[論文レビュー] Private Stream Aggregation Revisited

Filipp Valovich, Francesco Aldà|arXiv (Cornell University)|Jul 29, 2015

Privacy-Preserving Technologies in Data参考文献 15被引用数 3

ひとこと要約

本稿は、鍵準同型性を持つ弱擬似乱数関数を用いて、標準モデルにおける計算的完全性を備えたPrivate Stream Aggregation（PSA）方式を再考し、効率的な復号と強力なプライバシー保証を実現する。また、従来の手法に比べて精度と性能が向上する、Skellam分布に基づく新たな摂動メカニズムを導入する。

ABSTRACT

In this work, we investigate the problem of private statistical analysis in the distributed and semi-honest setting. In particular, we study properties of Private Stream Aggregation schemes, first introduced by Shi et al. \cite{2}. These are computationally secure protocols for the aggregation of data in a network and have a very small communication cost. We show that such schemes can be built upon any key-homomorphic extit{weak} pseudo-random function. Thus, in contrast to the aforementioned work, our security definition can be achieved in the extit{standard model}. In addition, we give a computationally efficient instantiation of this protocol based on the Decisional Diffie-Hellman problem. Moreover, we show that every mechanism which preserves $(ε,δ)$-differential privacy provides extit{computational} $(ε,δ)$-differential privacy when it is executed through a Private Stream Aggregation scheme. Finally, we introduce a novel perturbation mechanism based on the extit{Skellam distribution} that is suited for the distributed setting, and compare its performances with those of previous solutions.

研究の動機と目的

• PSA方式の標準モデルにおけるセキュリティモデルを確立し、ランダムオракルに依存しないようにする。
• 大規模な平文空間に対しても高速な復号が可能な、決定的Diffie-Hellman仮定に基づく効率的なPSAインスタンスを設計する。
• 安全なPSA方式を介して実行される情報理論的微分プライバシー機構と計算的微分プライバシーの間の正式な関係を確立する。
• 分散型ノイズ追加プロトコルに適した、Skellam分布に基づく新たな摂動メカニズムを開発・分析する。

提案手法

• 任意の鍵準同型性を持つ弱擬似乱数関数を用いてPSA方式を構築し、標準モデルにおけるセキュリティを実現する。
• 平方安全素数の平方剰余群における決定的Diffie-Hellman仮定を用いて、弱擬似乱数関数をインスタンス化する。
• 対称的Skellam分布を用いた新しいノイズ生成メカニズムを導入し、分散型微分プライバシーをサポートする。
• モーメント生成関数と尾確率不等式を用いて、Skellamメカニズムのプライバシー境界を導出する。
• バイアス付きコイン投げに基づく還元を用いて、PSAのセキュリティと計算的微分プライバシーを結びつける。
• $(\alpha,\beta)$-精度境界を用いて精度を分析し、$\epsilon$, $\delta$, および感度$S(f)$に依存する誤差式を導出する。

実験結果

リサーチクエスチョン

• RQ1 ランダムオラクルに依存せずに、標準モデルにおけるセキュリティ保証を持つPrivate Stream Aggregation方式を構築できるか？
• RQ2 DDHなどの数論的仮定を用いて、大規模な展開に適したPSA方式をどのように効率的にインスタンス化できるか？
• RQ3 情報理論的$(\epsilon,\delta)$-微分プライバシーを保つメカニズムが、安全なPSA方式を介して実行された場合、計算的$(\epsilon,\delta)$-微分プライバシーを保持するか？
• RQ4 Skellam分布を分散型微分プライバシープロトコルにおけるノイズ分布として効果的に使用できるか？
• RQ5 $(\epsilon,\delta)$-微分プライバシーを保つために、Skellam分布の分散$\mu$の最もタイトな達成可能な境界は何か？

主な発見

• 提案されたPSA方式は、鍵準同型性を持つ弱擬似乱数関数に依存することで、標準モデルにおけるセキュリティを達成し、ランダムオラクルモデルの必要性を排除する。
• 平方剰余におけるDDH仮定に基づくインスタンス化により、特に大規模な平文空間において復号が著しく高速化され、暗号化時間の増加はわずかである。
• 本稿では、安全なPSA方式を介して実行される任意の情報理論的$(\epsilon,\delta)$-微分プライバシー機構が、計算的$(\epsilon,\delta)$-微分プライバシーを保持することを確立する。
• Skellamベースのメカニズムは、$(\epsilon,\delta)$-微分プライバシーを保証するため、分散 $\mu \geq \frac{\log(1/\delta)}{1 - \cosh(\epsilon/S(f)) + (\epsilon/S(f)) \cdot \sinh(\epsilon/S(f))}$ が必要である。
• Skellamメカニズムの精度は、$\alpha = \frac{S(f)}{\epsilon} \cdot \left(\log(2/\beta) + \log(1/\delta)\right)$ で抑えられ、これは従来の境界よりもタイトであり、$\delta$ が定数のとき$S(f)/\epsilon$に線形に依存する。
• 各ユーザーの分散を $\mu_{\text{user}} = \mu / (\gamma n)$ として分散ノイズを生成することで、合計ノイズは分散$\mu/\gamma$の対称的Skellam分布を維持し、同じプライバシー予算下でも精度が保たれる。