差分隱私技術(shù)在科技業(yè)務(wù)平臺用戶數(shù)據(jù)保護(hù)中的研究

弓曉鋒，黃琳，周慧，梁正華

（1.貴州省科技信息中心，貴州貴陽，550002；2. 貴州省科技創(chuàng)新中心有限責(zé)任公司，貴州貴陽，550002）

1 概述

根據(jù)全省“一云一網(wǎng)一平臺”統(tǒng)籌部署，各行業(yè)部門積極制定了相應(yīng)的協(xié)同推進(jìn)實(shí)施方案，進(jìn)一步梳理了權(quán)責(zé)清單以及政務(wù)服務(wù)網(wǎng)進(jìn)駐事項(xiàng)，明確了工作任務(wù)和實(shí)施要點(diǎn)，開展了政務(wù)服務(wù)“一網(wǎng)通辦”業(yè)務(wù)試點(diǎn)計(jì)劃。省級科技部門按照“整合內(nèi)部分散業(yè)務(wù)系統(tǒng)，統(tǒng)一用戶，統(tǒng)一業(yè)務(wù)入口，統(tǒng)一數(shù)據(jù)出口”的原則，規(guī)范了微服務(wù)技術(shù)架構(gòu)、業(yè)務(wù)流程和數(shù)據(jù)資源，構(gòu)建了公共支撐平臺、用戶中心和數(shù)據(jù)接口平臺，并實(shí)現(xiàn)了與省級平臺的接入。部門用戶中心與省統(tǒng)一實(shí)名身份認(rèn)證系統(tǒng)用戶進(jìn)行了綁定，部門數(shù)據(jù)接口平臺各類科技業(yè)務(wù)主題數(shù)據(jù)上架到省數(shù)據(jù)共享交換平臺。如圖1所示。

圖1 部門平臺整合接入省級平臺

2 用戶認(rèn)證體系SM3改造

平臺后續(xù)改造升級過程中，將在部門科技業(yè)務(wù)平臺用戶認(rèn)證體系的構(gòu)建上引入國產(chǎn)密碼雜湊算法SM3。一是采用SM3哈希函數(shù)壓縮用戶登錄密碼為摘要。系統(tǒng)構(gòu)建過程中，通常采用哈希函數(shù)壓縮用戶登錄密碼為摘要，這樣既減少了數(shù)據(jù)量、固定了數(shù)據(jù)格式，又打亂了數(shù)據(jù)組合。常用的哈希算法有MD5消息摘要算法和SHA安全散列算法，設(shè)計(jì)優(yōu)的哈希函數(shù)出現(xiàn)哈希沖突的概率很小。為了增強(qiáng)系統(tǒng)用戶密碼的安全性，在密碼加密過程中會(huì)同步加鹽，即使明文相同的用戶生成的密文也不相同。二是采用JSON Web Token（JWT）對客戶端Token進(jìn)行編碼，并采用SM3算法對包含的主體信息進(jìn)行雜湊以提高安全性，進(jìn)而用來傳遞被認(rèn)證的用戶身份信息，實(shí)現(xiàn)獲取服務(wù)資源的目的。JWT是JSON風(fēng)格輕量級的授權(quán)和身份認(rèn)證規(guī)范，可實(shí)現(xiàn)對無狀態(tài)、分布式的Web應(yīng)用授權(quán)，生成的Token可直接用于認(rèn)證，也可使用一些常見的算法對包含的主體信息進(jìn)行加密，安全性較高。JWT規(guī)范標(biāo)識了多種簽名算法，使用過程中頭部會(huì)默認(rèn)指定消息簽名算法HS256，消息體中會(huì)包含用戶名、Token的生成時(shí)間和過期時(shí)間等非敏感類信息，創(chuàng)建簽名時(shí)會(huì)指定使用哈希函數(shù)來進(jìn)行消息認(rèn)證的機(jī)制HMAC以及頭部聲明的算法HMACSHA256，進(jìn)而實(shí)現(xiàn)消息完整性認(rèn)證和信源身份認(rèn)證。

