Los datos de ubicación, que provienen principalmente de dispositivos móviles y aplicaciones, son altamente sensibles, ya que pueden revelar información personal crítica, como lugares de residencia, trabajo, y actividades cotidianas. Para mitigar estos riesgos, diversos enfoques han sido utilizados anteriormente, tales como la ofuscación de datos y técnicas criptográficas. Sin embargo, estos métodos tienen limitaciones, como la dependencia del anonimato en datos de terceros.
ZKLP permite a los usuarios demostrar su presencia en un área geográfica sin revelar su ubicación exacta, con una utilidad que no sacrifica precisión. A diferencia de soluciones previas, ZKLP es una de las primeras metodologías que posibilita pruebas de geolocalización no interactivas que son públicamente verificables y que respetan la privacidad del usuario.
Un punto clave en el desarrollo de ZKLP es la idea de que no aborda la falsificación de ubicación, sino que se enfoca en validar la utilidad de los datos de ubicación. Esto significa que se necesitaría un paso complementario para confirmar la autenticidad de esos datos. Los investigadores sugieren que podría implicar el uso de redes de comunicación con terceros, como sistemas de señalización de dispositivos o redes de navegación satelital.
El concepto detrás de ZKLP se basa en un mecanismo criptográfico denominado «argumento de conocimiento no interactivo sucinto» (ZK-Snark), que permite a una parte probar que conoce cierta información sin tener que revelarla. Este enfoque se adapta a un sistema de redes global discreto (DGGS), que divide el mundo en celdas hexagonales, permitiendo a los usuarios especificar el nivel de precisión que desean en sus datos de localización.
Sin embargo, el uso de DGGS presenta un desafío, ya que muchos de los cálculos involucrados requieren operaciones aritméticas de punto flotante, que son más complejas que las de punto fijo. Los investigadores trabajaron para optimizar el cálculo de snarks que utilizan esta aritmética, logrando un sistema que no solo es más seguro, sino también más eficiente computacionalmente.
Los resultados han demostrado una mejora significativa: en comparación con una implementación estándar de punto fijo, la nueva metodología presenta una reducción de 15.9 veces en restricciones para valores de punto flotante FP32 y 12.2 veces para FP64. Esto permite a ZKLP ejecutar pruebas de proximidad a una velocidad notable, alcanzando hasta 470 pares por segundo, lo que es especialmente valioso para aplicaciones que requieren verificación rápida y segura de datos de ubicación.
Además de evaluar la proximidad sin comprometer la privacidad, los autores plantean que ZKLP puede integrarse eficientemente en flujos de trabajo de autenticación, como el sistema C2PA (Coalición para la procedencia y la autenticidad del contenido). Esto permite que la ubicación de una fotografía utilizada en un proceso de captura sea autenticada mientras se sigan ocultando los detalles específicos, garantizando así la privacidad del autor.
Finalmente, se subraya que la flexibilidad de ZKLP podría abrir nuevas oportunidades en el ámbito de la inteligencia artificial, dado que muchos parámetros en estos sistemas son representados como números de punto flotante. Con esta innovadora técnica, los investigadores no solo abordan un desafío inmediato de privacidad, sino que también facilitan un camino hacia aplicaciones más seguras y eficientes en el manejo de datos de ubicación.
Enlace de la fuente, haz clic para tener más información