[논문 리뷰] PrivPy: Enabling Scalable and General Privacy-Preserving Computation.

Yi Li, Yitao Duan외 1명|arXiv (Cornell University)|2018. 01. 30.

Cryptography and Data Security참고 문헌 53인용 수 6

한 줄 요약

PrivPy는 실수에 대한 효율적인 비밀공유 기반 암호화 계산을 지원하는 확장성 있고 일반적인 목적의 프라이버시 보장 계산 프레임워크이다. 이는 비밀공유 기반 프로토콜을 사용하여 안전한 공동 기계학습을 가능하게 하며, 실수에 대한 효율적인 비밀공유 기반 산술 연산, 최적화된 안전한 곱셈 및 비교 연산을 지원한다. 또한 로지스틱 회귀 및 컨volutional 네트워크(CNNs)와 같은 대규모 데이터셋과 모델에서도 확장성을 입증하였다.

ABSTRACT

We introduce PrivPy, a practical privacy-preserving collaborative computation framework. PrivPy provides an easy-to-use and highly compatible Python programming front-end which supports high-level array operations and different secure computation engines to allow for security assumptions and performance trade-offs. We also design and implement a new secret-sharing-based computation engine with highly efficient protocols for private arithmetics over real numbers: a fast secure multiplication protocol, a garbled-circuit-based secure comparison protocol, and optimized array/matrix operations that are essential for big data applications. PrivPy provides provable privacy and supports general computation. We demonstrate the scalability of PrivPy using machine learning models (e.g. logistic regression and convolutional neural networks) and real-world datasets (including a 5000-by-1-million private matrix).

연구 동기 및 목표

• 기계학습 분야에서 프라이버시 보장 공동 계산을 위한 실용적이고 일반적인 목적의 프레임워크 부족 문제를 해결하기 위해.
• 비밀공유를 사용하여 실수에 대한 효율적이고 안전한 계산을 가능하게 하여 행렬 곱셈 및 비교와 같은 복잡한 연산을 지원하기 위해.
• 다양한 안전성-성능 트레이드오프를 유연하게 지원하는 다수의 안전한 계산 엔진을 통합한 고수준의 파이썬 친화적 인터페이스를 제공하기 위해.
• 빅데이터 워크로드에서 높은 성능을 유지하면서도 대규모 데이터셋과 복잡한 모델(예: 딥 네ural 네트워크)으로의 프라이버시 보장 계산의 확장성을 확보하기 위해.
• 표준 암호학적 가정 하에 증명 가능한 프라이버시를 보장하면서도 높은 성능을 유도하기 위해.

제안 방법

• PrivPy는 비밀공유 기반의 안전한 계산 엔진을 사용하여 실수에 대한 비밀공유 기반 산술 연산을 효율적으로 수행한다.
• 통신 및 계산 오버헤드를 줄이기 위해 최적화된 비밀공유 기법을 활용한 빠른 안전한 곱셈 프로토콜을 구현한다.
• 저지연성으로 실수 간의 비밀공유 기반 비교를 가능하게 하는 가라지드 서킷 기반의 안전한 비교 프로토콜을 제공한다.
• 배열 및 행렬 연산을 성능 최적화하여 대규모 데이터에서 효율적인 실행을 가능하게 한다.
• 저수준 암호학적 세부 정보를 추상화하고 여러 안전한 계산 백엔드를 지원하는 고수준의 파이썬 API를 제공한다.
• 표준 암호학적 가정 하에 증명 가능한 프라이버시 보장을 갖춘 일반적인 계산을 지원한다.

실험 결과

연구 질문

• RQ1 고수준의 파이썬 프레임워크는 실세계 기계학습 워크로드에 대해 실용적이고 확장 가능한 프라이버시 보장 계산을 가능하게 할 수 있는가?
• RQ2 특히 행렬 및 배열 연산에 대해 비밀공유를 사용하여 실수에 대한 안전한 산술 연산을 얼마나 효율적으로 구현할 수 있는가?
• RQ3 단일 프레임워크 내에서 다수의 안전한 계산 엔진을 지원할 경우 가능한 성능과 보안의 트레이드오프는 무엇인가?
• RQ4 프라이버시 보장 계산은 얼마나 대규모 데이터셋과 딥 네럴 네트워크와 같은 복잡한 모델로 확장될 수 있는가?
• RQ5 최적화된 안전한 곱셈 및 비교 프로토콜은 프라이버시 보장 기계학습에서 성능을 크게 향상시킬 수 있는가?

주요 결과

• PrivPy는 5000×100만 크기의 비밀공유 행렬에 대해 성공적으로 확장하여 빅데이터 응용의 실현 가능성을 입증하였다.
• 프레임워크는 표준 암호학적 가정 하에 증명 가능한 프라이버시 보장을 갖춘 일반적인 계산을 지원한다.
• 최적화된 안전한 곱셈 및 비교 프로토콜은 계산 및 통신 비용을 크게 감소시켰다.
• 다양한 안전한 계산 엔진의 통합을 통해 사용자는 보안과 성능 간의 트레이드오프를 선택할 수 있다.
• PrivPy는 로지스틱 회귀 및 컨volutional 네트워크와 같은 기계학습 모델을 프라이버시 보장 방식으로 효율적으로 실행할 수 있다.
• 고수준의 파이썬 API는 성능나 보안을 희생시키지 않은 채 사용성 보장을 확보한다.