[논문 리뷰] Privacy-Preserving SVM Computing by Using Random Unitary Transformation

Takahiro Maekawa, Takayuki Nakachi외 2명|arXiv (Cornell University)|2018. 09. 19.

Advanced Steganography and Watermarking Techniques참고 문헌 19인용 수 4

한 줄 요약

이 논문은 성능 저하 없이 클라우드 기반 SVM 분류를 보장하면서도 랜덤 유니터리 변환을 사용해 특징 템플릿을 보호하는 프라이버시 보장 SVM 계산 기법을 제안한다. 이 방법은 등방성 정적 커널 하에서 분류 정확도를 유지하며, 특수 암호화 논리 없이 표준 SVM 알고리즘을 지원한다. 키나 템플릿 泄密 상황에서도 낮은 오류율을 보이며 얼굴 인식 실험을 통해 검증되었다.

ABSTRACT

A privacy-preserving Support Vector Machine (SVM) computing scheme is proposed in this paper. Cloud computing has been spreading in many fields. However, the cloud computing has some serious issues for end users, such as unauthorized use and leak of data, and privacy compromise. We focus on templates protected by using a random unitary transformation, and consider some properties of the protected templates for secure SVM computing, where templates mean features extracted from data. The proposed scheme enables us not only to protect templates, but also to have the same performance as that of unprotected templates under some useful kernel functions. Moreover, it can be directly carried out by using well-known SVM algorithms, without preparing any algorithms specialized for secure SVM computing. In the experiments, the proposed scheme is applied to a face-based authentication algorithm with SVM classifiers to confirm the effectiveness.

연구 동기 및 목표

• 데이터 泄密 및 무단 접근으로 인한 클라우드 기반 SVM 계산의 프라이버시 위험을 해결하기 위해.
• 특징 템플릿(생체 정보 또는 기타)을 성능 저하 없이 보호하는 방법을 개발하기 위해.
• 특수한 보안 계산 프레임워크 없이도 표준 SVM 알고리즘을 사용해 비신뢰할 수 있는 환경에서 안전한 SVM 추론을 가능하게 하기 위해.
• 키 기반 액세스 제어와 템플릿 보호를 통해 스푸핑 공격에 대한 보안을 강화하기 위해.

제안 방법

• 비밀 키를 사용해 랜덤 유니터리 변환을 통해 특징 템플릿을 보호하여 기밀성을 확보한다.
• 입력 특징에 대해 클라우드로 전송하기 전에 변환을 적용하며, 특정 커널 함수 하에서 내적 관계를 유지한다.
• 등방성 정적 커널(예: RBF, 선형)을 사용하여 변환된 템플릿이 동일한 분류 능력을 유지하도록 한다.
• 공유 키(모든 사용자가 동일한 키 사용)와 고유 키(각 사용자가 별도의 키 보유)의 두 가지 키 조건을 도입해 액세스 제어 및 보안의 세분화 수준을 제어한다.
• 커널 기법을 활용해 복호화 없이도 보호된 템플릿에 대해 직접 SVM 분류를 수행한다.
• 내림샘플링을 통해 얼굴 영상에서 1216차원 템플릿을 생성하고, 이를 랜덤 순열 행렬을 통해 보호한다.

실험 결과

연구 질문

• RQ1 보호된 템플릿에 랜덤 유니터리 변환이 적용되었을 때, SVM 분류기의 분류 능력이 유지되는가?
• RQ2 표준 커널 함수 하에서 제안된 방법이 보호된 템플릿과 비보호 템플릿 간 동일한 분류 정확도를 유지하는가?
• RQ3 다중 사용자 환경에서 공유 키와 고유 키의 사용이 보안 및 성능에 어떤 영향을 미치는가?
• RQ4 키나 원본 템플릿이 泄密된 상황에서도 이 방식이 스푸핑 공격에 얼마나 저항하는가?
• RQ5 알고리즘 수정 없이도 표준 SVM 알고리즘이 보호된 템플릿에 직접 사용 가능한가?

주요 결과

• 공유 키 조건(1) 하에서 보호된 템플릿과 비보호 템플릿 간 동일한 분류 성능을 달성했으며, Equal Error Rate (EER) 값이 두 경우 모두 일치했다.
• 고유 키 조건(2) 하에서는 더 엄격한 인증 요구 조건으로 인해 오류 수용률(False Accept Rate, FAR)이 크게 감소하여 보안성이 향상되었다.
• 키가 泄密된 경우에도 FAR는 낮게 유지되었으며(조건 2에서 약간 악화됨), 스푸핑 공격에 대한 강건성을 입증했다.
• 원본 템플릿이 泄밀된 경우에도 FAR는 낮게 유지되어, 유니터리 변환을 통한 보호가 무단 액세스를 효과적으로 방지함을 확인했다.
• 표준 SVM 알고리즘이 보호된 데이터에 직접 사용 가능해 특수한 보안 계산 프레임워크 도입이 불필요해졌다.
• Extended Yale Face Database B를 사용한 얼굴 인식 실험을 통해 RBF 및 선형 커널 하에서도 높은 정확도를 확보하여 이 방법의 실용성을 검증했다.