[논문 리뷰] Prio: Private, Robust, and Scalable Computation of Aggregate Statistics

Henry Corrigan-Gibbs, Dan Boneh|arXiv (Cornell University)|2017. 03. 18.

Cryptography and Data Security참고 문헌 100인용 수 146

한 줄 요약

Prio는 비밀 공유 비상호작용 증명(SNIPs)과 affine-aggregatable encodings를 사용하여 대규모 클라이언트 집합에 대해 프라이버시를 보장하는 비공개 집계를 가능하게 하고, 잘못된 클라이언트에 대한 견고성과 확장성을 달성합니다.

ABSTRACT

This paper presents Prio, a privacy-preserving system for the collection of aggregate statistics. Each Prio client holds a private data value (e.g., its current location), and a small set of servers compute statistical functions over the values of all clients (e.g., the most popular location). As long as at least one server is honest, the Prio servers learn nearly nothing about the clients' private data, except what they can infer from the aggregate statistics that the system computes. To protect functionality in the face of faulty or malicious clients, Prio uses secret-shared non-interactive proofs (SNIPs), a new cryptographic technique that yields a hundred-fold performance improvement over conventional zero-knowledge approaches. Prio extends classic private aggregation techniques to enable the collection of a large class of useful statistics. For example, Prio can perform a least-squares regression on high-dimensional client-provided data without ever seeing the data in the clear.

연구 동기 및 목표

• 대규모 모집단으로부터의 집계 통계의 프라이버시 보장을 위한 수집을 동기부여한다.
• 프라이버시를 보존하면서 악의적 클라이언트에 대해 견고한 시스템을 개발한다.
• 개인 데이터를 노출하지 않고 제출을 인증하기 위해 SNIPs를 도입한다.
• 광범위한 집계 클래스를 지원하기 위한 데이터 인코딩 기술을 통합하고 확장한다.
• 이전 방식에 비해 규모 확장성과 실용성(실용성 및 효율성)을 입증한다.

제안 방법

• 비공개 데이터를 노출하지 않고 클라이언트 제출을 검증하기 위해 secret-shared non-interactive proofs (SNIPs)를 도입한다.
• 클라이언트 데이터를 인코딩하여 합계가 원하는 통계로 해독될 수 있도록 affine-aggregatable encodings (AFEs)을 사용한다.
• 기본 합계에 대한 기본 스킴으로 Upload, Aggregate, Publish의 3단계 간단한 방식을 사용한다.
• 악의적 클라이언트에 대한 견고함을 보장하기 위해 SNIPs를 다항식 항등성 테스트와 Beaver에서 영감을 받은 MPC와 함께 확장한다.
• AFEs와 SNIPs를 결합하여 개별 입력을 누출하지 않으면서 복잡한 통계를 계산한다.
• 안전성 정의(익명성, f-프라이버시, 견고성)를 제공하고 합리적인 위협 모델 하에서 정보 이론적 프라이버시를 분석한다.

실험 결과

연구 질문

• RQ1 개인 데이터 프라이버시를 보존하면서 악의적 클라이언트 제출에 대한 민감한 집계를 어떻게 견고하게 만들 수 있는가?
• RQ2 소수의 비협조 서버가 집계가 아닌 개별 입력에 대해 사실상 아무것도 알아내지 못하도록 할 수 있는가?
• RQ3 효율적인 검증 및 대규모의 광범위한 집계 계산을 가능하게 하는 메커니즘(SNIPs 및 AFEs)은 무엇인가?
• RQ4 프라이버시, 견고성 및 성능이 기존의 NIZK/NIZK 기반 접근법 및 SNARK/SNARK 유사 방법과 비교하여 어떻게 되는가?
• RQ5 실무 배치를 위한 실용적인 성능 특성(지연 시간, 처리량)은 어떤가?

주요 결과

• 적극적으로 신뢰할 수 있는 한 서버가 존재하는 한, 서버는 개별 입력에 대해 거의 아무것도 집계 외의 정보를 알지 못한다.
• SNIPs는 정보 이론적 보장과 낮은 서버 통신으로 클라이언트 제출의 안전하고 비대화식 검증을 가능하게 한다.
• Affine-aggregatable encodings를 사용하면 인코딩의 합계를 해독하여 복잡한 통계를 계산할 수 있어 효율적이고 확장 가능한 집계를 가능하게 한다.
• NIZKs 및 SNARK 기반 방법과 비교해 Prio는 서버 작업을 수 차례 줄이고 클라이언트 작업은 50–100배 감소시키며 비공개 기준선에 비해 총 지연은 약 5.7배 증가한다.
• Prio는 분산 서버 클러스터에서 약 2 ms 수준의 클라이언트 제출 지연과 434개 질문에 대한 26 ms의 클라이언트 계산 등 실용적인 대규모 배포를 지원한다.
• SNIP 프레임워크는 프라이버시나 확장성을 희생하지 않으면서 비신뢰 클라이언트에 대한 견고함을 제공한다.