[論文レビュー] Sub-Linear Privacy-Preserving Near-Neighbor Search with Untrusted Server on Large-Scale Datasets

M. Sadegh Riazi, Beidi Chen+3 more|arXiv (Cornell University)|Dec 6, 2016

Privacy-Preserving Technologies in Data参考文献 50被引用数 7

ひとこと要約

本稿では、誠実だが好奇な参加者を想定した大規模データセット上で、効率的かつ安全な照合照合検索を可能にする、初めての部分線形かつプライバシー保護型近傍検索プロトコルである「セキュア・ローカリティ・センシティブ・インデクシング（SLSI）」を提案する。この手法は、局所性に敏感なハッシュ（LSH）の新たな確率的変換を活用して、安全なバイナリ埋め込みを生成し、部分線形の照合照合検索時間と情報理論的プライバシー保証を達成する。実世界のデータを用いた実証的評価により、その有効性が裏付けられている。

ABSTRACT

In Near-Neighbor Search (NNS), a new client queries a database (held by a server) for the most similar data (near-neighbors) given a certain similarity metric. The Privacy-Preserving variant (PP-NNS) requires that neither server nor the client shall learn information about the other party's data except what can be inferred from the outcome of NNS. The overwhelming growth in the size of current datasets and the lack of a truly secure server in the online world render the existing solutions impractical; either due to their high computational requirements or non-realistic assumptions which potentially compromise privacy. PP-NNS having query time {\it sub-linear} in the size of the database has been suggested as an open research direction by Li et al. (CCSW'15). In this paper, we provide the first such algorithm, called Secure Locality Sensitive Indexing (SLSI) which has a sub-linear query time and the ability to handle honest-but-curious parties. At the heart of our proposal lies a secure binary embedding scheme generated from a novel probabilistic transformation over locality sensitive hashing family. We provide information theoretic bound for the privacy guarantees and support our theoretical claims using substantial empirical evidence on real-world datasets.

研究の動機と目的

• Liら（CCSW'15）が指摘した長年のオープンな問題である、大規模かつ現実世界の設定において、計算コストが高く非現実的であるか、不切なプライバシー仮定を置く既存のPP-NNSソリューションの非現実性を是正する。
• Liら（CCSW'15）が指摘した長年のオープンな問題である、大規模データセットにスケーリング可能な部分線形照合照合検索時間の実現を、PP-NNSで達成する。
• 誠実だが好奇な脅威モデル下で、クライアントおよびサーバーの両方に対して、強いプライバシー保証（情報理論的セキュリティ）を確保する。
• 局所性に敏感なハッシュ族における新たな確率的変換に基づく、安全なバイナリ埋め込み方式を設計する。
• 実世界のデータセットを用いた広範な実験的評価により、実用的な効率性とプライバシーを実証する。

提案手法

• 局所性に敏感なハッシュ（LSH）族に対する新たな確率的変換を提案し、類似性構造を保持する安全なバイナリ埋め込みを生成する。
• これらの埋め込みを用いて安全なインデックスを構築し、サーバーがクライントのデータを学習せずに効率的かつ部分線形の検索を実行できるようにする。
• 暗号技術を統合し、クライアントおよびサーバーの両方が、照合照合検索の結果とその結果以外の情報を学習しないように保証する。
• 情報理論的分析を用いてプライバシー漏洩を形式的に境界付け、両者に通知されるのは照合照合検索の結果のみであることを保証する。
• クライアントがバイナリ埋め込み上で暗号化または誤魔化された照合照合検索クエリをサーバーに送信できる、安全な計算プロトコルを設計する。
• インデックス構造を最適化し、高速かつ部分線形の照合照合検索時間を実現するとともに、強いプライバシー保証を維持する。

実験結果

リサーチクエスチョン

• RQ1 大規模データベースのサイズに比例する部分線形照合照合検索時間と、強力なプライバシー保証を両立できるPP-NNSシステムは実現可能か？
• RQ2 確率的LSH族への変換に基づく安全なバイナリ埋め込み方式は、どのように設計すれば、効率的かつプライベートな照合照合検索を可能にするか？
• RQ3 このようなシステムにおけるプライバシー漏洩に対して、情報理論的境界をどのように確立できるか？
• RQ4 実世界の大規模データセット上での実用的スケーリングにおいて、SLSIプロトコルはどのように動作するか？
• RQ5 誠実だが好奇な脅威モデル下でも、効率性と強いプライバシーを両立できるか？

主な発見

• SLSIは、データベースサイズに対して部分線形の照合照合検索時間を達成しており、大規模データセットへのスケーリングが可能である。
• 確率的LSH変換に基づく提案された安全なバイナリ埋め込み方式により、効率的かつプライベートなインデキシングが実現できる。
• 情報理論的プライバシー境界が確立され、両者に通知されるのは照合照合検索の結果のみであることが証明された。
• 実世界のデータセットを用いた実証的評価により、プロトコルの効率性と実用性が確認され、スケーリング可能性と低通信オーバーヘッドが示された。
• 誠実だが好奇なモデル下でも、クエリ結果以外の情報漏洩がなく、強いプライバシーが維持された。
• 特に大規模データに対して、SLSIは従来のPP-NNSソリューションに比べ、照合照合検索時間とプライバシー保証の両面で優れている。