil quando os gráficos estão dispersos por diversas fontes de dados, especialmente aquelas com confiança limitada. Nessas circunstâncias, é importante garantir a privacidade dos dados sensíveis relacionados ao alvo de uma determinada consulta e aos vértices e arestas do gráfico.
Em resposta, uma estrutura de dados especial conhecida como GORAM (Graph-Oriented RAM) foi desenvolvida para permitir consultas egocêntricas eficientes em gráficos agrupados, ao mesmo tempo que fornece forte proteção de privacidade. A computação multipartidária segura (MPC), um método de criptografia que permite que várias partes calculem dados compartilhados sem revelar suas entradas individuais, é a base sobre a qual o GORAM é construído. No âmbito do GORAM, isto significa que as informações privadas sobre os dados do gráfico ou as próprias consultas não podem ser acedidas por uma única pessoa, o que garante a privacidade mesmo nos casos em que o gráfico é dividido por vários fornecedores de dados, possivelmente não confiáveis.
Alcançar um desempenho prático em questões egocêntricas de preservação da privacidade é um grande desafio. O MPC pode ser computacionalmente caro, especialmente quando se trabalha com gráficos grandes, apesar de oferecer fortes garantias de privacidade. GORAM usa um mecanismo de indexação inspirado em Oblivious RAM (ORM) e uma arquitetura gráfica de particionamento eficiente para resolver isso. Ao manter o alvo da consulta oculto, a ORAM melhora a privacidade, permitindo o acesso aos objetos da memória sem revelar o padrão de acesso. Cada questão egocêntrica no GORAM é direcionada a um segmento específico, que é uma pequena parte do gráfico. Ao garantir que apenas um subconjunto relevante do gráfico esteja acessível durante uma consulta, este método preserva a privacidade enquanto reduz o tempo de processamento e a sobrecarga.
Os pesquisadores criaram um protótipo de mecanismo de consulta baseado na arquitetura MPC original para testar o desempenho do GORAM. Cinco consultas comumente usadas, como verificação de presença, pesquisa de localização e estatísticas de vizinhança, foram usadas para testar o sistema. Experimentos foram conduzidos em gráficos do mundo real, como grandes redes como o Twitter, bem como em gráficos artificiais criados para experimentos controlados. A GORAM processou estes pedidos muito rapidamente. Mesmo para gráficos muito grandes com até 41,6 milhões de vértices e 1,4 bilhão de arestas, os tempos de consulta variam de 58,1 milissegundos a 35,7 segundos.
Essa velocidade é um grande avanço na área de computação de grandes gráficos que preservam a privacidade. GORAM é o primeiro dispositivo capaz de lidar com gráficos de bilhões de escalas com desempenho razoável no ambiente MPC. Antes disso, as limitações de desempenho limitavam os métodos de processamento de gráficos mais seguros a conjuntos de dados muito pequenos.
A equipe compartilhou suas principais contribuições da seguinte forma.
- GORAM é uma estrutura de dados orientada a gráficos que garante forte proteção à privacidade e permite consultas eficientes, não lineares e egocêntricas em gráficos agrupados.
- Para obter um desempenho útil mesmo em redes grandes, uma série de otimizações foram implementadas, incluindo processamento local, paralelismo de ciclo de vida e técnicas de embaralhamento frequentes.
- Dentro de uma estrutura de computação multipartidária segura (MPC) do mundo real, um protótipo de mecanismo de consulta construído em GORAM foi desenvolvido. Cinco perguntas frequentemente utilizadas foram desenvolvidas para analisar o sistema detalhadamente em oito gráficos sintéticos e do mundo real, mostrando notável robustez, eficiência e eficiência geral.
Concluindo, o GORAM oferece fortes garantias de privacidade e representa um avanço significativo na realização de pesquisas egocêntricas eficientes em gráficos combinatórios. Ele alcança um compromisso entre desempenho e privacidade usando MPC e um mecanismo de particionamento inspirado em ORM, que permite processar grandes gráficos a uma velocidade anteriormente indisponível para estruturas de preservação de privacidade.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso Mais de 50k ML SubReddit
[Upcoming Event- Oct 17 202] RetrieveX – Conferência de recuperação de dados GenAI (promovida)
Tanya Malhotra está em seu último ano na Universidade de Estudos de Petróleo e Energia, Dehradun, cursando BTech em Engenharia de Ciência da Computação com especialização em Inteligência Artificial e Aprendizado de Máquina.
Ele é um entusiasta de Data Science com forte pensamento analítico e analítico, e grande interesse em adquirir novas habilidades, liderar equipes e gerenciar o trabalho de forma organizada.