在我國，MD5和SHA-1兩種數(shù)字簽名算法應(yīng)用廣泛，甚至是在網(wǎng)上銀等金融業(yè)務(wù)上。隨著王小云教授團(tuán)隊(duì)在2015年先后通過差分攻擊算法攻破MD5和SHA-1，各個(gè)行業(yè)部門開始升級替換現(xiàn)有算法，采用SHA-256。畢竟MD5算法、SHA系列算法均為國外雜湊算法，不符合我國大力提倡的信創(chuàng)合規(guī)、自主可控的要求，故而科技業(yè)務(wù)平臺采用國產(chǎn)密碼算法SM3來替代國外算法SHA-256。隨著國內(nèi)網(wǎng)絡(luò)安全和信息化整體水平的不斷提升，密碼安全和密碼技術(shù)在維護(hù)國家安全、促進(jìn)經(jīng)濟(jì)發(fā)展方面發(fā)揮著越來越重要的作用，商用密碼改造已成為各行各業(yè)面臨的重要任務(wù)。

SM3國產(chǎn)密碼算法是我國具有自主知識產(chǎn)權(quán)的密碼湊雜算法，該算法由王小云等人設(shè)計(jì)，2010年中國國家密碼管理局發(fā)布。SM3哈希算法作為國產(chǎn)商用密碼算法，適用于數(shù)字簽名和驗(yàn)證，采用MD（Merkle-Damgard）結(jié)構(gòu)，消息分組長度為512位，摘要值長度為256位。SM3是在SHA-256基礎(chǔ)上改進(jìn)實(shí)現(xiàn)的一種算法，其壓縮函數(shù)與SHA-256壓縮函數(shù)類似但設(shè)計(jì)更加復(fù)雜，可碰撞性更強(qiáng)，安全系數(shù)更高。SM3算法無法提供完整性保護(hù)，不能單獨(dú)使用，需通過HMAC配合密鑰一起使用進(jìn)行消息認(rèn)證。作為雜湊系列算法的SM3，同樣面臨差分攻擊的風(fēng)險(xiǎn)。

3 用戶隱私

上面提到，隨著部門科技業(yè)務(wù)平臺與外部省級平臺的接入，系統(tǒng)間的數(shù)據(jù)請求將不可避免引起用戶數(shù)據(jù)泄露問題。一是外部政務(wù)服務(wù)事項(xiàng)辦理場景，需要向部門平臺請求單個(gè)用戶的相關(guān)數(shù)據(jù)，這類數(shù)據(jù)往往涉及電子證照，比如：某位用戶是否是科技特派員；某家企業(yè)是否是高新技術(shù)企業(yè)等。二是外部數(shù)據(jù)共享交換場景，需要向部門平臺請求一類用戶的相關(guān)數(shù)據(jù)，這類數(shù)據(jù)往往以數(shù)據(jù)查詢接口的方式提供，比如：共享某一研究方向的省外專家，而這些專家往往是科研項(xiàng)目評審的網(wǎng)評專家；共享年度內(nèi)在某些細(xì)分領(lǐng)域立項(xiàng)的科研項(xiàng)目等。

科技業(yè)務(wù)平臺用戶中心可不處理具體的業(yè)務(wù)邏輯，僅需處理與用戶相關(guān)的數(shù)據(jù)，通過重組業(yè)務(wù)模塊來模糊業(yè)務(wù)應(yīng)用間的邊界，進(jìn)而協(xié)調(diào)業(yè)務(wù)應(yīng)用和實(shí)現(xiàn)，使用戶通過統(tǒng)一展現(xiàn)層再切入到具體的業(yè)務(wù)。為了簡化平臺對用戶的權(quán)限控制，可基于業(yè)務(wù)場景來優(yōu)化權(quán)限模型和流程管理，因不同組織為所屬用戶規(guī)定并約束了業(yè)務(wù)的流轉(zhuǎn)與審批流程，以及各節(jié)點(diǎn)不同的處置要求，應(yīng)從業(yè)務(wù)需求和數(shù)據(jù)需求的角度出發(fā)，區(qū)分公眾用戶和管理用戶，公眾用戶又可細(xì)分為以科技人員、科技專家為代表的“自然人用戶”和以科研機(jī)構(gòu)、高校、企業(yè)為代表的“組織用戶”兩類，組織用戶不僅限于企業(yè)法人，同時(shí)還包括機(jī)關(guān)法人、事業(yè)單位法人和社會(huì)組織法人等。根據(jù)特定科技業(yè)務(wù)辦理需要，自然人用戶和組織用戶之間需要建立關(guān)系，自然人可申請加入多個(gè)組織，不同組織賦予同一自然人不同的角色身份并進(jìn)行授權(quán)管理，特定組織用戶可分級授權(quán)和逐級審批種類科技業(yè)務(wù)。業(yè)務(wù)檔案中，關(guān)聯(lián)了科研人員的科研項(xiàng)目、科研產(chǎn)出、資質(zhì)和榮譽(yù)、論文、成長指數(shù)等信息，關(guān)聯(lián)了科研機(jī)構(gòu)的科研項(xiàng)目、科技獎(jiǎng)勵(lì)、項(xiàng)目產(chǎn)出、成果轉(zhuǎn)化、科研基礎(chǔ)、經(jīng)濟(jì)效益、科技活動(dòng)投入與產(chǎn)出、創(chuàng)新指數(shù)等信息。

