[논문 리뷰] SANNS: Scaling Up Secure Approximate k-Nearest Neighbors Search

Hao Chen, Ilaria Chillotti외 4명|arXiv (Cornell University)|2019. 04. 03.

Cryptography and Data Security참고 문헌 78인용 수 12

한 줄 요약

SANNS는 동형 암호화, 가짜 회로, 분산 무작위 액세스 메모리 등을 사용하여 클라이언트 쿼리와 서버 데이터셋 양쪽을 보호하는 확장 가능한 보안 k-가까운 이웃 검색(k-NNS) 시스템을 소개한다. 이는 이전 작업 대비 최대 31배 빠른 응답 시간을 달성하며, 최적화된 선형 스캔과 새로운 O(n + k²) 비교 기반 상위-k 선택 프로토콜을 갖춘 새로운 부분선형 클러스터링 기반 알고리즘을 통해 1,000만 개의 데이터베이스 항목까지 확장 가능하다.

ABSTRACT

The $k$-Nearest Neighbor Search ($k$-NNS) is the backbone of several cloud-based services such as recommender systems, face recognition, and database search on text and images. In these services, the client sends the query to the cloud server and receives the response in which case the query and response are revealed to the service provider. Such data disclosures are unacceptable in several scenarios due to the sensitivity of data and/or privacy laws. In this paper, we introduce SANNS, a system for secure $k$-NNS that keeps client's query and the search result confidential. SANNS comprises two protocols: an optimized linear scan and a protocol based on a novel sublinear time clustering-based algorithm. We prove the security of both protocols in the standard semi-honest model. The protocols are built upon several state-of-the-art cryptographic primitives such as lattice-based additively homomorphic encryption, distributed oblivious RAM, and garbled circuits. We provide several contributions to each of these primitives which are applicable to other secure computation tasks. Both of our protocols rely on a new circuit for the approximate top-$k$ selection from $n$ numbers that is built from $O(n + k^2)$ comparators. We have implemented our proposed system and performed extensive experimental results on four datasets in two different computation environments, demonstrating more than $18-31 imes$ faster response time compared to optimally implemented protocols from the prior work. Moreover, SANNS is the first work that scales to the database of 10 million entries, pushing the limit by more than two orders of magnitude.

연구 동기 및 목표

• 의료, 생체 인식, 금융 등 민감한 도메인에서 쿼리와 데이터셋 모두가 기밀 유지되어야 하는 개인정보 보존 k-NN 검색의 필수적 요구를 해결하기 위해.
• 반세미 악의적 위협 모델에서 효율적으로 작동하는 보안 k-NNS 프로토콜을 설계하여, 출력 이외의 정보 泄露가 없도록 보장하기 위해.
• 특히 1,000만 건의 항목까지 확장 가능한 대규모 데이터셋에 대해 보안 k-NNS를 스케일링하기 위해.
• 새로운 회로 수준 개선을 포함한 래티스 기반 동형 암호화, 가짜 회로, 분산 무작위 액세스 메모리의 조합을 통해 성능을 최적화하기 위해.
• 보안을 유지하면서도 계산 및 통신 비용을 크게 줄이는 부분선형 시간 알고리즘 기반의 새로운 k-NNS 알고리즘을 도입하기 위해.

제안 방법

• SANNS는 두 가지 프로토콜을 사용한다: O(n + k²) 비교기로 구성된 최적화된 상위-k 선택 회로를 기반으로 한 보안 선형 스캔, 그리고 거리 계산 횟수를 줄이는 부분선형 클러스터링 기반 접근 방식.
• 시스템은 보안적 거리 계산을 위해 래티스 기반의 덧셈형 동형 암호화(AHE)를, 비밀 유지된 비교 논리를 위해 가짜 회로를, 데이터에 대한 보안적 랜덤 액세스를 위해 분산 무작위 액세스 메모리(DORAM)를 통합한다.
• 근사 상위-k 선택을 위한 새로운 회로 설계로, 비교기 수를 O(n log n)에서 O(n + k²)로 감소시켜 보안 계산의 효율성을 크게 향상시켰다.
• 클러스터링 기반 프로토콜은 k-means를 사용해 데이터셋을 클러스터로 분할하고, 가장 가까운 클러스터 내에서만 k개의 가장 가까운 점을 식별함으로써 검색 공간을 축소한다.
• 모든 프로토콜은 시뮬레이션 기반 보안성에 기반한 반세미 악의적 모델에서 보증되며, 출력 이외의 입력 정보 泄露가 없음을 보장한다.
• 특히 FSS 기반 DORAM과 거리 함수의 보안 평가를 위한 암호 primitive 최적화가 구현에 포함되어 있다.

실험 결과

연구 질문

• RQ1 1,000만 개의 점을 포함한 데이터셋에 대해 보안 k-NN 검색을 효율적으로 확장할 수 있는가?
• RQ2 보안 계산에서 상위-k 선택을 최적화하여 비교기 수를 O(n log n)에서 O(n + k²)로 줄일 수 있는가?
• RQ3 동형 암호화 및 가짜 회로와 같은 암호 기반 원리로 부분선형 시간 k-NNS 알고리즘을 보안적으로 구현할 수 있는가?
• RQ4 보안 k-NNS의 성능 오버헤드는 평문 k-NNS 대비 얼마나 되며, 프로토콜 및 회로 설계를 통해 이를 최소화할 수 있는가?
• RQ5 k-NNS 결과의 근사성으로 인한 정보 泄露는 어느 정도이며, 이를 어떻게 제한할 수 있는가?

주요 결과

• SANNS는 최적화된 이전 구현 대비 최대 31배 빠른 응답 시간을 기록했으며, 빠른 네트워크에서는 18.5배, 느린 네트워크에서는 31.0배의 성능 향상을 달성했다.
• 시스템은 기존 한계를 초월해 1,000만 개의 데이터베이스 항목까지 보안적으로 확장 가능함을 입증하며, 대규모 응용 분야에 대한 실용성을 입증했다.
• 선형 스캔 프로토콜은 빠른 네트워크에서 1.46배, 느린 네트워크에서 3.51배의 성능 향상을 기록했으며, 통신 효율성은 4.1배 향상되었다.
• 클러스터링 기반 프로토콜은 통신량을 39배 감소시키며 가장 높은 성능 향상을 달성했으며, 보안 계산에서 부분선형 검색의 효과성을 입증했다.
• O(n + k²) 비교기를 사용하는 새로운 상위-k 선택 회로는 전통적인 O(n log n) 접근 방식 대비 계산 오버헤드를 줄였다.
• 기존에 최적화되지 않은 프로토콜의 원본 구현을 사용할 때조차도 이전 작업을 능가하는 성능을 기록함으로써, 성능 향상은 단순히 구현 최적화 때문이 아니라 알고리즘 혁신의 결과임을 시사한다.