《Journal of Cybersecurity and Privacy》：Homomorphic Encryption as an Enabler for Secure Multi-Source Data Aggregation and Confidential Analytics
编辑推荐：
同态加密(HE)在安全多源数据聚合中扮演关键角色，因为它允许直接在加密数据上执行计算，使分布式参与方能够贡献敏感信息同时保持机密性。然而，在此背景下使用它引入了三个主要挑战：现有方法通常专注于特定操作而非支持跨多个加密数据源的多样化分析；密钥生成和管理经常依赖
同态加密(HE)在安全多源数据聚合中扮演关键角色，因为它允许直接在加密数据上执行计算，使分布式参与方能够贡献敏感信息同时保持机密性。然而，在此背景下使用它引入了三个主要挑战：现有方法通常专注于特定操作而非支持跨多个加密数据源的多样化分析；密钥生成和管理经常依赖可信第三方或要求共享私钥；基于TEE的解决方案可能避免可信第三方但通常需要计算部分在可信环境内执行，从而限制部署灵活性。为解决这些限制，本研究做出三项主要贡献：(i) 提出一个完整的安全多源数据聚合框架，利用同态加密(HE)使任何数据消费者能够对先前由不可信数据提供者注册的数据安全运行多源数据聚合；(ii) 集成安全飞地用于同态密钥的安全生成、分发和管理，解决多方聚合环境中协调密钥同步的相关挑战，并消除对可信第三方的需求；(iii) 引入一种混合密钥管理协议，结合基于安全飞地的密钥生成与高效密钥分发以及在数据消费者处飞地外的安全聚合，最小化信任假设和计算开销。在小型聚合数据集上的实现和评估表明，所提方法有效解决了已识别的挑战，据研究人员所知，提供了第一个实用且隐私保护的解决方案，支持不同算法而不依赖任何可信第三方，同时通过集成安全飞地和混合密钥管理协议改进了现有解决方案。
在数据被誉为“新石油”的时代，数据驱动系统已成为各行业决策的核心。然而，由于法律、伦理和竞争约束，将来自多个来源的机密数据集成仍面临重大障碍，特别是通用数据保护条例(GDPR)等法规强制执行数据最小化和目的限制原则，使得传统数据共享和集中处理变得不可行。现有隐私保护解决方案如联邦学习(FL)和差分隐私(DP)部分解决了这些限制，但可能暴露模型更新或中间结果；可信执行环境(TEE)提供强隔离但依赖硬件信任假设且不支持对加密数据的计算；同态加密(HE)允许在加密数据上直接计算，但存在密钥管理复杂和计算开销高的问题。针对这些挑战，研究人员开展了本研究，旨在解决三个核心问题：缺乏支持多种聚合算法的通用平台、密钥管理依赖可信第三方或共享私钥、以及混合HE与TEE解决方案的部署灵活性受限。该研究提出了一个结合全同态加密(FHE)和TEE的安全多源数据聚合与机密分析框架，通过混合密钥管理协议实现密钥的安全生成、分发和管理，同时将主要同态计算保持在飞地之外，提升了部署灵活性。在小型合成数据集上的实验涵盖了从基本统计到逻辑回归训练的多种操作，验证了框架的可行性。该论文发表在《Journal of Cybersecurity and Privacy》，其意义在于首次提供了无需可信第三方且支持多种算法的实用隐私保护解决方案，为多源数据聚合领域的信任最小化和安全协作奠定了基础。
研究人员为开展研究主要采用了以下关键技术方法：使用OpenFHE v.1.1.2（基于CKKS方案，用于实数的近似算术）和TFHE-rs v.0.10.0（用于布尔和比较操作）两种同态加密(HE)库，实现不同算法的加密计算。采用Intel SGX作为安全飞地，用于同态密钥的生成、存储和最终解密，确保私钥永不离开飞地。提出混合密钥管理协议：密钥在飞地内生成，公共密钥和同态上下文(CC)分发至数据提供者用于本地加密，加密数据在数据消费者处进行聚合和计算，仅最终加密结果返回飞地解密。实验使用合成小规模数据集（每个数据提供者50条记录，两个提供者，聚合后100条记录），部署在四个Docker容器（一个可信实体、一个数据消费者、两个数据提供者）和三台独立机器上，评估了密钥生成、加密、计算和解密各阶段的性能。
研究结果部分：
4.1 实验设置：通过部署四个Docker容器模拟多源环境，验证了框架在现实多源系统中的可行性，并确定了各组件硬件配置（数据消费者配备更多CPU以应对更高计算需求）。
4.2 计算复杂度：测量了同态加密(HE)各阶段时间。结果显示同态计算是主要瓶颈，占总时间的大部分。简单操作（如统计）总执行时间低于2分钟，复杂操作（如逻辑回归训练）需约1032秒。密钥生成时间随乘法深度增加而增加，逻辑回归训练密钥生成达90秒。加密时间与数据量和乘法深度相关，逻辑回归训练加密需97秒。计算时间差异大，逻辑回归训练最耗时（930秒）。解密时间简单操作约2秒，模型推理约24-27秒。所有实验重复10次，标准差低，表明结果稳定。
4.3 通信和存储开销：分析了公钥、评估密钥和密文大小。公钥和密文大小为开销主导，总工作流大小从129 MB到15,406 MB不等。TFHE-rs公钥较大但密文小，OpenFHE相反。评估密钥仅计一次，对总开销影响较小。
4.4 与明文计算比较：对比了FHE和明文结果误差，使用绝对和相对误差。发现使用Chebyshev近似的算法（如标准差、逻辑函数、逆函数）误差较大，但总体误差可控。线性回归训练因逆函数近似区间问题导致较大误差，表明在FHE计算中准确选择近似区间具有挑战性。
4.5 讨论：讨论了隐私与性能权衡，尽管HE性能低于明文计算，但提供强隐私保护，且性能可通过密码学优化、改进库和硬件加速器改善。与现有工作比较，该框架在信任最小化、非TEE依赖计算、安全模型和实现算法数量上具有优势，特别是无需可信第三方，且主要计算在飞地外执行，提升部署灵活性。适用领域包括医疗、金融、网络安全、智慧城市、工业制造和环境监测等，可支持跨组织边界的隐私保护协作。
结论部分翻译：本文提出了一个安全多源数据聚合和机密分析框架，解决了现有方法中存在的主要挑战：(i) 缺乏支持多个不可信来源数据的不同聚合算法的平台；(ii) 同态密钥管理依赖可信第三方或共享私钥；(iii) 混合HE和TEE解决方案部署灵活性有限。为解决这些挑战，提出的框架使数据消费者能够对先前由不可信数据提供者注册的加密数据集运行不同聚合算法。为此，它通过混合密钥管理协议将FHE与TEE结合，使用安全飞地进行同态密钥的生成、分发和管理，而不暴露私钥或需要可信第三方，并将主要同态计算保持在飞地外，提升部署灵活性。在小型合成数据集上的实现和实验评估，涵盖了从简单统计到逻辑回归训练的操作的密钥生成、加密、同态计算和解密，证明了框架的可行性及其在医疗和金融等敏感领域支持隐私保护分析的潜力。尽管有贡献，框架存在局限性，包括需要进一步确定安全机制，当前评估基于小规模合成数据集限制了可扩展性评估。未来工作应扩展聚合阶段至更大数据集、实际应用和更复杂机器学习模型，并支持更多密码学方案，集成硬件加速器以减少FHE的高计算开销。
