[論文レビュー] Asymmetric Private Set Intersection with Applications to Contact Tracing and Private Vertical Federated Machine Learning

Nick Angelou, Ayoub Benaissa+10 more|arXiv (Cornell University)|Nov 18, 2020

Privacy-Preserving Technologies in Data参考文献 38被引用数 22

ひとこと要約

本論文は、DDHに基づく暗号技術とブルームフィルターキャンプレスを組み合わせることで通信オーバーヘッドを低減する、非対称プライベートセットインタセクション（PSI）およびPSI・カルディナリティ（PSI-C）のオープンソースでマルチランゲージなライブラリを提示する。このライブラリは、x86およびブラウザ環境をカバーするC++、C、Go、JavaScript、Python、Rust、WebAssemblyをサポートし、最小限のクロスランゲージオーバーヘッドで高いパフォーマンスを達成し、エンドツーエンドのデータ保護を実現するプライバシー保護型連絡先トレーシングおよび垂直フェデレーテッドラーニングを可能にする。

ABSTRACT

We present a multi-language, cross-platform, open-source library for asymmetric private set intersection (PSI) and PSI-Cardinality (PSI-C). Our protocol combines traditional DDH-based PSI and PSI-C protocols with compression based on Bloom filters that helps reduce communication in the asymmetric setting. Currently, our library supports C++, C, Go, WebAssembly, JavaScript, Python, and Rust, and runs on both traditional hardware (x86) and browser targets. We further apply our library to two use cases: (i) a privacy-preserving contact tracing protocol that is compatible with existing approaches, but improves their privacy guarantees, and (ii) privacy-preserving machine learning on vertically partitioned data.

研究の動機と目的

• 実際の展開においてPSIとPSI-Cの両方をサポートするクロスプラットフォームでマルチランゲージなPSIライブラリの不足に対処すること。
• サーバーサイドデータのブルームフィルターに基づく圧縮を用いて、非対称PSI設定における通信複雑性を低減すること。
• 連絡先トレーシングや垂直分割された機械学習といった感受性の高い分野におけるプライバシー保護プロトコルの実用的展開を可能にすること。
• 最新のプログラミング言語とブラウザ環境を最初からしっかりサポートする、プロダクション運用に適したオープンソース実装を提供すること。
• 2つの実世界のユースケースを通じて、ライブラリの実用性を示すこと：プライバシー保護型連絡先トレーシングと安全な垂直フェデレーテッドラーニング。

提案手法

• プロトコルは、サーバーサイドのブルームフィルターを用いて暗号化されたセットを圧縮することで、非対称設定における通信量を削減するDDHベースのPSIフレームワークを採用する。
• クライアントはランダムキーを送信し、ブルームフィルターを照会して潜在的なインタセクションを特定する。サーバーは、フィルターに一致する暗号化された要素を応答する。
• 誤検出はブルームフィルターのパラメータで制御され、公開パラメータの適切なシミュレーションにより、DDH仮定の下でセキュリティが保証される。
• ライブラリはC++、C、Go、JavaScript、Python、Rustのバインディングを提供し、WebAssemblyにコンパイル可能でブラウザで実行可能である。
• パフォーマンス向上のため、シリアル化にはプロトコルバッファを用い、C++コアでは最適化された楕円曲線演算を活用する。
• Golomb圧縮されたセットを用いたより通信効率の良いバージョンも実装されているが、主な実験では完全に評価されていない。

実験結果

リサーチクエスチョン

• RQ1 通信オーバーヘッドを最小限に抑えつつ、強固なプライバシー保証を維持するマルチランゲージでクロスプラットフォームなPSIライブラリを構築可能か？
• RQ2 ブルームフィルター圧縮は、大規模なサーバーサイドデータセットを伴う実世界の展開において、PSIの通信コストをどれほど低減できるか？
• RQ3 ブラウザを含むさまざまなプログラミング言語と実行環境でも、パフォーマンスをどれほど維持できるか？
• RQ4 このライブラリは、既存のプロトコルを上回る実用的でプライバシー保護型の連絡先トレーシングを可能にするか？
• RQ5 PSIは垂直フェデレーテッドラーニングパイプラインに効果的に統合可能か？ これにより、モデル学習中に生データを保護できるか？

主な発見

• C++、C、Go、Python間でパフォーマンスがほぼ同一であり、言語バインディングに起因するオーバーヘッドが最小限に抑えられており、楕円曲線演算が実行時間を支配する。
• WebAssemblyおよびJavaScriptバージョンは、現代のブラウザでネイティブC++と比較して10倍未満のパフォーマンスオーバーヘッドを示し、10万要素に対してクライアント側の計算が3分未満で完了する。
• オンラインフェーズにおける通信量は、最も近い先行研究（Kalesら[26]）と比べて顕著に低く抑えられているが、プロトコルバッファシリアル化のため、わずかに設定メッセージサイズが大きい。
• 100万のサーバーサイド要素と1,000のクライアント要素に対して、設定メッセージサイズは241.54 MiBであり、誤検出率は10^-9である。
• ライブラリはすべての主要プラットフォームとプログラミング言語をサポートしており、このような広範な言語およびプラットフォームカバレッジを提供する最初のPSIライブラリである。
• Golomb圧縮されたセットを用いたより通信効率の良いバージョンはブルームフィルターと比較してデータ構造のサイズを小さくするが、完全な評価は今後の作業に任せられている。