[논문 리뷰] Libertas: Privacy-Preserving Collective Computation for Decentralised Personal Data Stores

Rui Zhao, Naman Goel외 8명|arXiv (Cornell University)|2023. 09. 28.

Cryptography and Data SecurityComputer Science인용 수 3

한 줄 요약

Libertas는 기존 프로토콜을 수정하지 않고도 분산 개인 데이터 스토어(PDS), 예를 들어 Solid과 같은 PDS에 보안 다자간 계산(MPC)과 차등적 비밀유지 기법을 통합하는 모듈식이며 프라이버시를 보장하는 계산 아키텍처를 제안한다. 이는 선형 성능 증가를 보이며 확장 가능하고 신뢰 최소화된 집단적 데이터 분석을 가능하게 하며, 가상 근로자 수입 집계 및 합성 데이터 생성과 같은 실제 사례에서 검증되었다.

ABSTRACT

Data and data processing have become an indispensable aspect for our society. Insights drawn from collective data make invaluable contribution to scientific and societal research and business. But there are increasing worries about privacy issues and data misuse. This has prompted the emergence of decentralised personal data stores (PDS) like Solid that provide individuals more control over their personal data. However, existing PDS frameworks face challenges in ensuring data privacy when performing collective computations with data from multiple users. While Secure Multi-Party Computation (MPC) offers input secrecy protection during the computation without relying on any single party, issues emerge when directly applying MPC in the context of PDS, particularly due to key factors like autonomy and decentralisation. In this work, we discuss the essence of this issue, identify a potential solution, and introduce a modular architecture, Libertas, to integrate MPC with PDS like Solid, without requiring protocol-level changes. We introduce a paradigm shift from an `omniscient' view to individual-based, user-centric view of trust and security, and discuss the threat model of Libertas. Two realistic use cases for collaborative data processing are used for evaluation, both for technical feasibility and empirical benchmark, highlighting its effectiveness in empowering gig workers and generating differentially private synthetic data. The results of our experiments underscore Libertas' linear scalability and provide valuable insights into compute optimisations, thereby advancing the state-of-the-art in privacy-preserving data processing practices. By offering practical solutions for maintaining both individual autonomy and privacy in collaborative data processing environments, Libertas contributes significantly to the ongoing discourse on privacy protection in data-driven decision-making contexts.

연구 동기 및 목표

• 사용자가 데이터 제어권을 유지하지만 공동 데이터 처리 과정에서 위험이 존재하는 탈중앙화된 개인 데이터 스토어(PDS)에서 종단 간 프라이버시 보장 계산의 부재를 해결하기 위해.
• Solid과 같은 PDS 프레임워크에 MPC와 차등적 비밀유지 기법을 통합하면서도 탈중앙화성과 사용자 자율성을 유지하기 위해.
• 입력 프라이버시, 출력 프라이버시, 최소한의 신뢰, 확장성, 일반성이라는 다섯 가지 핵심 요구사항을 모두 충족하는 시스템을 설계하기 위해.
• 실제 사용 사례를 통해 아키텍처의 실현 가능성과 확장성을 평가하기 위해. 이는 가상 근로자 데이터 집계 및 차등적 비밀유지 합성 데이터 생성을 포함한다.
• 위임-탈중앙화된 MPC 모델이 선형 확장성과 실제 도입을 위한 최적화가 가능함을 입증하기 위해.

제안 방법

• 계산 에이전트가 데이터 소유자의 대리자로서 MPC 프로토콜을 수행하는 위임-탈중앙화된 MPC 모델을 도입하여 신뢰도와 통신 오버헤드를 감소시킨다.
• 다양한 PDS 사용자가 제공하는 분산된 데이터를 기반으로 함수를 안전하게 계산하기 위해 기반 MPC 프레임워크로 MP-SPDZ를 사용한다.
• 입력 및 출력 데이터를 모두 보호하기 위해 MPC와 차등적 비밀유지 기법을 결합하여 추론 공격에 대한 저항성을 확보한다.
• 기존의 PDS 프로토콜(예: Solid)과의 호환성을 유지하는 모듈식 아키텍처를 적용하여 프로토콜 수준의 변경 없이도 구현 가능하다.
• 실제 워크로드에서 성능 향상을 위해 클라이언트-빈닝과 같은 작업 특화 최적화 기법을 적용한다. 이는 통신 라운드 수를 줄이는 데 기여한다.
• 다양한 수의 데이터 제공자와 계산 워크로드에서의 성능 평가를 위해 실증 기반 벤치마크를 활용한다.

실험 결과

연구 질문

• RQ1 기존 핵심 프로토콜을 변경하지 않고도 MPC를 Solid과 같은 탈중앙화된 개인 데이터 스토어에 통합할 수 있는 방법은 무엇인가?
• RQ2 탈중앙화되고 신뢰 최소화된 환경에서 확장 가능하고 프라이버시를 보장하는 공동 계산을 가능하게 하는 아키텍처 모델은 무엇인가?
• RQ3 제안된 시스템은 실제 워크로드에서 데이터 제공자의 수에 비례해 선형 확장성을 달성할 수 있는가?
• RQ4 MPC와 차등적 비밀유지 기법을 결합함으로써 탈중앙화된 데이터 처리에서 프라이버시 보장을 어떻게 강화할 수 있는가?
• RQ5 탈중앙화된 PDS 환경에서 MPC의 실제 도입을 위해 효과적인 성능 최적화 기법은 무엇인가?

주요 결과

• Libertas 아키텍처는 데이터 제공자의 수에 비례해 계산 시간이 선형적으로 증가하는 선형 확장성을 달성한다. 한 시나리오에서 제공자 수가 10명에서 1000명으로 증가할 경우 계산 시간은 단지 1.2% 증가에 그친다.
• 간단한 계산에서 다수의 데이터 제공자가 참여할 경우 설정 시간이 총 실행 시간을 지배하므로, 설정 단계의 최적화가 성능 향상에 매우 중요하다는 점을 확인했다.
• 가상 근로자 지원 사례에서 계산 시간은 스케일에 비례해 천천히 증가하여, 탈중앙화 환경에서의 실제 도입 가능성과 타당성을 입증했다.
• 벤치마크 결과에 따르면, 위임-탈중앙화된 MPC 모델이 직접-탈중앙화 모델보다 확장성 면에서 뛰어나다는 점을 확인했다.
• 클라이언트-빈닝 및 프로토콜 수준 최적화가 특히 MWEM 기반 합성 데이터 생성 워크로드에서 통신 및 계산 오버헤드를 크게 감소시켰다.
• 실증 평가를 통해 Libertas가 입력 및 출력 프라이버시를 모두 보장함을 입증했으며, 신뢰 중개자가 없는 상태에서 합성 데이터 생성과 같은 고영향력 응용 프로그램을 가능하게 했다.