差分プライバシー × DeFi — 系譜と設計原理

DP-CFMM (FC 2022) — AMM price-privacy トレードオフ

問題：CFMM はなぜプライバシーを提供できないか

Uniswap 等の CFMM は swap を公開的に処理する。攻撃者が個別 swap を高精度で再構成できる理由：

解決策：Uniform Random Execution (URE)

数学的保証

ε ∝ curvature(CFMM) × swap 数

curvature = 0  (Constant Sum) → ε = 0 → 完全プライバシー
  └─ ただし adverse selection が発生 (price が動かない)

curvature > 0  (Uniswap 等) → ε > 0 → 情報が漏洩
  └─ URE で最小化可能だが完全には消せない

Lower bound: curvature ≠ 0 の CFMM では URE をほぼ超えられない
→ URE は最適に近いメカニズム

適用可能 CFMM と実装可能性

限界

Correlated-Output DP + Dark Pools (AFT 2023)

標準 DP の死角：ダークプールでの失敗

具体的な攻撃シナリオ

設定: 取引量の少ない市場
  Alice が毎日 10:00 に同量を Buy 注文

攻撃者（= 他の参加者）が行うこと:
  - Alice の出力「約定した / 不成立」を 30 日間観察
  - 約定した日 → 誰か Sell を出した他クライアントが存在
  - 不成立の日 → Sell が少なかった

結果:
  → 他クライアントの取引パターンが高精度で推測可能
  → 標準 DP はこの出力相関による漏洩を保護しない

新概念の定義

∀ client i, j  (i ≠ j):
  Pr[出力_i から 入力_j を特定]
  ≤ exp(ε) × baseline + δ

Round DP
  ⊂ Standard DP
  ∩ Correlated-Output DP

→ 入力のプライバシーも
  出力相関からのプライバシーも
  同時に保証

解決策 1：Fuzzy Order Matching

解決策 2：Round-DP Liquidity Provider Mechanism

実装

Atlas-X (AAMAS 2024) — 金融業界初の DP 本番稼働

Axe List とは何か、なぜ漏洩が問題か

特に危険なケース

• Concentrated client: ある銘柄を 50% 超保有するクライアントが存在する場合、そのクライアントの取引方向が Axe List から直接露呈
• 過去ログとの差分分析 → 個別クライアントの長期戦略が再構成される

Continual Observation 下での DP

Utility の定量化

utility = 「真値からのずれによる銀行の保有コスト」

真の Axe List → DP ノイズ追加 → 公開 Axe List
        ↓ずれ
  ヘッジファンドの最適化が若干悪化
  → 銀行の financing コストが若干増加 [P&L 損失]

DP-privacy tradeoff を P&L 損失として定量化
→ ε を大きくすれば utility 高い、小さくすればプライバシー高い

本番稼働の詳細

歴史的位置づけ：学術 → 実運用の成功例

設計上の判断軸 + 比較分析

DP を DeFi に適用する 4 つの判断軸

1. 「隣接データセット」をどう定義するか

2. Utility と Privacy のトレードオフをどう定量化するか

3. Composition をどう管理するか

単一クエリ: ε = 1.0 (問題なし)
T 回の繰り返し (naive):
  ε_total = T × ε = T  (T が大きいと budget 枯渇)

Atlas-X の解決策:
  counter-based mechanism を使用
  → 累積が線形より遅い (√T など)
  → 長期運用でも budget 管理可能

DP-CFMM の Composition:
  → スワップを重ねると ε が累積する
  → 長期的な戦略は依然として漏洩しうる (未解決)

4. MPC / ZK との組み合わせ

3 論文の設計選択比較

系譜 + 未解決問題

DP × DeFi の詳細系譜図

未解決問題

DP の「成熟度評価」