BOFFINS طرح اشتراک گذاری موقعیت مکانی حریم خصوصی را ابداع می کند • ثبت نام

دانشمندان رایانه ای از دانشگاه های آلمان ، هنگ کنگ و انگلستان راهی برای ارائه مطالبات قابل اثبات در مورد داده های مکان بدون تسلیم حریم خصوصی ارائه داده اند.

این تکنیک ، که به آن به عنوان حریم خصوصی مکان آگاهی صفر (ZKLP) گفته می شود ، با هدف دسترسی به داده های مکان تأیید نشده به گونه ای که حفظ حریم خصوصی را بدون قربانی کردن دقت و ابزار برای برنامه هایی که ممکن است به چنین داده هایی متکی باشند ، فراهم می کند. در یک مقاله شرح داده شده است [PDF] این هفته در سمپوزیوم IEEE 2025 در مورد امنیت و حریم خصوصی ارائه شده است.

داده های موقعیت مکانی ، که از طریق تلفن های همراه و برنامه ها در میان منابع دیگر به دست آمده است ، توسط کارگزاران داده مورد توجه قرار گرفته است. اما به خصوص حساس است. همانطور که بنیاد الکترونیکی مرزی مشاهده می کند ، “می تواند در کجا زندگی می کنیم و کار می کنیم ، با چه کسی با آنها ارتباط برقرار می کنیم ، و کجا می پرستیم ، اعتراض می کنیم و به دنبال مراقبت های پزشکی هستیم.”

در مقاله خود ، نویسندگان جنس ارنستبرگر (دانشگاه فنی مونیخ) ، چنگرو ژانگ (دانشگاه هنگ کنگ) ، لوکا سیپریان (دانشگاه فنی مونیخ) ، فیلیپ جووانوویچ (دانشگاه کالج لندن) و سباستین اشتاینهورست (دانشگاه فنی مونیخ) توجه داشته باشید که تلاش های مختلفی برای ریسک سازی داده های مربوط به حفظ داده های موقعیت مکانی انجام شده است.

اینها شامل پروتکل های ارتباطی است که به انسداد متکی هستند ، تا داده های مکان را کمتر دقیق تر و تکنیک های رمزنگاری کنند تا داده های مکان را کمتر در دسترس قرار دهند. مثالها شامل ژئو-اینداستاری و VPRIV است [PDF]، در میان دیگران

نویسندگان استدلال می کنند که این رویکردها مانند اعتماد به ناشناس سازی داده های شخص ثالث ، کاستی هایی دارند.

نویسندگان ادعا می کنند: “با ZKLP ، کاربران می توانند به هر شخص ثالث ثابت کنند که در یک منطقه جغرافیایی خاص قرار دارند و در حالی که موقعیت دقیق خود را برای ابزار و حریم خصوصی دفع می کنند.” “به بهترین دانش ما ، ZKLP اولین پارادایم را برای اثبات غیر تعاملی ، قابل اثبات عمومی و حریم خصوصی حفظ جغرافیایی فراهم می کند.”

ZKLP به مسئله یک فرد نادرست ارائه دهنده داده های موقعیت مکانی (کلاهبرداری) پرداخته نمی شود – این فقط ارزش داده های مکان را اثبات می کند ، نه پیشرفت آن. نویسندگان مشاهده می كنند كه سربار اضافی برای اثبات اینكه داده های موقعیت مکانی معتبر هستند ، لازم است. راه حل های بالقوه ای که آنها پیشنهاد می کنند ارتباط شبکه با شخص ثالث را شامل می شود ، مانند سیگنال های “Find My My” اپل یا GNSS (سیستم ماهواره ای ناوبری جهانی). بنابراین اطمینان از ارائه داده ها-شما جایی هستید که می گویید که هستید-دیگر غیر متقابل نخواهد بود.

تکنیک نویسندگان متکی به اثبات دانش صفر است که به عنوان استدلال غیر متقابل دانش (ZK-SNARK) شناخته می شود (ZK-SNARK) ، یک مکانیسم رمزنگاری که به یک طرف اجازه می دهد تا بدون آشکار کردن راز ، دانش یک راز را اثبات کند.

اثبات دانش صفر اغلب از حسابی با نقطه ثابت استفاده می کند زیرا از نظر محاسباتی کارآمدتر است. اما ZKLP برای همکاری با سیستم شبکه جهانی گسسته (DGGS) ، یک چارچوب ارجاع جغرافیایی طراحی شده است که جهان را به شبکه های شش ضلعی تقسیم می کند. این امکان را به کاربران می دهد تا گرانول بودن مکان خود را در نقشه شبکه Hex مشخص کنند – آنها می توانند در یک شهر یا در یک مکان خاص تر مانند یک پارک قرار بگیرند و ادعای آنها از نظر محاسباتی قابل اثبات باشد.

اما DGGS برای ریاضیات دارای نقطه شناور مناسب تر است. شش ضلعی ، ژئوداتا و محاسبات مرتبط به ریشه مربع و عملکردهای مثلثاتی نیاز دارند. اینها انواع داده ها و عملیاتی هستند که به بهترین وجه با محاسبات نقطه شناور انجام می شود.

بنابراین دانشگاهیان مجبور بودند در رابطه با بهینه سازی برای از بین بردن عملیات مثلثاتی ، بهینه سازی هایی را برای محاسبه اسنک های نقطه شناور ارائه دهند ، که در کنار هم ZKLP را از نظر محاسباتی عملی تر می کنند.

آنها می گویند اجرای Snarks با استفاده از حسابی که دارای نقطه شناور است که مطابق با استاندارد IEEE 754 است ، چالش برانگیز بود. اما نتیجه سیستمی است که بر اساس محاسبات نقطه ثابت ، مستعد خطا و امن تر از چیزی است.

محققان در مقاله خود توضیح می دهند: “در مقایسه با یک پایه ثابت ثابت بهینه ، اجرای ما محدودیت های 15.9 × کمتر برای مقادیر FP32 و محدودیت های کمتر از 12.2 برای مقادیر FP64 دارد.” “ما ZKLP را اعمال می کنیم و نشان می دهیم که می تواند آزمایش نزدیکی همسالان را به حفظ حریم خصوصی تحقق بخشد ، که از طریق آن کاربر می تواند نزدیکی خود را با 470 همسالان در ثانیه ارزیابی کند.”

فراتر از آزمایش نزدیکی به حریم خصوصی ، نویسندگان می دانند که طرح آنها برای سناریوهایی که داده های مکان قبلاً تأیید شده اند ، مفید است.

“به عنوان مثال ، در گردش کار C2PA (ائتلاف برای اثبات محتوا و اصالت) ، مکانی که عکس گرفته می شود توسط یک دوربین سازگار با C2PA امضا می شود ، و بنابراین ما می توانیم یکپارچه ZKLP را با C2PA ادغام کنیم تا در حالی که مکان دقیق را تحت الشعاع قرار می دهد ، اصالت عکس را فراهم کنیم ، از این طریق حریم خصوصی نویسنده عکس را حفظ می کنند.”

آنها همچنین نشان می دهند که روش های آنها می تواند برای برنامه های یادگیری ماشین مفید باشد ، زیرا پارامترها اغلب به عنوان شماره های نقطه شناور نشان داده می شوند ، و به عنوان یک بلوک ساختمانی برای مکانیسم های اثبات شخصیتی که مورد بررسی قرار می گیرند. ®