[논문 리뷰] Private Stream Aggregation Revisited

Filipp Valovich, Francesco Aldà|arXiv (Cornell University)|2015. 07. 29.

Privacy-Preserving Technologies in Data참고 문헌 15인용 수 3

한 줄 요약

이 논문은 표준 모델에서 키-호모모르픽 약한 난수 생성 함수를 사용하여 계산적으로 안전한 체계를 구성함으로써 프라이빗 스트림 아그리게이션(Public Stream Aggregation, PSA)을 재검토한다. 이는 효율적인 복호화와 강력한 프라이버시 보장을 가능하게 한다. 또한 이전 방법들에 비해 개선된 정확도와 성능을 보이는 새로운 스켈람 기반 편향 메커니즘을 도입한다. 이 메커니즘은 계산적 $(\epsilon,\delta)$-차별적 프라이버시를 보장한다.

ABSTRACT

In this work, we investigate the problem of private statistical analysis in the distributed and semi-honest setting. In particular, we study properties of Private Stream Aggregation schemes, first introduced by Shi et al. \cite{2}. These are computationally secure protocols for the aggregation of data in a network and have a very small communication cost. We show that such schemes can be built upon any key-homomorphic extit{weak} pseudo-random function. Thus, in contrast to the aforementioned work, our security definition can be achieved in the extit{standard model}. In addition, we give a computationally efficient instantiation of this protocol based on the Decisional Diffie-Hellman problem. Moreover, we show that every mechanism which preserves $(ε,δ)$-differential privacy provides extit{computational} $(ε,δ)$-differential privacy when it is executed through a Private Stream Aggregation scheme. Finally, we introduce a novel perturbation mechanism based on the extit{Skellam distribution} that is suited for the distributed setting, and compare its performances with those of previous solutions.

연구 동기 및 목표

• 랜덤 오ракูล에 의존하지 않고 표준 모델에서 PSA 체계에 대한 보안 모델을 수립하기 위해.
• 큰 평문 공간에서도 빠른 복호화를 보장하는 수학적 난이도 가정(Diffie-Hellman 문제의 결정론적 가정) 기반으로 효율적인 PSA 인스턴스를 설계하기 위해.
• 보안된 PSA 체계를 통해 실행될 때 정보 이론적 차별적 프라이버시 메커니즘과 계산적 차별적 프라이버시 간의 공식적 연결을 수립하기 위해.
• 분산형 노이즈 추가 프로토콜에 적합한 스켈람 분포 기반의 새로운 편향 메커니즘을 개발하고 분석하기 위해.

제안 방법

• 모든 키-호모모르픽 약한 난수 생성 함수를 사용하여 표준 모델에서 보안을 확보하는 PSA 체계를 구성한다.
• 제곱 안전 소수 모듈로의 제곱 잔여군에서 결정론적 디피-헬먼 가정을 사용하여 약한 PRF를 인스턴스화한다.
• 분산형 차별적 프라이버시를 지원하기 위해 대칭 스켈람 분포를 사용하는 새로운 노이즈 생성 메커니즘을 도입한다.
• 모멘트 생성 함수와 尾확률 부등식을 사용하여 스켈람 메커니즘의 프라이버시 한계를 유도한다.
• 편향된 동전 뒤집기 기반의 감소 기법을 적용하여 PSA 보안과 계산적 차별적 프라이버시를 연결한다.
• $(\alpha,\beta)$-정확도 경계를 통해 오차 표현식을 유도하며, 이는 $\epsilon$, $\delta$, 민감도 $S(f)$ 에 따라 달라진다.

실험 결과

연구 질문

• RQ1 랜덤 오라클에 의존하지 않고 표준 모델에서 보안 보장을 갖는 프라이빗 스트림 아그리게이션 체계를 구성할 수 있는가?
• RQ2 특히 대규모 구현을 위한 수학적 난이도 가정(예: DDH)을 기반으로 PSA 체계를 효율적으로 구현할 수 있는가?
• RQ3 정보 이론적 $(\epsilon,\delta)$-차별적 프라이버시를 보존하는 메커니즘이 보안된 PSA 체계를 통해 실행될 경우, 계산적 $(\epsilon,\delta)$-차별적 프라이버시도 유지되는가?
• RQ4 스켈람 분포를 분산형 차별적 프라이버시 프로토콜의 노이즈 분포로 효과적으로 사용할 수 있는가? 이는 정확도와 효율성을 향상시킬 수 있는가?
• RQ5 $(\epsilon,\delta)$-차별적 프라이버시를 유지하기 위해 스켈람 분포의 분산 $\mu$ 에 대해 도달 가능한 가장 날카로운 경계는 무엇인가?

주요 결과

• 제안된 PSA 체계는 키-호모모르픽 약한 난수 생성 함수에 기반하여 표준 모델에서 보안을 달성하며, 랜덤 오라클 모델의 필요성을 제거한다.
• 제곱 잔여군에서의 DDH 가정 기반 인스턴스는 특히 큰 평문 공간에서 복호화 속도를 크게 향상시키지만, 암호화 시간은 약간 증가한다.
• 논문은 보안된 PSA 체계를 통해 실행될 때 어떤 정보 이론적 $(\epsilon,\delta)$-차별적 프라이버시 메커니즘도 계산적 $(\epsilon,\delta)$-차별적 프라이버시를 유지함을 입증한다.
• 스켈람 기반 메커니즘은 $(\epsilon,\delta)$-차별적 프라이버시를 확보하기 위해 분산 $\mu \geq \frac{\log(1/\delta)}{1 - \cosh(\epsilon/S(f)) + (\epsilon/S(f)) \cdot \sinh(\epsilon/S(f))}$ 를 필요로 한다.
• 스켈람 메커니즘의 정확도는 $\alpha = \frac{S(f)}{\epsilon} \cdot \left(\log(2/\beta) + \log(1/\delta)\right)$ 로 경계되며, 이는 이전 경계보다 더 날카롭고, $\delta$ 가 일정할 경우 $S(f)/\epsilon$ 에 대해 선형적이다.
• 사용자별로 $\mu_{\text{user}} = \mu / (\gamma n)$ 으로 분산 노이즈 생성을 수행할 경우 총 노이즈는 여전히 분산 $\mu/\gamma$ 를 갖는 대칭 스켈람 분포를 유지하여 동일한 프라이버시 예산 하에서 정확도를 유지한다.