[논문 리뷰] Privacy-Preserving Image Retrieval Based on Additive Secret Sharing

Zhihua Xia, Qi Gu외 3명|arXiv (Cornell University)|2020. 09. 15.

Cryptography and Data Security참고 문헌 41인용 수 5

한 줄 요약

이 논문은 암호화된 이미지 데이터를 폭로하지 않고 클라우드 환경에서 안전하고 효율적이며 정확한 콘텐츠 기반 이미지 검색을 가능하게 하기 위해 덧셈 기반 비밀 분할을 사용하는 프라이버시 보장형 이미지 검색 기법을 제안한다. 수치 및 행렬에 대한 새로운 보안 계산 프로토콜(예: 보안적 CNN 특징 추출, PCA 압축, 인덱스 구축)을 설계하여 기존의 PPCBIR 방법에 비해 훨씬 향상된 효율성으로 평문 수준의 정확도를 달성한다.

ABSTRACT

The rapid growth of digital images motivates individuals and organizations to upload their images to the cloud server. To preserve privacy, image owners would prefer to encrypt the images before uploading, but it would strongly limit the efficient usage of images. Plenty of existing schemes on privacy-preserving Content-Based Image Retrieval (PPCBIR) try to seek the balance between security and retrieval ability. However, compared to the advanced technologies in CBIR like Convolutional Neural Network (CNN), the existing PPCBIR schemes are far deficient in both accuracy and efficiency. With more cloud service providers, the collaborative secure image retrieval service provided by multiple cloud servers becomes possible. In this paper, inspired by additive secret sharing technology, we propose a series of additive secure computing protocols on numbers and matrices with better efficiency, and then show their application in PPCBIR. Specifically, we extract CNN features, decrease the dimension of features and build the index securely with the help of our protocols, which include the full process of image retrieval in the plaintext domain. The experiments and security analysis demonstrate the efficiency, accuracy, and security of our scheme.

연구 동기 및 목표

• 고정확도의 콘텐츠 기반 이미지 검색(CBIR)과 프라이버시 보장형 CBIR(PPCBIR) 간 격차를 해소하기 위해 암호화된 특징에서의 보안 계산을 가능하게 한다.
• 딥 러닝 모델에서 발생하는 복잡한 비선형 연산(예: 합성곱 신경망)을 처리할 때 기존 PPCBIR 기법의 비효율성과 낮은 정확도 문제를 해결한다.
• 서로 협력하지 않는 두 개의 클라우드 서버를 활용해 공동으로 보안 이미지 검색을 수행할 수 있도록 하여 계산 비용이 높은 기능 암호화에 의존하지 않는다.
• 특징 압축 및 색인 구축에 필수적인 행렬 연산(예: 역행렬)과 비교 연산을 위한 효율적이고 고정 라운드 수의 보안 프로토콜을 설계한다.
• 보안적 특징 압축(예: PCA)과 색인 구축이 프라이버시나 정확도를 훼손하지 않도록 수행될 수 있음을 입증한다.

제안 방법

• 서로 협력하지 않는 두 개의 클라우드 서버에 걸쳐 덧셈 기반 비밀 분할을 활용하여 암호화된 이미지 특징을 분산 배포하고 보안적으로 계산한다.
• 기본 연산을 위한 효율적이고 고정 라운드 수의 보안 프로토콜(예: 보안적 비교, 보안적 행렬 역행렬)을 설계한다.
• 암호화된 이미지에서 사전 학습된 VGG16 네트워크를 활용해 특징을 보안적으로 추출하는 프로토콜를 적용하여 모델 정확도를 유지한다.
• 보안적 행렬 역행렬 프로토콜를 활용해 암호화된 특징의 차원 감소를 위한 보안적 PCA를 구현한다.
• 보안적 비교 프로토콜를 확장하여 보안적 정렬을 지원함으로써 효율적인 보안 색인 구축(예: HKM 색인)을 가능하게 한다.
• 신뢰할 수 있는 제3자(또는 이미지 소유자)가 사전에 무작위 행렬을 생성하여 보안적 거리 계산의 오버헤드를 최소화한다.

실험 결과

연구 질문

• RQ1 행렬 역행렬 및 보안적 비교와 같은 복잡한 연산에 대해 덧셈 기반 비밀 분할을 활용해 효율적이고 고정 라운드 수의 보안 계산 프로토콜를 설계할 수 있는가?
• RQ2 비밀 분할을 활용해 암호화된 이미지에서 보안적 CNN 특징 추출을 효율적이고 정확하게 수행할 수 있으며, 모델 성능에 손상이 가지 않는가?
• RQ3 최소한의 통신 및 계산 오버헤드로 프라이버시 보장형 특징 압축(예: PCA)을 달성할 수 있는가?
• RQ4 암호화된 특징과 함께 보안 색인 구축(예: HKM)을 통합하면 보안을 훼손하지 않으면서 검색 효율성을 향상시킬 수 있는가?
• RQ5 제안된 기법이 평문 기반 CBIR와 동일한 검색 정확도를 달성하면서도 강력한 프라이버시 보장을 유지할 수 있는가?

주요 결과

• 제안된 기법은 평문 기반 기준과 동일한 검색 정확도를 확보하여 보안 프로토콜가 손실이 없는 것을 확인한다.
• 보안적 VGG16 추론 파이프라인을 통한 특징 추출은 최근의 CNN 기반 PPCBIR 방법보다 훨씬 빠르며, 시간 소비를 10배 감소시킨다.
• 행렬 역행렬 프로토콜를 활용한 보안적 PCA 압축은 평균적으로 각 쿼리당 1.184초의 온라인 계산 시간으로 효율적인 차원 감소를 가능하게 한다.
• 특징 추출, 압축, 거리 계산을 포함한 총 검색 시간은 Corel-1k 기준으로 6초 이내, Corel-10k 기준으로 35초 이내로 높은 효율성을 보여준다.
• 오프라인 단계에서 최대 1,000개의 쿼리/초를 처리할 수 있으며, 쿼리당 계산 시간이 단 1ms에 불과하여 실세계 적용에 실용적이다.
• 보안적 정렬 및 색인 구축(예: HKM)의 활용으로 가짜 양성률이 감소하고, 특히 Corel-1k와 같은 작은 데이터셋에서 검색 정밀도가 향상된다.