[論文レビュー] Privacy-Preserving Credit Card Fraud Detection using Homomorphic Encryption

David Nugent|arXiv (Cornell University)|Nov 12, 2022

Cryptography and Data Security被引用数 4

ひとこと要約

この論文は、同型暗号（HE）を用いたプライバシー保護型クレジットカード不正検知システムを提案しており、機密情報を露呈せずに暗号化された取引データ上で安全な推論を可能にする。HE暗号化XGBoostとフィードフォワードニューラルネットワークモデルを実装・比較した結果、XGBoostは推論が著しく高速（6ms 対 296ms）でありながらも、高い検知性能を維持しており、プライバシー保証のもとでの実世界への導入可能性を示している。

ABSTRACT

Credit card fraud is a problem continuously faced by financial institutions and their customers, which is mitigated by fraud detection systems. However, these systems require the use of sensitive customer transaction data, which introduces both a lack of privacy for the customer and a data breach vulnerability to the card provider. This paper proposes a system for private fraud detection on encrypted transactions using homomorphic encryption. Two models, XGBoost and a feedforward classifier neural network, are trained as fraud detectors on plaintext data. They are then converted to models which use homomorphic encryption for private inference. Latency, storage, and detection results are discussed, along with use cases and feasibility of deployment. The XGBoost model has better performance, with an encrypted inference as low as 6ms, compared to 296ms for the neural network. However, the neural network implementation may still be preferred, as it is simpler to deploy securely. A codebase for the system is also provided, for simulation and further development.

研究の動機と目的

• 機密性の高い顧客取引データをプレーンテキストで処理する従来のクレジットカード不正検知システムにおけるプライバシーおよびセキュリティリスクに対処すること。
• 同型暗号（HE）を用いた安全な推論を可能にする、暗号化された取引データ上でプライベートな不正検知を実現するシステムの設計および実装。
• 実世界の不正検知文脈において、HE暗号化XGBoostおよびニューラルネットワークモデルのパフォーマンス、遅延、導入可能性を評価すること。
• シミュレーションおよびさらなる開発を可能にする、公開可能なコードベースを提供すること。

提案手法

• 標準的な機械学習パイプラインを用いて、ULBおよびVestaのプレーンテキスト取引データセット上でXGBoostおよびフィードフォワードニューラルネットワークモデルを訓練。
• CKKSおよびPaillier方式を用いて、訓練済みモデルを同型暗号対応バージョンに変換し、暗号化された入力に対する計算を可能にする。
• PyTorch互換のHEライブラリであるTenSEALを用いて、両モデルの暗号化推論の実装およびベンチマークを実施。
• XGBoostの木の比較には順序保存暗号化（OPE）を、ニューラルネットワークのレイヤーにはCKKSを用い、同型演算をサポート。
• クライアントが取引を暗号化し、ホストがプレーンテキストデータにアクセスせずに推論を実行するクライアント・ホストアーキテクチャを想定してシステムをシミュレート。
• 標準的な不正検知指標（AUC、F1、適合率、再現率）を用いてモデルのパフォーマンスを評価し、暗号化データにおける遅延およびストレージオーバーヘッドをベンチマーク。

実験結果

リサーチクエスチョン

• RQ1 同型暗号を用いて、モデルの性能を損なわせることなく、クレジットカード不正検知のためのプライベート推論を効果的に実現できるか？
• RQ2 現実的な不正検知環境において、HE暗号化XGBoostとニューラルネットワークモデルの遅延およびストレージオーバーヘッドはどのように比較されるか？
• RQ3 実世界の取引データ上で、HE暗号化XGBoostとニューラルネットワークを用いた場合、検知精度と推論速度のトレードオフはどのようなものか？
• RQ4 OPEベースの比較に起因するHE暗号化XGBoostにおける情報漏洩リスクは、どのように扱われるか？
• RQ5 生産環境でのスケーリングを考慮した場合、HEベースの不正検知の実用的導入課題と最適化の可能性は何か？

主な発見

• HE暗号化XGBoostモデルは、最短で6msの推論遅延を達成し、HE暗号化ニューラルネットワーク（296ms）を著しく上回った。
• ULBデータセットにおいて、XGBoostモデルはF1スコア0.87、AUC 0.92を達成し、優れた検知性能を示した。
• ニューラルネットワークモデルは、暗号化された重みおよび中間活性化を格納する必要があるため、より高いストレージオーバーヘッドを示したが、デプロイメントがより単純だった。
• ULBおよびVestaの両データセットにおいて、XGBoostモデルはニューラルネットワークを上回る検知性能を示し、特に偽陰性の削減に優れていた。
• 高い遅延が伴うものの、ニューラルネットワーク実装は、より単純かつより安全なデプロイメントパイプラインであるため、実際の応用では好まれる可能性がある。
• OPEベースの比較に起因するHE-XGBoostにおける潜在的な情報漏洩が同定され、安全な訓練またはモデルの難読化の必要性が示唆された。