[논문 리뷰] Scalable Secure Computation of Statistical Functions with Applications to k-Nearest Neighbors.

Hayim Shaul, Dan Feldman외 1명|arXiv (Cornell University)|2018. 01. 22.

Cryptography and Data Security참고 문헌 2인용 수 4

한 줄 요약

이 논문은 기존의 데이터셋 크기 n에 관계없이 다항식 시간 내에 평가가 가능한, 확장 가능한 완전호모모르픽 암호(FHE) 기반의 첫 번째 k-가까운 이웃(KNN) 계산 알고리즘을 제안한다. 이는 새로운 통계적 코어셋과 맞춤형 동전 던지기 기법을 사용하여 실현 가능하다. 실험 결과, FHE를 사용해 1000개 이상의 점들 중에서 20개의 가까운 이웃을 찾는 데 서브아워(sub-hour) 성능을 달성하였다.

ABSTRACT

Given a set $S$ of $n$ $d$-dimensional points, the $k$-nearest neighbors (KNN) is the problem of quickly finding $k$ points in $S$ that are nearest to a query point $q$. The $k$-nearest neighbors problem has applications in machine learning for classification and regression and also in searching. The secure version of KNN where either $q$ or $S$ are encrypted, has applications such as providing services over sensitive (such as medical or localization) data. In this work we present the first scalable and efficient algorithm for solving KNN with Fully Homomorphic Encryption (FHE) that is realized by a polynomial whose degree is independent of $n$, the number of points. We implemented our algorithm in an open source library based on HELib implementation for the Brakerski-Gentry-Vakuntanthan's FHE scheme, and ran experiments on MIT's OpenStack cloud. Our experiments show that given a query point $q$, we can find the set of 20 nearest points out of more than 1000 points in less than an hour. Our result introduces a statistical coreset, which is a data summarization technique that allows statistical functions, such as moments, to be efficiently and scalably computed. As a central tool, we design a new coin toss technique which we use to build the coreset. This coin toss technique and computation of statistical functions may be of independent interest.

연구 동기 및 목표

• 의료 또는 위치 데이터와 같은 민감한 응용 분야를 위해 암호화된 데이터에서 k-가까운 이웃을 안전하게 계산할 수 있도록 하기 위해.
• 데이터 포인트 수 n에 따라 계산 시간이 변하지 않는 확장 가능하고 효율적인 FHE 기반 KNN 솔루션을 설계하기 위해.
• FHE 하에서 통계 함수(예: 모멘트)를 효율적이고 안전하게 계산할 수 있도록 하는 통계적 코어셋 기법을 도입하기 위해.
• 코어셋 구축 과정에서 안전하고 확장 가능한 통계 집계를 지원하는 새로운 동전 던지기 기법을 개발하기 위해.
• 실제 클라우드 인프라에서의 구현과 평가를 통해 안전한 KNN의 실용 가능성을 입증하기 위해.

제안 방법

• 대규모 데이터셋을 요약하면서도 FHE 하에서 통계 함수를 안전하게 계산할 수 있도록 보존하는 통계적 코어셋을 제안한다.
• 코어셋 구축 과정에서 안전하고 검증 가능한 랜덤 선택을 가능하게 하는 새로운 동전 던지기 기법을 도입한다. 이는 통계 정확성과 프라이버시에 매우 중요하다.
• FHE를 사용하여 거리 계산과 가까운 이웃 검색을 위한 호모모르픽 평가 프로토콜을 설계하며, 다항식의 차수는 n에 의존하지 않는다.
• HELlib 라이브러리를 통해 Brakerski-Gentry-Vakulchuk FHE 체계를 구현하여 효율적인 호모모르픽 연산을 수행한다.
• MIT의 OpenStack 클라우드에서 1000개 이상의 d차원 점을 포함한 데이터셋에 대한 성능 평가를 위한 실험을 수행한다.
• 부트스트래핑 최소화와 노이즈 성장 감소를 위해 FHE 파이프라인을 최적화하여 대규모 데이터에서 실용적인 런타임을 가능하게 한다.

실험 결과

연구 질문

• RQ1 완전호모모르픽 암호(FHE)를 사용하여 데이터셋 크기 n에 관계없이 성능이 유지되는 안전하고 확장 가능한 KNN 알고리즘을 구축할 수 있는가?
• RQ2 FHE를 사용하여 암호화된 데이터에서 모멘트와 같은 통계 함수를 어떻게 효율적으로 계산할 수 있는가?
• RQ3 FHE 하에서 안전하고 효율적인 코어셋 구축을 가능하게 하기 위해 어떤 새로운 암호 기반 원리가 필요한가?
• RQ4 실제 클라우드 인프라에서 FHE 기반 KNN 시스템을 실제로 구현하고 평가할 수 있는가?
• RQ5 현재의 FHE 라이브러리를 사용하여 대규모 점들을 포함한 안전한 KNN의 성능 특성은 어떤가?

주요 결과

• 제안된 FHE 기반 KNN 알고리즘은 1000개 이상의 d차원 점들 중에서 20개의 가까운 이웃을 계산하는 데 서브아워 실행 시간을 달성한다.
• 통계적 코어셋과 효율적인 호모모르픽 평가의 사용 덕분에 알고리즘의 계산 복잡도는 데이터 포인트 수 n에 영향을 받지 않는다.
• 새로운 동전 던지기 기법은 코어셋 구축 과정 내에서 안전하고 효율적인 랜덤 샘플링을 가능하게 하며, 이는 통계 정확성에 매우 중요하다.
• HELlib와 Brakerski-Gentry-Vakulchuk FHE 체계를 사용한 구현은 실제 클라우드 하드웨어에서 안전한 KNN의 실용 가능성을 입증한다.
• 통계적 코어셋은 FHE 하에서 모멘트 및 기타 통계 함수를 효율적이고 안전하게 계산할 수 있도록 하며, 더 넓은 응용 가능성이 있다.
• 결과적으로, FHE 기반 안전한 KNN는 이제 의료 및 지리정보와 같은 프라이버시가 중요한 분야에서 실용적인 구현이 가능한 정도로 확장 가능해졌다.