[論文レビュー] Privacy-Preserving and Outsourced Multi-User k-Means Clustering

Bharath K. Samanthula, Fang-Yu Rao+3 more|arXiv (Cornell University)|Dec 14, 2014

Privacy-Preserving Technologies in Data参考文献 2被引用数 4

ひとこと要約

本稿では、n人のユーザーが暗号化されたデータをフェデレーテッドクラウド環境に安全にアウトソーシングし、共同でクラスタリングを行うことのできる、プライバシーを守る新規のマルチユーザーk-meansクラスタリングプロトコル（PPODC）を提案する。効率的な変換技術により、安全な除算演算を排除することで、半悪意的モデル下でのデータ機密性を確保するとともに、ユーザー側の計算コストを最小限に抑え、クラウド側の計算はデータサイズ、属性数、クラスタ数に線形に増加する。

ABSTRACT

Many techniques for privacy-preserving data mining (PPDM) have been investigated over the past decade. Often, the entities involved in the data mining process are end-users or organizations with limited computing and storage resources. As a result, such entities may want to refrain from participating in the PPDM process. To overcome this issue and to take many other benefits of cloud computing, outsourcing PPDM tasks to the cloud environment has recently gained special attention. We consider the scenario where n entities outsource their databases (in encrypted format) to the cloud and ask the cloud to perform the clustering task on their combined data in a privacy-preserving manner. We term such a process as privacy-preserving and outsourced distributed clustering (PPODC). In this paper, we propose a novel and efficient solution to the PPODC problem based on k-means clustering algorithm. The main novelty of our solution lies in avoiding the secure division operations required in computing cluster centers altogether through an efficient transformation technique. Our solution builds the clusters securely in an iterative fashion and returns the final cluster centers to all entities when a pre-determined termination condition holds. The proposed solution protects data confidentiality of all the participating entities under the standard semi-honest model. To the best of our knowledge, ours is the first work to discuss and propose a comprehensive solution to the PPODC problem that incurs negligible cost on the participating entities. We theoretically estimate both the computation and communication costs of the proposed protocol and also demonstrate its practical value through experiments on a real dataset.

研究の動機と目的

• 計算能力に制限のある環境において、ユーザーが十分な計算能力を持たない場合のプライバシー保護型分散クラスタリング（PPDC）の課題に対処すること。
• 既存のPPDCソリューションの高い通信コストおよび計算コストを克服し、クラスタリングタスクをクラウドに安全にアウトソース可能にする。
• 二つの信頼できないクラウドプロバイダーを備えたフェデレーテッドクラウドモデル下で、実用的で効率的かつプライバシー保護型のマルチユーザーk-meansクラスタリングソリューションを開発すること。
• 計算の全過程において、いかなる段階でもデータの復号化を必要とせず、すべてのユーザーのデータ機密性を保証すること。
• 強力なプライバシー保証と大規模データセットへのスケーラビリティを維持しながら、ユーザー側の計算オーバーヘッドをほぼゼロに抑えること。

提案手法

• 二つの信頼できないクラウドサービスプロバイダー（例：AmazonとGoogle）を用いたフェデレーテッドクラウドアーキテクチャを活用し、暗号化されたデータ上で共同でクラスタリングを実行する。
• 暗号化されたデータ上での順序を保つユークリッド距離関数を構築するために、新規の変換技術を適用し、安全な除算演算の必要性を回避する。
• 同型暗号と安全比較プロトコルを用いて、クラスタ中心点を安全に計算する反復的クラスタリングプロトコルを設計する。
• クラスタ中心点の収束をもとに、しきい値ベースのチェックを用いて暗号化されたデータ上で評価される、安全な終了検出メカニズムを実装する。
• クラスタリングプロセスを段階に分解する：(1) セキュアなデータ集約と距離計算、(2) クラスタ割り当て、(3) セキュアな中心点再計算、(4) 収束チェック。
• ステージ2でのレコードレベルの割り当てを並列化することでパフォーマンス最適化を図り、Spark や Hadoop などのクラウドネイティブ並列処理フレームワークを活用する。

実験結果

リサーチクエスチョン

• RQ1 複数ユーザーの暗号化されたデータ上で、何らかの機密情報を露呈させることなく、k-meansクラスタリングを安全に実行する方法は何か？
• RQ2 プライバシー保護型クラスタリングにおいて、安全な除算演算の必要性を排除する技術は何か？ これにより計算オーバーヘッドがどのように低減されるか？
• RQ3 二つの信頼できないクラウドを備えたフェデレーテッドクラウドモデルは、効率的かつプライベートなクラスタリングを実現できるか？ また、ユーザー側の計算を最小限に抑えられるか？
• RQ4 本プロトコルのスケーラビリティとパフォーマンスのトレードオフは、データ件数（m）、属性数（l）、クラスタ数（k）が変化する大規模データセットに対してどのように現れるか？
• RQ5 クラスタリングパイプライン内の独立した操作を並列化することで、プロトコルの最適化はどの程度達成可能か？

主な発見

• 提案されたPPODCプロトコルは、半悪意的脅威モデル下で、すべてのユーザーのデータ機密性を確保しており、計算中いかなる段階でもユーザーのデータが露呈しない。
• 新規の変換技術により、安全な除算演算が排除され、先行研究と比較して計算複雑度が顕著に低減された。
• オンライン計算時間は、データ件数（m）、属性数（l）、クラスタ数（k）に線形に増加する。m=6,000、l=10、k=8の場合、36.14分の計算時間が要する。
• 合計計算時間の99％以上がステージ2（クラスタ割り当て）に費やされており、これはレコードレベルで高並列性を有する。
• ユーザー側の計算コストはほぼ無視できるレベル（数ミリ秒）であり、リソース制限のあるエンドユーザーにとって実用的である。
• Spark や Hadoop などのクラウドネイティブフレームワークを用いた並列化により、さらにパフォーマンスが向上し、ビッグデータワークロードへのスケーラビリティが向上する。