[논문 리뷰] Collaborative Homomorphic Computation on Data Encrypted under Multiple Keys

Asma Aloufi, Peizhao Hu|arXiv (Cornell University)|2019. 11. 11.

Cryptography and Data Security참고 문헌 20인용 수 7

한 줄 요약

이 논문은 여러 키로 암호화된 데이터에 대한 효율적인 공동 계산을 가능하게 하는 하이브리드 임계값 및 다중키 히든 암호화(HE) 기법을 제안한다. 모델 소유자들과의 공동 키를 사전에 생성하고, 클라이언트 키를 실시간으로 암호문에 동적으로 확장함으로써, 암호문 차원을 (N+1)×2에서 2×2로 감소시키고, 암호화된 모델 복사본 수를 P에서 1로 줄여, 보안적인 공동 기계학습에서의 효율성과 확장성을 크게 향상시킨다.

ABSTRACT

Homomorphic encryption (HE) is a promising cryptographic technique for enabling secure collaborative machine learning in the cloud. However, support for homomorphic computation on ciphertexts under multiple keys is inefficient. Current solutions often require key setup before any computation or incur large ciphertext size (at best, grow linearly to the number of involved keys). In this paper, we proposed a new approach that leverages threshold and multi-key HE to support computations on ciphertexts under different keys. Our new approach removes the need for key setup between each client and the set of model owners. At the same time, this approach reduces the number of encrypted models to be offloaded to the cloud evaluator, and the ciphertext size with a dimension reduction from (N+1)x2 to 2x2. We present the details of each step and discuss the complexity and security of our approach.

연구 동기 및 목표

• 참여 키 수에 따라 성능이 급격히 떨어지는 기존의 다중키 히든 암호화(MKHE) 기법의 비효율성을 해결하기 위해.
• 공동 기계학습 환경에서 각 클라이언트와 모델 소유자 그룹 간의 반복적인 키 설정 과정을 제거하기 위해.
• 클라우드에 저장되는 암호화된 모델 복사본 수를 P(클라이언트당 하나)에서 단 1개로 줄이기 위해.
• 암호문 차원 증가를 최소화하여, MKHE에서의 (N+1)×2에서 제안된 기법에서의 2×2로 감소시키기 위해.
• 하이브리드 임계값 및 다중키 HE 기반의 접근 방식을 통해 다수의 키로 암호화된 데이터에 대해 보안적이고 확장성 있고 효율적인 히든 암호화 평가를 지원하기 위해.

제안 방법

• 방법론은 임계값 HE와 다중키 HE를 융합한다: N명의 모델 소유자 간에 임계값 HE를 사용해 공동 키를 사전 생성함으로써 공유 복호화를 가능하게 한다.
• 각 클라이언트 요청 시, 공동 키에서 시작해 실시간으로 클라이언트의 개별 키를 포함하도록 암호문을 확장함으로써, 클라이언트별 키 설정 과정을 피한다.
• 기본 기반으로 BGV 히든 암호화 기법을 활용하며, 이를 기반으로 1×2의 암호문 차원을 기준으로 삼는다.
• 암호문 확장은 동적으로 수행되어, 각 클라이언트에 대해 다시 암호화하거나 다시 키 설정하지 않고도 히든 암호화 연산을 수행할 수 있다.
• 새로운 MPC 기반 복호화 프rotocol를 도입하여, 참가자 전원의 부분 복호화 결과를 조합해 최종 결과를 복원한다.
• 보안 모델은 LWE 가정에 기반하며, 단일 당사자가 협력 없이 결과를 복호화할 수 없도록 하여 프라이버시를 유지한다. 또한 단일 홉 및 다중 홉 평가를 모두 지원한다.

실험 결과

연구 질문

• RQ1 임계값 및 다중키 HE를 융합한 하이브리드 접근 방식이 공동 히든 암호화 계산에서 계산 및 저장 오버헤드를 줄일 수 있는가?
• RQ2 다수의 키로 암호화된 데이터에 대해 히든 암호화 평가를 지원할 때 암호문 차원을 어떻게 최소화할 수 있는가?
• RQ3 암호화된 모델 복사본 수를 P에서 1로 줄일 수 있는가, 이때 보안성과 정확성은 유지되는가?
• RQ4 다자 간 공동 기계학습 환경에서 클라이언트별 키 설정 과정을 제거하는 것이 가능한가?
• RQ5 동적으로 실시간으로 암호문을 확장하는 방식을 임계값 키 관리와 효율적으로 통합하여 확장 가능한 보안 계산을 지원할 수 있는가?

주요 결과

• 제안된 기법은 표준 다중키 HE에서의 (N+1)×2 암호문 차원을 2×2로 감소시켜 저장 및 통신 오버헤드를 크게 줄였다.
• 클라우드에 저장되는 암호화된 모델 복사본 수가 P(클라이언트당 하나)에서 단 1개로 감소하여 효율성과 확장성 향상이 뚜렷하다.
• 클라이언트와 모델 소유자 간 반복적인 키 설정 과정이 제거되어 공동 계산 파이프라인의 흐름이 간소화된다.
• 하이브리드 임계값 및 다중키 HE 프레임워크를 기반으로 다수의 키로 암호화된 데이터에 대해 보안적인 히든 암호화 평가를 지원한다.
• 보안 모델은 LWE 가정에 기반하며, 협력 없이 단일 당사자가 결과를 복호화할 수 없어 프라이버시가 보장된다.
• 기존 MKHE 기법 대비 암호문 크기를 줄이고 성능을 향상시켜 효율적이고 확장성 있고 보안적인 공동 기계학습을 실현한다.