[論文レビュー] Privacy-Preserving Image Retrieval Based on Additive Secret Sharing

Zhihua Xia, Qi Gu+3 more|arXiv (Cornell University)|Sep 15, 2020

Cryptography and Data Security参考文献 41被引用数 5

ひとこと要約

本稿では、加法的秘密分散を用いて、機密性の高い画像データを露呈せずにクラウド上で安全かつ効率的かつ正確にコンテンツベースの画像検索を実現するプライバシー保護型画像検索方式を提案する。数と行列に対する新しい安全計算プロトコル（特に、安全なCNN特徴抽出、PCA圧縮、インデックス構築）を設計することで、従来のPPCBIR手法に比べて著しく効率が向上したまま、平文レベルの正確性を達成する。

ABSTRACT

The rapid growth of digital images motivates individuals and organizations to upload their images to the cloud server. To preserve privacy, image owners would prefer to encrypt the images before uploading, but it would strongly limit the efficient usage of images. Plenty of existing schemes on privacy-preserving Content-Based Image Retrieval (PPCBIR) try to seek the balance between security and retrieval ability. However, compared to the advanced technologies in CBIR like Convolutional Neural Network (CNN), the existing PPCBIR schemes are far deficient in both accuracy and efficiency. With more cloud service providers, the collaborative secure image retrieval service provided by multiple cloud servers becomes possible. In this paper, inspired by additive secret sharing technology, we propose a series of additive secure computing protocols on numbers and matrices with better efficiency, and then show their application in PPCBIR. Specifically, we extract CNN features, decrease the dimension of features and build the index securely with the help of our protocols, which include the full process of image retrieval in the plaintext domain. The experiments and security analysis demonstrate the efficiency, accuracy, and security of our scheme.

研究の動機と目的

• 高精度なコンテンツベースの画像検索（CBIR）とプライバシー保護型CBIR（PPCBIR）のギャップを埋めるために、暗号化された特徴量上で安全に計算を実行できる仕組みを提供すること。
• 特にディープラーニングモデルにおける複雑で非線形な演算（例：畳み込み層）に対して、従来のPPCBIR手法の非効率さと低精度を克服すること。
• 計算コストの高い関数暗号に依存せずに、2つの協調しないクラウドサーバーを用いた共同安全な画像検索を可能にすること。
• 特徴圧縮やインデックス構築に不可欠な、行列演算（例：逆行列）および比較演算に対する効率的で定数ラウンドの安全プロトコルを設計すること。
• 安全な特徴圧縮（例：PCA）およびインデックス構築が、プライバシーと正確性を損なわずに実現可能であることを示すこと。

提案手法

• 2つの協調しないクラウドサーバーに跨る加法的秘密分散を活用し、暗号化された画像特徴量を分散し、安全に計算すること。
• 基本的な演算（特に安全な比較と安全な行列逆行列）に対して、効率的で定数ラウンドの安全プロトコルを設計すること。
• 暗号化された画像上で事前学習済みのVGG16ネットワークから特徴量を安全に抽出するプロトコルを適用し、モデルの正確性を保持すること。
• 安全な行列逆行列プロトコルを用いて、暗号化された特徴量の次元削減に向けた安全なPCAを実装すること。
• 安全な比較プロトコルを拡張し、安全なソーティングを可能とすることで、効率的な安全なインデックス構築（例：HKMインデックス）を実現すること。
• 信頼できる第三者（または画像所有者）が事前に乱数行列を生成することで、安全な距離計算のためのオフラインオーバーヘッドを最小限に抑えること。

実験結果

リサーチクエスチョン

• RQ1 加法的秘密分散を用いて、行列逆行列や安全な比較といった複雑な演算に対して、効率的で定数ラウンドの安全計算プロトコルを設計できるか？
• RQ2 秘密分散を用いた安全なCNN特徴抽出が、モデル性能を損なわせることなく、暗号化された画像上で効率的かつ正確に実行可能か？
• RQ3 通信量と計算量のオーバーヘッドを最小限に抑えて、プライバシー保護型で特徴圧縮（例：PCA）を実現できるか？
• RQ4 暗号化された特徴量と組み合わせた安全なインデックス構築（例：HKM）が、セキュリティを損なわず検索効率を向上させるか？
• RQ5 提案手法が、平文ベースのCBIRと同等の検索正確性を達成しつつ、強力なプライバシー保証を維持できるか？

主な発見

• 提案手法は、平文ベースの基準と同一の検索正確性を達成しており、安全プロトコルが損失なしに動作していることを確認した。
• 安全なVGG16推論パイプラインを用いた特徴抽出は、最近のCNNベースのPPCBIR手法よりも著しく高速であり、処理時間は10分の1に削減された。
• 行列逆行列プロトコルを用いた安全なPCA圧縮により、1クエリあたり平均1.184秒のオフライン計算で効率的な次元削減が可能となった。
• 特徴抽出、圧縮、距離計算を含む総合的な検索時間は、Corel-1kでは6秒未塔、Corel-10kでは35秒未塔であり、高い効率性を示した。
• オフライン段階では1秒間に最大1,000クエリを処理でき、1クエリあたりの計算時間がわずか1msにとどまり、実世界の展開に実用的であることを示した。
• 安全なソーティングおよびインデックス構築（例：HKM）の導入により、誤検出が減少し、特にCorel-1kのような小規模データセットにおいて検索精度が向上した。