面向去中心化Web 3.0应用的联邦分析赋能的频繁模式挖掘
作者：上海交通大学的王子博、朱逸飞、香港理工大学的王丹和休斯顿大学的朱晗
研究背景：
Web 3.0旨在去中心化现有网络服务，实现透明、激励和隐私保护等特性，但当前基于区块链基础设施的Web 3.0应用仍无法以可扩展和隐私保护的方式支持复杂的数据分析任务。
联邦分析（FA）是一种隐私保护数据分析范式，其去中心化性质与Web 3.0应用的需求自然匹配。
关键技术：
分布式差分隐私（DDP）：通过分布式噪声生成和安全聚合来实现本地隐私保护，同时获得与中央差分隐私（CDP）相当的数据效用。
候选填充（candidate padding）和数据所有者复用（data owner reusing）策略：进一步减少参与的数据所有者数量。
实验结论：
在三个代表性的Web 3.0场景中进行实验，FedWeb相比其他基准方法，F1分数至少提高了25.3%，参与的数据所有者减少了81.1% – 98.4%。
数据所有者复用策略在节省参与数据所有者方面效果更好，但需要数据所有者等待多个轮次；候选填充策略执行效率更高，但在节省数据所有者方面效果稍逊。
参数ϵ和K对FedWeb的性能有重要影响，较大的ϵ/K会带来更好的数据效用，较大的K可减少数据所有者的使用。
贡献总结：
将FA引入当前Web 3.0生态系统，使数据分析能够在不暴露敏感原始数据的情况下进行。
设计了FedWeb用于Web 3.0服务中的隐私保护频繁模式挖掘，采用DDP私有化方案并设计了两种策略来节省响应预算，克服了现有Web 3.0服务中的规模限制。
严格证明了候选模式过滤方案的正确性，为FedWeb的频繁模式挖掘结果提供了理论保证。
论文pdf 下载链接:https://arxiv.org/pdf/2402.09736