文章总结： 本文解读USENIX安全研讨会论文，提出PIC新范式，通过置换等变计算与一次性公钥，在shuffle模型下实现个体级隐私计算，结合MinkowskiResponse机制，在联邦学习激励等任务中显著优于本地模型。局限在于依赖置换等变前提，且多轮执行需新密钥。建议研究者探索个体隐私计算任务分类与组合隐私分析。 综合评分： 85 文章分类： 数据安全,ai安全,应用安全

第 34 届 USENIX 安全研讨会 | 个从群体统计到个体计算：洗牌机制下的差分隐私新范

原创

陈雪 陈雪

信息网络安全杂志

2026年9月28日 18:00 上海

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

引子：随着数据驱动应用从“群体统计”走向“个体服务”，隐私计算面对的核心问题也在发生变化：真实系统往往不只是要发布一个均值、计数或直方图，而是要为每个用户返回不同的匹配结果、检索结果或激励收益。Shuffle DP 通过打乱用户消息获得隐私放大，在无需可信数据收集者的前提下兼顾了信任假设与数据效用；但也正因为它依赖匿名性，既有工作长期被限制在统计估计任务中。本文敏锐地抓住了一个关键矛盾：个性化输出似乎需要“知道谁是谁”，而隐私放大又要求“不能知道谁是谁”。作者提出的 PIC 正是在这一矛盾上打开缺口，把 shuffle model 从统计估计推进到个体级隐私计算。

速览：作者提出Private Individual Computation（PIC）这一新范式，用于支持一类对置换等变的非统计计算任务。其基本思想是：用户先在本地对私有数据进行 LDP 随机化，再将扰动数据与一次性公钥一起加密后交给 shuffler 打乱；服务器在解密后的匿名消息上执行置换等变计算，并把每个个性化结果用对应的一次性公钥加密后公开发布，用户只需下载结果列表并解密属于自己的条目。这样，系统既能让每个用户获得个体化输出，又不破坏消息匿名性，从而继续享受 shuffle 带来的隐私放大。进一步，论文提出面向 PIC 的 Minkowski Response 随机化机制，把效用目标从传统统计估计误差转为 single-report error，并证明其误差上界渐近匹配 PIC 模型下任意随机器的误差下界。实验覆盖空间众包、位置社交系统和带激励的联邦学习三类应用；例如在联邦学习激励任务中，当全局隐私预算为 (3, 0.01/50000) 时，PIC + Minkowski 达到 83.43% 测试准确率，梯度 l2 误差和 Shapley l2 误差分别降至 0.055 和 0.0219，明显优于直接使用本地模型的方案。

深度解剖：这篇论文最出彩之处，不在于简单地把公钥加密嫁接到shuffle DP 上，而在于它重新刻画了 shuffle model 的能力边界。传统理解中，shuffle 的匿名性似乎天然排斥个性化返回；作者则通过“置换等变”这一结构条件指出，很多个体计算并不要求服务器知道真实身份，只要求输入与输出在匿名排列中保持一致。这一观察把匿名性从限制条件转化为可利用的系统资源。一次性公钥的设计也很精巧：它既是匿名结果投递地址，又是后续用户间安全通信的临时身份，避免了长期双向匿名信道的状态维护和去匿名风险，也比完整 MPC 更轻量。Minkowski Response 的贡献则体现在效用模型的重构：PIC 关心的是每个用户报告与真实值的距离，而不是总体统计量的方差；因此作者围绕高本地预算、多维连续数据和 single-report error 重新设计随机器，并给出上下界匹配的理论说明。整体来看，论文形成了“新问题定义-理想功能-具体协议-安全与 DP 证明-最优随机器-真实任务评估”的完整闭环，既有密码学系统味道，也有差分隐私理论深度。

局限：PIC 的适用范围依赖“置换等变”这一前提，并不能覆盖所有个性化任务；如果计算强依赖真实身份、长期用户画像、跨轮状态关联或个体化服务策略，其匿名排列假设会变得脆弱。一次性公钥解决了结果返回问题，但也带来结果列表下载、密钥管理和多轮执行中的关联防护成本；论文也指出，多次执行必须使用新密钥，否则会削弱匿名性并增加隐私消耗。另一方面，隐私放大的强度高度依赖同组中仍保持匿名的诚实用户数量：当腐化用户、匹配后通信或外部元数据逐步暴露身份时，放大效果会下降，极端情况下退化为普通 LDP。Minkowski Response 的优势主要出现在较大本地隐私预算和有界连续域中；在低预算、高维稀疏梯度或复杂离散数据场景下，其优势可能不如理论上醒目。实验虽然覆盖了三类代表应用，但仍以公开数据和半诚实威胁模型为主，对主动攻击、网络侧信道、真实部署中的时序关联和自适应串谋还缺少更系统的压力测试。

启示：本文给出的启示是，隐私计算不能只停留在“保护后做统计”的范式中，下一阶段更重要的问题是如何在隐私约束下支持真实服务中的个体化决策。PIC 展示了一条很有代表性的路线：用轻量密码学解决匿名投递和通信可达性，用差分隐私控制数据泄露，再借助 shuffle 放大机制提升效用。对研究者而言，这提示我们需要进一步建立个体隐私计算的任务分类、组合隐私分析和主动安全协议；对应用系统而言，位置服务、众包匹配、推荐检索和联邦学习激励等场景，都可以围绕“群体匿名 + 一次性身份 + 个体加密返回”重新设计隐私友好的系统接口。

作者：陈雪（同济大学 博士后 数据安全与隐私保护领域）

原文标题：

Beyond Statistical Estimation: Differentially Private Individual Computation via Shuffling

原文作者：

Shaowei Wang、Changyu Dong、Jin Li、Zhili Zhou、Jin Li、Xiangfu Song、Di Wang、Han Wu

期刊/会议：

34th USENIX Security Symposium

DOI：10.26304/usenixsecurity25.184

版权与来源声明：本文依据《中华人民共和国著作权法》第二十四条之规定，为介绍、评选之目的，在此适当引用。原文版权归原作者所有。

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 陈雪 陈雪《第 34 届 USENIX 安全研讨会 | 个从群体统计到个体计算：洗牌机制下的差分隐私新范》