4 差分隱私

為有效應(yīng)對用戶隱私數(shù)據(jù)泄露問題，通常有幾種方式：一是數(shù)據(jù)脫敏，通過失真等降低數(shù)據(jù)敏感性。數(shù)據(jù)脫敏只是簡單地刪除敏感字段，其使用性較差，而且仍然存在隱私泄露隱患。二是匿名化，通過“去標(biāo)識化”實(shí)現(xiàn)隱私保護(hù)。但是，匿名化技術(shù)不斷被發(fā)現(xiàn)存在漏洞和缺陷，可靠性較差。三是差分隱私，通過加噪聲來抵抗差分攻擊。對比數(shù)據(jù)脫敏和匿名化，差分隱私具有嚴(yán)格的數(shù)學(xué)模型，安全性級別較高，可量化可證明，是較熱門的隱私保護(hù)技術(shù)。

針對平臺用戶隱私泄露、數(shù)據(jù)可用性等問題，迫切需要研發(fā)高質(zhì)量的隱私保護(hù)服務(wù)[1]。盡可能做到限制相對隱私數(shù)據(jù)的泄露，就是“差分”的由來，也即任何查詢結(jié)果一定程度上不應(yīng)該能夠被用來推斷某個(gè)個(gè)體的數(shù)據(jù)是否被包含在數(shù)據(jù)集中。此時(shí)，引出“相鄰數(shù)據(jù)集”的概念。所謂相鄰數(shù)據(jù)集，指兩個(gè)數(shù)據(jù)集只相差一條記錄，這條記錄可以是某個(gè)用戶的數(shù)據(jù)，而差分隱私則定義為相鄰數(shù)據(jù)集在一定程度上不可區(qū)分。

差分隱私（Differential Privacy，簡稱 DP）是 Dwork在2006年針對數(shù)據(jù)庫的隱私泄露問題提出的一種新的隱私定義[2]。DP技術(shù)提供了一種嚴(yán)格、可證明的隱私保護(hù)手段，且其保護(hù)強(qiáng)度不依賴于攻擊者所掌握的背景知識，其是密碼學(xué)中的一種手段，旨在提供一種當(dāng)從統(tǒng)計(jì)數(shù)據(jù)庫查詢時(shí)，最大化數(shù)據(jù)查詢的準(zhǔn)確性，同時(shí)最大限度減少識別其記錄的機(jī)會(huì)。其原理是用算法加擾個(gè)人用戶數(shù)據(jù)，使技術(shù)回溯過程無法實(shí)現(xiàn)，隨后在無法獲得原始數(shù)據(jù)的情況下對數(shù)據(jù)批量計(jì)算，輸出計(jì)算結(jié)果，在獲得機(jī)器學(xué)習(xí)所需的數(shù)據(jù)資源的同時(shí)，實(shí)現(xiàn)用戶隱私數(shù)據(jù)的保護(hù)。其嚴(yán)格的數(shù)學(xué)定義如下：若帶有定義域的隨機(jī)算法M，對所有的S ? Range( M)和滿足的x, y ∈Nx都有 ：

