[논문 리뷰] Chameleon: A Hybrid Secure Computation Framework for Machine Learning Applications

M. Sadegh Riazi, Christian Weinert외 4명|arXiv (Cornell University)|2018. 01. 10.

Cryptography and Data Security참고 문헌 74인용 수 51

한 줄 요약

Chameleon은 GC, GMW, 및 additive secret sharing을 오프라인의 반정직 제3자와 하이브드로 결합한 두 당사자 간 빠른 비밀 계산 프레임워크로, 프라이빗 머신러닝을 가능하게 하며 효율적인 벡터 내적 및 신경망을 포함한다.

ABSTRACT

We present Chameleon, a novel hybrid (mixed-protocol) framework for secure function evaluation (SFE) which enables two parties to jointly compute a function without disclosing their private inputs. Chameleon combines the best aspects of generic SFE protocols with the ones that are based upon additive secret sharing. In particular, the framework performs linear operations in the ring $\mathbb{Z}_{2^l}$ using additively secret shared values and nonlinear operations using Yao's Garbled Circuits or the Goldreich-Micali-Wigderson protocol. Chameleon departs from the common assumption of additive or linear secret sharing models where three or more parties need to communicate in the online phase: the framework allows two parties with private inputs to communicate in the online phase under the assumption of a third node generating correlated randomness in an offline phase. Almost all of the heavy cryptographic operations are precomputed in an offline phase which substantially reduces the communication overhead. Chameleon is both scalable and significantly more efficient than the ABY framework (NDSS'15) it is based on. Our framework supports signed fixed-point numbers. In particular, Chameleon's vector dot product of signed fixed-point numbers improves the efficiency of mining and classification of encrypted data for algorithms based upon heavy matrix multiplications. Our evaluation of Chameleon on a 5 layer convolutional deep neural network shows 133x and 4.2x faster executions than Microsoft CryptoNets (ICML'16) and MiniONN (CCS'17), respectively.

연구 동기 및 목표

• 프라이빗 머신러닝 및 MLaaS 시나리오를 위한 효율적인 보안 함수 평가(SFE)를 고무한다.
• 확장성과 성능을 향상시키기 위해 하이브리드 프로토콜 혼합을 사용하여 비공개 입력으로 함수를 계산할 수 있도록 두 당사자를 가능하게 한다.
• ML 작업을 위해 ABY를 순차 회로와 부호 있는 고정 소수점 수를 지원하도록 확장한다.
• 오프라인의 반정직 제3자를 통해 무거운 연산을 오프라인 단계로 넘겨 온라인 암호학적 작업을 줄인다.

제안 방법

• Yao의 Garbled Circuits, Goldreich–Micali–Wigderson 프로토콜, 그리고 additive secret sharing을 하이브리드 프레임워크로 결합한다.
• 효율성을 위해 오프라인의 반정직 제3자(STP)를 사용해 OT 확장 및 곱셈 삼중항, 시드 확장을 사전에 계산한다.
• 함수를 GC/GMW용 순차 회로와 additive shares를 가진 Z2l의 선형 연산 혼합으로 표현한다.
• Du-Atallah 곱셈에 기반한 빠른 벡터 내적 프로토콜을 구현하여 행렬 곱셈의 효율을 높인다.
• 실행 시간에 프로토콜 간 전환을 허용해 회로 깊이와 온라인 통신을 최적화하고 ABY에서 영감을 얻은 공유 타입 변환을 적용한다.

실험 결과

연구 질문

• RQ1 GC, GMW, 및 additive secret sharing을 혼합함으로써 ML 작업부하에 대해 두 당사자 간 보안 계산 프레임워크가 어떻게 높은 효율을 달성할 수 있는가?
• RQ2 오프로드 전략(오프라인 STP, 시드 확장, 사전 계산)이 안전한 ML 작업의 실용적인 온라인 단계 성능을 어떻게 가능하게 하는가?
• RQ3 Chameleon이 심층 학습 및 ML 애플리케이션에 더 잘 적응하도록 순차 회로와 부호 있는 고정 소수점 산술을 지원할 수 있는가?
• RQ4 ML 작업 부하에 대해 기존 SFE 프레임워크 및 HE 기반 접근 방식에 비해 어떤 비교 성능 향상이 있는가?

주요 결과

• Chameleon은 ABY에 비해 산술 및 부울 곱셈 삼중항에 대해 최대 321배 및 256배 적은 온라인 통신을 달성한다.
• Microsoft CryptoNets와 비교할 때 Chameleon은 5-layer CNN에서 133배 빠른 성능을 제공한다.
• 유사한 구성에서 MiniONN과 비교했을 때 Chameleon은 4.2배 빠른 성능을 보인다.
• 이 프레임워크는 16, 32, 64비트 표기로 부호 있는 고정 소수점 산술을 지원하여 행렬 곱셈에 의존하는 ML 작업을 가능하게 한다.
• 오프라인 사전 계산 및 STP 기반 프로토콜이 온라인 암호학적 작업량과 통신을 상당히 줄인다.
• Chameleon은 오프라인 제3자가 상관된 난수와 시드를 생성하는 실용적인 두 당사자 간 보안 계산 모델을 제공한다.