[論文レビュー] Chameleon: A Hybrid Secure Computation Framework for Machine Learning Applications

M. Sadegh Riazi, Christian Weinert+4 more|arXiv (Cornell University)|Jan 10, 2018

Cryptography and Data Security参考文献 74被引用数 51

ひとこと要約

Chameleon は、GC、GMW、加法秘密分散をオフラインの準正直な第三者とハイブリッド化することで、高速な二者間セキュア計算フレームワークを実現し、 private machine learning を含む効率的なベクトル内積とニューラルネットワークを可能にします。

ABSTRACT

We present Chameleon, a novel hybrid (mixed-protocol) framework for secure function evaluation (SFE) which enables two parties to jointly compute a function without disclosing their private inputs. Chameleon combines the best aspects of generic SFE protocols with the ones that are based upon additive secret sharing. In particular, the framework performs linear operations in the ring $\mathbb{Z}_{2^l}$ using additively secret shared values and nonlinear operations using Yao's Garbled Circuits or the Goldreich-Micali-Wigderson protocol. Chameleon departs from the common assumption of additive or linear secret sharing models where three or more parties need to communicate in the online phase: the framework allows two parties with private inputs to communicate in the online phase under the assumption of a third node generating correlated randomness in an offline phase. Almost all of the heavy cryptographic operations are precomputed in an offline phase which substantially reduces the communication overhead. Chameleon is both scalable and significantly more efficient than the ABY framework (NDSS'15) it is based on. Our framework supports signed fixed-point numbers. In particular, Chameleon's vector dot product of signed fixed-point numbers improves the efficiency of mining and classification of encrypted data for algorithms based upon heavy matrix multiplications. Our evaluation of Chameleon on a 5 layer convolutional deep neural network shows 133x and 4.2x faster executions than Microsoft CryptoNets (ICML'16) and MiniONN (CCS'17), respectively.

研究の動機と目的

• Y private machine learning および MLaaS シナリオのための効率的な安全な関数評価 (SFE) の動機付け。
• ハイブリッドプロトコル混合を用いて、 private inputs を持つ関数を二者間で計算することでスケーラビリティと性能を向上させる。
• ML タスクに向けて ABY を逐次回路と Z2l の加法共有を用いた線形演算のサポートへ拡張する。
• semi-honest third party を介したオフラインフェーズへ重い演算をオフロードすることでオンラインの暗号作業を削減する。

提案手法

• Yao’s Garbled Circuits、Goldreich–Micali–Wigderson のプロトコル、加法秘密分散をハイブリッドなフレームワークで組み合わせる。
• オフラインの semi-honest third party (STP) を用いて OT 拡張と乗算三重項、シード展開を事前計算し効率化する。
• 関数を GC/GMW 用の逐次回路と Z2l における線形操作の混合として表現する。
• Du-Atallah の乗算に基づく高速なベクトル内積プロトコルを実装し、行列乗算を効率化する。
• 実行時にプロトコル間の切り替えを許し、回路の深さとオンライン通信を最適化するため、ABY に触発された共有タイプの翻訳を行う。

実験結果

リサーチクエスチョン

• RQ1 GC、GMW、加法秘密分散を混合することで、ML ワークロードの高効率な二者間セキュア計算フレームワークをどのように実現できるか？
• RQ2 オフライン STP、シード展開、事前計算といったオフロード戦略は、 secure ML タスクのオンラインフェーズの性能をどのように実現可能にするか？
• RQ3 Chameleon は逐次回路と符号付き固定小数点演算をサポートして、深層学習および ML アプリケーションにより適合させることができるか？
• RQ4 ML ワークロードに対する既存の SFE フレームワークや HE ベースのアプローチと比較して、性能向上はどの程度か？

主な発見

• Chameleon はオンライン通信量を ABY と比較して算術とブール乗算三重項で最大 321x、256x 少なくする。
• Microsoft CryptoNets と比較して、5 層 CNN で 133x の高速化を実現。
• MiniONN と比較して、同等の設定で 4.2x の高速化を達成。
• 符号付き固定小数点演算を 16、32、64 ビット表現でサポートしており、行列乗算を要する ML タスクに対応。
• オフラインの事前計算と STP ベースのプロトコルはオンラインの暗号計算負荷と通信を大幅に削減する。
• Chameleon は、オフライン第三者が相関乱数とシードを生成する実用的な二者間セキュア計算モデルを提供する。