則隨機(jī)算法M是(ε , δ)-差分隱私，如果δ=0，則隨機(jī)算法M是ε-差分隱私。上述定義中，概率空間由算法M給出，參數(shù)ε, δ均稱為隱私保護(hù)預(yù)算，參數(shù)ε不受人為控制，參數(shù)δ可受人為控制。隨著參數(shù)ε的減少，數(shù)據(jù)的隱私保護(hù)就越強(qiáng)，但是與此同時(shí)它的效用就越低?？梢钥闯觯瑪?shù)據(jù)集X在隨機(jī)算法M的擾動(dòng)下輸出的結(jié)果屬于S集合的概率，小于等于e的ε次方然后乘以數(shù)據(jù)集Y在隨機(jī)算法M的擾動(dòng)下輸出的結(jié)果屬于S集合的概率。這個(gè)結(jié)果因?yàn)樽兓?dǎo)致了改變之前的數(shù)據(jù)集和改變之后的數(shù)據(jù)集對攻擊者來說是無法察覺的，則說明滿足差分隱私。

對于數(shù)據(jù)集和算法的組合，有以下幾種情形：

（3）記A1( D1) , A2(D2) , A3( D3), . ..,Am( Dm)為一系列相互獨(dú)立的差分隱私，且算法Ai( D)分別滿足εi-差分隱私，這些算法組合起來滿足-差分隱私，整體小于等于最大ε-差分隱私。

差分隱私技術(shù)中的常用機(jī)制是將噪聲插入到查詢結(jié)果中，使得數(shù)據(jù)失真或者擾亂數(shù)據(jù)。差分隱私噪聲機(jī)制有拉普拉斯機(jī)制、指數(shù)機(jī)制、高斯機(jī)制等，最常用的為拉普拉斯機(jī)制。下面簡單描述拉普拉斯噪聲機(jī)制的敏感度、概率密度函數(shù)和差分隱私。

（1）敏感度。給定一個(gè)函數(shù)集，X和Y為鄰近數(shù)據(jù)集，一個(gè)函數(shù)的l1敏感度被定義為：，查詢函數(shù)的敏感度表明改變一條數(shù)據(jù)對查詢操作帶來的影響程序。

5 運(yùn)用和展望

差分隱私保護(hù)最初的應(yīng)用場景是交互式數(shù)據(jù)查詢，后面逐步延伸至非交互式數(shù)據(jù)發(fā)布。上架到數(shù)據(jù)共享交換平臺對外發(fā)布的數(shù)據(jù)集，比如共享的科技專家?guī)鞂＜倚畔?，為了防止攻擊者?zhǔn)確獲取專家敏感數(shù)據(jù)導(dǎo)致泄露專家隱私，在每個(gè)真實(shí)數(shù)據(jù)值后面加上一個(gè)服從拉普拉斯分布的隨機(jī)噪聲。將每一條記錄看作一個(gè)不相交的數(shù)據(jù)集，根據(jù)差分隱私的并行組合性質(zhì)，每一條記錄都符合ε差分隱私時(shí)，整體數(shù)據(jù)集也滿足ε差分隱私[3]。如果一條記錄有多個(gè)屬性，根據(jù)差分隱私的序列組合性質(zhì)，將ε隱私保護(hù)預(yù)算分為多個(gè)部分分別加到各個(gè)屬性。相比于傳統(tǒng)技術(shù)，在實(shí)現(xiàn)同樣復(fù)雜度和效果的情況下，差分隱私的效率會(huì)比較高，但由于對于背景知識的假設(shè)過于強(qiáng)調(diào)，需要在查詢結(jié)果中加入大量的隨機(jī)化，如果數(shù)據(jù)維度較大將導(dǎo)致噪音過大時(shí)并覆蓋原始數(shù)據(jù)，大大降低共享數(shù)據(jù)的可用性，此時(shí)，需要對高維數(shù)據(jù)進(jìn)行降維。數(shù)據(jù)降維可采用主成分分析、線性判別分析技術(shù)或基于加權(quán)貝葉斯網(wǎng)絡(luò)降維等方法，對降維后的數(shù)據(jù)添加噪音再發(fā)布[4]。除了提到的中心化差分隱私保護(hù)，在用戶數(shù)據(jù)采集過程中，可以采用本地差分隱私保護(hù)。本地差分隱私是為了消除可信數(shù)據(jù)中心，而是直接在用戶的數(shù)據(jù)集上做差分隱私，然后再傳輸?shù)綌?shù)據(jù)中心進(jìn)行聚合計(jì)算，這樣數(shù)據(jù)中心也無法猜測出原始數(shù)據(jù)，從而保護(hù)數(shù)據(jù)隱私。