Ricerca
Condivisione dei dati sicura, verificabile e scalabile tra più client tramite una distribuzione dei dati basata sul consenso e rispettosa della privacy
Proponiamo il framework Consensus-Based Privacy-Preserving Data Distribution (CPPDD), un protocollo leggero e autonomo dopo la configurazione per l’aggregazione sicura dei dati di più client.

- arXiv
- 2601.00418
- Pubblicato
- 2026-01-01
- Autori
- Prajwal Panth, Sahaj Raj Malla
Abstract degli autori
Proponiamo il framework Consensus-Based Privacy-Preserving Data Distribution (CPPDD), un protocollo leggero e autonomo dopo la configurazione per l’aggregazione sicura dei dati di più client. Il framework garantisce che i dati restino riservati finché tutti non ne approvano il rilascio, grazie a un meccanismo di protezione a due livelli che combina il mascheramento affine per ciascun client con il blocco sequenziale del consenso guidato dalle priorità. L’integrità viene verificata in modo decentralizzato mediante checksum dei passaggi (sigma_S) e dei dati (sigma_D), consentendo di rilevare autonomamente le deviazioni malevole e di interrompere atomicamente l’operazione senza richiedere un coordinamento continuo. Il sistema supporta dati scalari, vettoriali e matriciali con una complessità di calcolo e comunicazione O(N*D), consente facoltativamente di delegare il carico a un server edge e resiste alla collusione anche in presenza di N-1 partecipanti compromessi. L’analisi formale dimostra la correttezza, l’integrità e l’equità dipendenti dal consenso (Consensus-Dependent Integrity and Fairness, CDIF), con un’interruzione in caso di deviazione la cui probabilità è schiacciante, e la sicurezza IND-CPA assumendo l’esistenza di una famiglia di funzioni pseudocasuali. Le valutazioni empiriche su vettori derivati da MNIST mostrano una scalabilità lineare fino a N = 500, con tempi di calcolo inferiori a un millisecondo per client. Il framework rileva il 100% delle deviazioni malevole, recupera i dati esattamente e richiede un numero di FLOPs inferiore di tre o quattro ordini di grandezza rispetto ai metodi di riferimento MPC e HE. CPPDD consente la collaborazione atomica nel voto sicuro, nell’apprendimento federato tra consorzi, nei servizi di escrow su blockchain e nello sviluppo delle capacità nel campo della geoinformazione, affrontando lacune cruciali in termini di scalabilità, riduzione al minimo della fiducia necessaria e calcolo verificabile tra più parti in ambienti regolamentati e con risorse limitate.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv