[논문 리뷰] k-Nearest Neighbor Classification over Semantically Secure Encrypted Relational Data

Bharath K. Samanthula, Yousef Elmehdwi외 1명|arXiv (Cornell University)|2014. 03. 19.

Cryptography and Data Security인용 수 10

한 줄 요약

이 논문은 클라우드 환경에서 의미적으로 안전한 암호화된 관계형 데이터에 대해 프라이버시를 보장하는 k-최근접 이웃(k-NN) 분류기를 제안한다. 이는 데이터, 쿼리, 액세스 패턴을 드러내지 않은 채 암호화된 데이터 상에서 안전한 분류를 가능하게 하며, 사전 계산을 통해 온라인 계산을 33% 빠르게 하고, 병렬 처리를 활용해 최대 6배의 성능 향상을 달성한다. 클라이언트 측 오버헤드는 최소한이다.

ABSTRACT

Data Mining has wide applications in many areas such as banking, medicine, scientific research and among government agencies. Classification is one of the commonly used tasks in data mining applications. For the past decade, due to the rise of various privacy issues, many theoretical and practical solutions to the classification problem have been proposed under different security models. However, with the recent popularity of cloud computing, users now have the opportunity to outsource their data, in encrypted form, as well as the data mining tasks to the cloud. Since the data on the cloud is in encrypted form, existing privacy preserving classification techniques are not applicable. In this paper, we focus on solving the classification problem over encrypted data. In particular, we propose a secure k-NN classifier over encrypted data in the cloud. The proposed k-NN protocol protects the confidentiality of the data, user's input query, and data access patterns. To the best of our knowledge, our work is the first to develop a secure k-NN classifier over encrypted data under the semi-honest model. Also, we empirically analyze the efficiency of our solution through various experiments.

연구 동기 및 목표

• 외주화된 클라우드 데이터베이스에서 의미적으로 암호화된 데이터에 대해 k-NN 분류를 수행하는 데 도전하는 문제를 해결하기 위해.
• 암호화된 형식으로 데이터베이스 및 사용자 쿼리 레코드의 기밀성을 유지하기 위해.
• 암호화된 데이터 액세스 패턴을 클라우드 및 사용자 모두로부터 숨기어, 추론 공격을 방지하기 위해.
• 사용자에게는 최종 클래스 레이블만 공개하고, 중간 결과의 泄露가 없도록 보장하기 위해.
• 실제 클라우드 환경에 구현 가능한 효율적인 프로토콜을 설계하고 성능 최적화를 수행하기 위해.

제안 방법

• 프로토콜은 의미적으로 안전한 암호화를 사용하여 속성 단위의 데이터 및 쿼리 레코드를 보호함으로써 기밀성을 확보한다.
• 민감한 데이터나 액세스 패턴을 드러내지 않고 k-NN 거리 계산을 수행하기 위해 보안 다자간 계산 기반 접근법을 도입한다.
• 암호화된 거리를 복호화하지 않고도 비교하기 위해 랜덤화된 암호화 및 보안 비교 프로토콜을 활용한다.
• 암호화된 데이터 상에서 k-가장 가까운 이웃을 식별하기 위해 보안 최소값 계산(SMINn) 프로토콜을 적용한다.
• 온라인 계산 비용을 33% 감소시키기 위해 사전 계산을 통해 랜덤 암호화(예: 0과 1의 암호화)를 수행한다.
• OpenMP를 통한 병렬 처리를 통해 스테이지 1 계산을 최적화하여 6코어 시스템에서 최대 6배의 성능 향상을 달성한다.

실험 결과

연구 질문

• RQ1 의미적으로 암호화된 관계형 데이터에 대해 클라우드 환경에서 k-NN 분류기를 안전하게 실행할 수 있는가?
• RQ2 분류 과정 중 데이터베이스 및 사용자 쿼리의 기밀성을 어떻게 유지할 수 있는가?
• RQ3 k-NN 검색 중 어떤 레코드가 액세스되는지와 같은 데이터 액세스 패턴을 클라우드 및 사용자 모두로부터 숨길 수 있는가?
• RQ4 대규모 데이터셋에 대해 보안 k-NN를 확장 가능하게 하기 위해 어떤 성능 최적화를 적용할 수 있는가?
• RQ5 사전 계산과 병렬 처리가 실질적인 보안 k-NN의 효율성에 어떤 영향을 미치는가?

주요 결과

• 제안된 PP k-NN 프로토콜은 사전 계산을 사용할 경우 스테이지 1의 온라인 계산 비용을 33.86% 감소시켰으며, k=10 및 K=1024비트일 때 시간을 127.72분에서 84.47분으로 줄였다.
• OpenMP를 통한 병렬 처리로 스테이지 1의 계산 비용은 k=25일 때 127.72분에서 55.5분으로 감소하여 6코어 머신에서 최대 6배의 성능 향상을 달성했다.
• 프로토콜의 총 네트워크 지연 시간은 약 2분(스테이지 1에서 123.79초)이었으며, 이는 총 계산 비용에 비해 상당히 낮아 통신이 성능 저하의 원인이 되지 않는다는 것을 시사한다.
• Bob의 쿼리 암호화 계산 비용은 512–1024비트 키일 때 각각 4–17밀리초에 불과하여 자원 제약이 있는 디바이스에서도 매우 효율적임을 보였다.
• 프로토콜은 데이터 액세스 패턴을 성공적으로 숨기며, 사용자에게는 최종 클래스 레이블만 공개하고 중간 결과의 泄露가 없음을 보장하여 반신뢰 모델 하에서 모든 프라이버시 요구사항을 충족시켰다.
• 이 프로토콜은 클라우드에서 의미적으로 암호화된 데이터에 대해 보안 k-NN 분류를 동시에 수행하면서 데이터, 쿼리, 액세스 패턴을 모두 보호하는 최초의 프로토콜이다.