Privacy-Preserving Decentralized Calculation in Digital Contact Tracing

Abstract

Kontaktsporing er en manuell prosess som brukes av helsebyråer for å kartlegge individers sosiale interaksjoner, og utføres når enkeltpersoner blir smittet for å identifisere andre i faresonen. Covid-19 pandemien økte behovet for å digitalisere denne prosessen og flytte databehandling til håndholdte enheter som personlige mobiltelefoner. Applikasjoner for digital kontaktsporing er delt inn i sentraliserte og desentraliserte modeller - sistnevnte prøver å styrke personvernet. En ulempe med den desentraliserte modellen er at den begrenser helsevesenets evne til å samle statistikk og detaljerte data. I denne oppgaven var målet å gi en mulig løsning på dette problemet og studere løsningens ytelse. Vi presenterer en metode for å bruke Bluetooth Low Energy med kontrollert flooding og homomorfisk kryptering for å samle inn data på en distribuert, tilkoblingsfri, personvernbevarende måte. Gjennom simulering har vi modellert og testet en optimalisert løsning. Våre hovedfunn konkluderer med at et klynget nettverk med en aggressiv datadroppstrategi gir best ytelse. Vi har kommet frem til at det er nødvendig med kontrolltiltak som Time-To-Live og å forkaste dupliserte pakker for å oppnå en optimalisert løsning. Videre øker en klynget topologi med kontrolltiltak den totale ytelsen med 99,6% sammenlignet med en fullstendig tilkoblet topologi. En liten økning i kravene til nodedeltakelse skaper imidlertid en uforholdsmessig økning i trafikk.

Contact tracing is a manual process used by health agencies to map individuals' social interactions and is performed when individuals become infected to locate others at-risk. The Covid-19 pandemic increased the need to digitalize this process and shift data processing onto hand-held devices such as personal mobile phones. Digital contact tracing applications are divided into centralized and decentralized models -- the latter attempts to strengthen privacy. A drawback of the decentralized model is that it limits the ability of health agencies to gather statistics and granular data. In this thesis, the goal was to provide a possible solution to this problem and study the solution's performance. We present a method of using Bluetooth Low Energy with controlled flooding and Homomorphic Encryption to gather data in a distributed, connectionless, privacy-preserving manner. Through simulation, we have modeled and tested an optimized solution. Our main findings conclude that a clustered network with an aggressive data drop strategy delivers the best performance. We determined that control measures such as Time-To-Live and dropping duplicate packets were required to achieve an optimized solution. Further, a clustered topology with controlled flooding increases the overall performance by 99.6% compared to a fully connected topology. However, a small increase in node participation requirements creates a disproportionate increase in traffic overhead.