[논문 리뷰] Building Confidential and Efficient Query Services in the Cloud with RASP Data Perturbation

Huiqi Xu, Shumin Guo외 1명|arXiv (Cornell University)|2012. 12. 04.

Cryptography and Data Security참고 문헌 29인용 수 5

한 줄 요약

이 논문은 클라우드에서 안전하고 효율적인 범위 쿼리 및 kNN 쿼리를 가능하게 하기 위해 순서 유지 암호화, 차원 확장, 무작위 노이즈 주입, 무작위 투영을 조합한 새로운 데이터 편열 기법인 RASP(Random Space Perturbation)을 제안한다. 이 기법은 색인 기반 쿼리 가속을 위해 多차원 범위의 위상적 구조를 유지하면서도, 공식적인 위협 모델 하에 강력한 기밀성과 쿼리 기밀성을 제공하며, 내부 처리 비용은 낮고 쿼리 성능은 선형 이하로 유지한다.

ABSTRACT

With the wide deployment of public cloud computing infrastructures, using clouds to host data query services has become an appealing solution for the advantages on scalability and cost-saving. However, some data might be sensitive that the data owner does not want to move to the cloud unless the data confidentiality and query privacy are guaranteed. On the other hand, a secured query service should still provide efficient query processing and significantly reduce the in-house workload to fully realize the benefits of cloud computing. We propose the RASP data perturbation method to provide secure and efficient range query and kNN query services for protected data in the cloud. The RASP data perturbation method combines order preserving encryption, dimensionality expansion, random noise injection, and random projection, to provide strong resilience to attacks on the perturbed data and queries. It also preserves multidimensional ranges, which allows existing indexing techniques to be applied to speedup range query processing. The kNN-R algorithm is designed to work with the RASP range query algorithm to process the kNN queries. We have carefully analyzed the attacks on data and queries under a precisely defined threat model and realistic security assumptions. Extensive experiments have been conducted to show the advantages of this approach on efficiency and security.

연구 동기 및 목표

• 클라우드에서 데이터 기밀성과 쿼리 기밀성을 유지하면서도 안전하고 효율적이며 확장 가능한 쿼리 서비스를 제공하는 데 도전한다.
• 기존 방법들이 효율성, 보안성 또는 내부 처리 부하 균형을 희생시키는 한계를 극복한다.
• 편열된 데이터 상에서 빠르고 색인 기반의 범위 및 kNN 쿼리 처리를 지원하는 방법을 개발한다.
• 암호화된 데이터와 쿼리 패턴에 대한 알려진 공격에 강력한 내성을 확보한다.
• 클라이언트 측 계산을 최소화하여 클라우드의 확장성과 비용 이점을 최대한 활용한다.

제안 방법

• RASP는 다차원 데이터를 순서 유지 암호화(OPE), 차원 확장, 무작위 노이즈 주입, 무작위 투영을 조합하여 편열함으로써 다차원 범위의 위상적 구조를 유지한다.
• 이 편열 방식은 원본 쿼리 범위가 편열된 공간에서 다면체 영역으로 변환되도록 보장하여 효율적인 색인 및 쿼리 처리를 가능하게 한다.
• 버킷 기반 색인과 집합 기반의 범위 조건을 사용하여 쿼리가 변환되고 처리되는 RASP-편열 데이터를 기반으로 한 범위 쿼리 서비스를 구축한다.
• kNN-R 알고리즘은 RASP 범위 쿼리 서비스를 활용하여 편열된 공간에서 반복적으로 검색 영역을 정밀화함으로써 kNN 쿼리를 해결한다.
• 데이터 및 쿼리 기밀성에 대한 잠재적 공격을 분석하기 위해 위협 모델을 정의한다. 이 모델에는 빈도 공격, 통계적 공격, 거리 타겟 공격 등이 포함된다.
• 대부분의 계산을 클라우드로 이관함으로써 내부 처리 비용을 최소화하고, 최소한의 클라이언트 측 필터링을 통해 프레임워크의 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 다차원 범위의 위상적 구조를 유지함으로써 클라우드에서 효율적인 색인 및 쿼리 처리를 가능하게 하는 데이터 편열 방법을 어떻게 설계할 수 있는가?
• RQ2 암호화 및 변환 기법의 조합으로 강력한 기밀성과 쿼리 기밀성을 확보하면서도 내부 처리 부하를 최소화할 수 있는 방법은 무엇인가?
• RQ3 효율성이나 정밀도를 희생시키지 않고 편열된 데이터 상에서 안전하게 kNN 쿼리를 지원할 수 있는 방법은 무엇인가?
• RQ4 RASP 보호 데이터 및 쿼리에 대한 현실적인 공격 벡터는 무엇이며, 이에 대해 해당 기법은 얼마나 내성을 갖는가?
• RQ5 실제 워크로드 하에서 기존 방법과 비교해 RASP는 쿼리 효율성과 확장성 측면에서 어느 정도의 성능을 유지를 하는가?

주요 결과

• RASP는 다차원 범위 위상 구조를 유지함으로써 범위 쿼리 처리에 대해 선형 이하의 시간 복잡도를 달성하여 편열된 공간에서 효율적인 색인 사용이 가능하다.
• RASP 범위 쿼리 서비스와의 통합을 통해 kNN 쿼리 처리도 효율적으로 지원하며, 클라이언트 측 계산을 최소화한다.
• 합성 및 실세계 데이터셋에 대한 광범위한 실험 결과, RASP는 높은 쿼리 정밀도를 유지하면서도 내부 처리 비용을 크게 감소시킴을 입증했다.
• 정의된 위협 모델 하에서의 보안 분석 결과, 주로 빈도 공격, 통계적 공격, 거리 타겟 공격에 대해 강력한 내성을 확보함을 확인했다.
• OPE, 암호화 색인, Casper와 같은 기존 방법들과 비교해 RASP는 CPEL 기준(기밀성, 기밀성, 효율성, 낮은 내부 처리 비용)에서 더 우수한 균형을 확보한다.
• 대부분의 처리를 클라우드로 이관하면서도 데이터 및 쿼리 기밀성을 보장함으로써 실용적인 클라우드 기반 쿼리 서비스를 가능하게 한다.