[논문 리뷰] Data Protection: Combining Fragmentation, Encryption, and Dispersion, a final report

Gérard Memmi, Katarzyna Kapusta외 2명|arXiv (Cornell University)|2015. 12. 09.

Cryptography and Data Security참고 문헌 49인용 수 6

한 줄 요약

이 논문은 고도로 발전한 지속적 공격에 대응하기 위해 데이터 분할, 엔드 투 엔드 암호화, 다수의 기계에 분산된 스토리지 기반의 새로운 데이터 보호 프레임워크인 분할, 암호화, 분산 시스템(Fragmentation, Encryption, and Dispersion System, FEDS)을 제안한다. 공개 및 비공개 조각으로 데이터를 분리하고, 강력한 암호화를 적용하며, 지리적으로 분산된 노드에 조각을 산재시킴으로써, 지속적인 공격 조건에서도 낮은 오버헤드로 높은 기밀성, 무결성, 내성 확보가 가능하다.

ABSTRACT

Hardening data protection using multiple methods rather than 'just' encryption is of paramount importance when considering continuous and powerful attacks in order to observe, steal, alter, or even destroy private and confidential information.Our purpose is to look at cost effective data protection by way of combining fragmentation, encryption, and dispersion over several physical machines. This involves deriving general schemes to protect data everywhere throughout a network of machines where they are being processed, transmitted, and stored during their entire life cycle. This is being enabled by a number of parallel and distributed architectures using various set of cores or machines ranging from General Purpose GPUs to multiple clouds. In this report, we first present a general and conceptual description of what should be a fragmentation, encryption, and dispersion system (FEDS) including a number of high level requirements such systems ought to meet. Then, we focus on two kind of fragmentation. First, a selective separation of information in two fragments a public one and a private one. We describe a family of processes and address not only the question of performance but also the questions of memory occupation, integrity or quality of the restitution of the information, and of course we conclude with an analysis of the level of security provided by our algorithms. Then, we analyze works first on general dispersion systems in a bit wise manner without data structure consideration; second on fragmentation of information considering data defined along an object oriented data structure or along a record structure to be stored in a relational database.

연구 동기 및 목표

• 분산 환경에서 개인적이고 기밀적인 데이터를 대상으로 하는 고도로 발전한 지속적 공격의 증가 추세에 대응하기 위해.
• 다양한 물리적 기계에 걸쳐 분할, 암호화, 분산을 통합하는 비용 효율적이고 확장 가능한 데이터 보호 모델을 설계하기 위해.
• 처리, 전송, 스토리지 기간 동안 전체 수명 주기 동안 데이터의 기밀성, 무결성, 가용성을 보장하기 위해.
• 실제 위협 모델 하에서 제안된 FEDS 아키텍처의 성능, 메모리 효율성, 보안 강도를 평가하기 위해.
• 다양한 아키텍처, 다중 클라우드, GPU 클러스터, 이종 컴퓨팅 환경 등에 적용 가능한 일반 목적의 프레임워크를 제공하기 위해.

제안 방법

• 시스템은 민감한 정보를 공개 조각과 비공개 조각으로 나누는 선택적 데이터 분할을 사용하여 핵심 데이터의 노출을 최소화한다.
• 비공개 조각은 분포 전에 강력한 대칭 암호화 알고리즘을 사용하여 기밀성을 확보한다.
• 데이터 손실 방지를 위해 중복 기반의 방식을 사용하여 다수의 독립된 스토리지 노드에 조각을 산재시킨다.
• 아키텍처는 저수준 데이터를 위한 비트 수준의 분산과 구조화된 데이터(예: 데이터베이스, 객체 지향 모델)를 위한 객체/레코드 수준의 분할을 모두 지원한다.
• 핵심 구성 요소로는 기밀성 보장을 위해 정당한 당사자만 원본 데이터를 재구성할 수 있도록 보장하는 안전한 키 관리 및 재구성 프로토콜을 사용한다.
• 시스템은 기반 하드웨어에 관계없이 설계되어 일반 목적의 CPU, GPU, 클라우드 인fra구조 등에 모두 배포 가능하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 신뢰할 수 없는 분산 환경에서 정보를 저장하고 전송할 때 데이터 기밀성을 어떻게 극대화할 수 있는가?
• RQ2 분산 시스템에서 분할, 암호화, 분산을 결합했을 때의 성능 및 메모리 오버헤드는 어떠한가?
• RQ3 다수의 분산된 조각 간에 데이터의 무결성과 재구성 정확도는 어떻게 유지할 수 있는가?
• RQ4 FEDS 모델은 고도로 발전한 지속적 공격과 내부자 공격에 대해 어느 정도의 보안 수준을 제공하는가?
• RQ5 다양한 데이터 구조, 예를 들어 관계형 데이터베이스와 객체 지향 모델에 대해 시스템은 어떻게 효율적으로 확장하고 적응시킬 수 있는가?

주요 결과

• FEDS 아키텍처는 어느 한 노드도 완전하거나 의미 있는 데이터를 보유하지 않도록 하여 강력한 기밀성을 확보한다. 즉, 노드가 해킹되더라도 그렇다.
• 시스템은 최적화된 조각 처리 및 암호화 파이프라인을 사용할 경우 낮은 메모리 오버헤드와 높은 성능을 보여준다.
• 원본 데이터의 재구성은 정확하고 신뢰할 수 있으며, 암호화 체크섬과 액세스 제어 메커니즘을 통해 무결성이 검증된다.
• 보안 모델은 다수의 노드가 해킹되더라도 수동 도청 및 능동적 변조 공격에 저항할 수 있도록 한다.
• 기존 스토리지 및 컴퓨팅 인fra구조, 다중 클라우드 및 GPU 가속 환경 등에 원활하게 통합 가능하다.
• 선택적 분할을 사용함으로써 민감한 데이터가 단일 조각에 노출되는 것을 최소화하여 공격 표면을 줄였다.