[論文レビュー] SANNS: Scaling Up Secure Approximate k-Nearest Neighbors Search

Hao Chen, Ilaria Chillotti+4 more|arXiv (Cornell University)|Apr 3, 2019

Cryptography and Data Security参考文献 78被引用数 12

ひとこと要約

SANNSは、同型暗号、オーバレイ回路、分散効率の悪いRAMを用いてクライアントのクエリとサーバーのデータセットの両方を保護する、スケーラブルな安全なk近傍探索（k-NNS）システムを導入する。これにより、先行研究と比較して最大31倍の高速応答が達成され、最適化された線形スキャンと、O(n + k²)の比較器ベースのトップk選択プロトコルを備えた新規な部分線形クラスタリングベースのアルゴリズムにより、1,000万件のデータベースエントリまでスケーリング可能である。

ABSTRACT

The $k$-Nearest Neighbor Search ($k$-NNS) is the backbone of several cloud-based services such as recommender systems, face recognition, and database search on text and images. In these services, the client sends the query to the cloud server and receives the response in which case the query and response are revealed to the service provider. Such data disclosures are unacceptable in several scenarios due to the sensitivity of data and/or privacy laws. In this paper, we introduce SANNS, a system for secure $k$-NNS that keeps client's query and the search result confidential. SANNS comprises two protocols: an optimized linear scan and a protocol based on a novel sublinear time clustering-based algorithm. We prove the security of both protocols in the standard semi-honest model. The protocols are built upon several state-of-the-art cryptographic primitives such as lattice-based additively homomorphic encryption, distributed oblivious RAM, and garbled circuits. We provide several contributions to each of these primitives which are applicable to other secure computation tasks. Both of our protocols rely on a new circuit for the approximate top-$k$ selection from $n$ numbers that is built from $O(n + k^2)$ comparators. We have implemented our proposed system and performed extensive experimental results on four datasets in two different computation environments, demonstrating more than $18-31 imes$ faster response time compared to optimally implemented protocols from the prior work. Moreover, SANNS is the first work that scales to the database of 10 million entries, pushing the limit by more than two orders of magnitude.

研究の動機と目的

• 医療、バイオメトリクス、金融など、クエリとデータセットの両方が機密に保たれる必要がある敏感な分野におけるプライバシー保護型k-NN検索の重要なニーズに対応すること。
• セミ悪意のある脅威モデルにおいて効率的に動作する安全なk-NNSプロトコルを設計し、出力以外の情報漏洩を一切行わないこと。
• 特に1,000万件のエントリまでスケーリング可能な大規模データセットに対する安全なk-NNSを実現すること。
• 格子ベースの同型暗号、オーバレイ回路、分散効率の悪いRAMを組み合わせ、回路レベルの改善を加えることでパフォーマンスを最適化すること。
• クラスタリングに基づく新規な部分線形時間k-NNSアルゴリズムを導入し、セキュリティを維持しながら計算量と通信量を大幅に削減すること。

提案手法

• SANNSは2つのプロトコルを採用する：O(n + k²)の比較器から構築された最適化されたトップk選択回路を用いた安全な線形スキャン、および距離計算を削減する部分線形クラスタリングベースのアプローチ。
• システムは、安全な距離計算のための格子ベースの加法的同型暗号（AHE）、プライベートな比較論理のためのオーバレイ回路、およびデータへの安全なランダムアクセスのための分散効率の悪いRAM（DORAM）を統合する。
• 近似トップk選択のための新規な回路設計により、比較器の数をO(n log n)からO(n + k²)に削減し、安全計算における効率性を顕著に向上させた。
• クラスタリングベースのプロトコルはk-meansを用いてデータセットをクラスタに分割し、最近隣接するクラスタ内でのみk番目に近い点を特定することで、探索空間を縮小する。
• すべてのプロトコルは、シミュレーションベースのセキュリティを用いてセミ悪意あるモデルで正当化され、出力以外の入力の漏洩がないことを保証する。
• 実装には、効率的なFSSベースのDORAMと距離関数の安全な評価を含む暗号プリミティブの最適化が含まれる。

実験結果

リサーチクエスチョン

• RQ1 1,000万点のデータセットに対して、プライバシーを保持したまま効率的なk-NN検索をスケーリングできるか？
• RQ2 安全計算におけるトップk選択を最適化することで、比較器の数をO(n log n)からO(n + k²)に削減できるか？
• RQ3 同型暗号やオーバレイ回路などの暗号プリミティブを用いて、部分線形時間のk-NNSアルゴリズムを安全に実装できるか？
• RQ4 安全k-NNSのパフォーマンスオーバーヘッドは、平文k-NNSと比較してどの程度で、プロトコルおよび回路設計によって最小限に抑えられるか？
• RQ5 k-NNSの結果における近似が、データセットに関する情報をどの程度漏洩させるか、そしてその漏洩をどのように制限できるか？

主な発見

• SANNSは、最適に実装された先行研究と比較して最大31倍の高速応答を達成し、高速ネットワークでは18.5倍、遅延の高いネットワークでは31.0倍の高速化を実現した。
• システムは1,000万件のデータベースエントリまで安全にスケーリング可能であり、これは従来の限界を2桁以上超えるものであり、大規模応用の実用的妥当性を示している。
• 線形スキャンプロトコルは、高速ネットワークで1.46倍、遅延の高いネットワークで3.51倍の高速化を達成し、通信効率も4.1倍向上した。
• クラスタリングベースのプロトコルは通信量を39倍削減し、最も高いパフォーマンス向上を達成しており、安全計算における部分線形探索の有効性を示している。
• O(n + k²)の比較器を用いた新規なトップk選択回路は、従来のO(n log n)アプローチと比較して計算オーバーヘッドを低減した。
• オリジナルで最適化されていない先行プロトコルの実装を用いても、SANNSは先行研究を上回る性能を示しており、速度向上が単に実装改善によるものではなく、アルゴリズム的革新によるものであることを示している。