[논문 리뷰] Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation

Jamie Cui, Chaochao Chen외 3명|arXiv (Cornell University)|2022. 02. 15.

Stochastic Gradient Optimization Techniques인용 수 15

한 줄 요약

이 논문은 데이터 희소성 문제를 해결하면서도 사용자 프라이버시를 보장하기 위해 암호화된 덧셈형 동형 암호화(HE)와 개인 정보 검색(PIR)을 활용하는 안전한 크로스플랫폼 소셜 추천 시스템을 제안한다. 사용자-아이템 상호작용을 암호화하고 암호화된 행렬을 기반으로 비밀스럽게 쿼리할 수 있도록 하여, 원시 데이터를 드러내지 않은 채 플랫폼 간 협업 추천을 가능하게 하며, 강력한 보안 보장을 바탕으로 효율적이고 프라이버시를 보장하는 크로스플랫폼 추천을 실현한다.

ABSTRACT

Social recommendation has shown promising improvements over traditional systems since it leverages social correlation data as an additional input. Most existing work assumes that all data are available to the recommendation platform. However, in practice, user-item interaction data (e.g.,rating) and user-user social data are usually generated by different platforms, and both of which contain sensitive information. Therefore, "How to perform secure and efficient social recommendation across different platforms, where the data are highly-sparse in nature" remains an important challenge. In this work, we bring secure computation techniques into social recommendation, and propose S3Rec, a sparsity-aware secure cross-platform social recommendation framework. As a result, our model can not only improve the recommendation performance of the rating platform by incorporating the sparse social data on the social platform, but also protect data privacy of both platforms. Moreover, to further improve model training efficiency, we propose two secure sparse matrix multiplication protocols based on homomorphic encryption and private information retrieval. Our experiments on two benchmark datasets demonstrate the effectiveness of S3Rec.

연구 동기 및 목표

• 사용자 데이터가 플랫폼 간 분산되어 있는 크로스플랫폼 소셜 추천 시스템에서의 데이터 희소성 문제를 해결하기 위해.
• 원시 사용자-아이템 상호작용 데이터를 드러내지 않은 채 플랫폼 간 안전한 협업을 가능하게 하기 위해.
• 추천 계산 과정에서 어느 플랫폼도 상대방의 민감한 데이터를 알게 되지 않도록 사용자 프라이버시를 유지하기 위해.
• PIR와 동형 암호화를 활용하여 암호화된 사용자-아이템 행렬에 대한 비밀스러운 쿼리를 지원하는 효율적인 프로토콜을 설계하기 위해.
• 강력한 암호 보안 가정 하에 실용적인 성능을 달성하는 보안 크로스플랫폼 추천에서의 성능을 확보하기 위해.

제안 방법

• 시스템은 덧셈형 동형 암호화 키 쌍 (pk, sk)를 생성하며, pk는 P₀에서 P₁로 공유되어 암호화된 데이터 전송을 가능하게 한다.
• 사용자-아이템 상호작용 x_i,j는 HE를 사용하여 암호화되어 암호화된 행렬 E를 형성하며, e_i,j = Enc(pk, x_i,j)로 정의된다.
• P₁은 P₀에게 특정 암호화된 요소를 검색하기 위해 쿼리 q_i,j = PIR.Query(i + jk)를 전송한다.
• P₀은 r_i,j = PIR.Response(E, q_i,j)로 응답하며, 이는 P₁로 다시 전송된다.
• P₁은 응답을 PIR.Extract(r_i,j)를 사용하여 복호화하여 원래의 e_i,j 값을 복원하고 이를 T에 저장한다.
• 이 프로토콜은 P₀가 P₁의 쿼리 내용을 알 수 없으며, P₁이 요청한 항목 외의 P₀의 데이터를 알 수 없도록 보장한다.

실험 결과

연구 질문

• RQ1 크로스플랫폼 소셜 추천에서 데이터 희소성을 어떻게 완화하면서도 사용자 프라이버시를 보장할 수 있는가?
• RQ2 어떤 암호 기반 원리들이 추천을 위한 안전하고 효율적인 크로스플랫폼 데이터 공유를 가능하게 하는가?
• RQ3 PIR와 덧셈형 HE를 효과적으로 통합하여 암호화된 사용자-아이템 행렬에 대한 비밀스러운 액세스를 지원할 수 있는가?
• RQ4 실세계 추천 환경에서 PIR와 HE를 사용할 경우 발생하는 성능 오버헤드는 어떠한가?
• RQ5 추천 과정에서 어느 플랫폼도 의도한 정보 이외의 정보를 더 이상 알 수 없도록 시스템은 어떻게 보장할 수 있는가?

주요 결과

• 제안된 프로토콜은 덧셈형 HE와 PIR를 활용하여 사용자 데이터를 보호하면서도 안전한 크로스플랫폼 소셜 추천을 성공적으로 실현한다.
• 시스템은 P₁이 요청한 암호화된 항목들만 학습하며, P₀는 쿼리 내용을 전혀 알 수 없도록 보장한다.
• PIR의 사용은 암호화된 행렬 E에 대한 액세스 패턴을 드러내지 않은 채 비밀스러운 액세스를 가능하게 한다.
• 프로토콜은 데이터 기밀성을 유지하고 플랫폼 간 민감한 사용자 상호작용 정보 泄露를 방지한다.
• HE와 PIR의 통합은 희소한 사용자-아이템 행렬에 대한 효율적이고 안전한 계산을 가능하게 하여 데이터 희소성 문제를 완화한다.
• HE와 PIR에 대한 표준 가정 하에 강력한 보안 보장을 확보하여 크로스플랫폼 협업에서의 프라이버시를 보장한다.