[논문 리뷰] Secure Social Recommendation based on Secret Sharing

Chaochao Chen, Liang Li외 4명|arXiv (Cornell University)|2020. 02. 06.

Recommender Systems and Techniques참고 문헌 37인용 수 14

한 줄 요약

이 논문은 원시 사용자 데이터를 폭 lộ하지 않고 평점 플랫폼과 소셜 플랫폼 간의 협업 기반 추천을 가능하게 하는 보안 다자간 계산 프레임워크 SeSoRec을 제안한다. 새로운 비밀 공유 기반 행렬 곱셈(SSMM) 프로토콜을 도입함으로써 SeSoRec은 계산 및 통신 복잡도를 선형으로 유지하면서도 기밀성을 보장하여 실세계 데이터셋에서 기존 방법보다 정확도와 효율성 면에서 뛰어나다.

ABSTRACT

Nowadays, privacy preserving machine learning has been drawing much attention in both industry and academy. Meanwhile, recommender systems have been extensively adopted by many commercial platforms (e.g. Amazon) and they are mainly built based on user-item interactions. Besides, social platforms (e.g. Facebook) have rich resources of user social information. It is well known that social information, which is rich on social platforms such as Facebook, are useful to recommender systems. It is anticipated to combine the social information with the user-item ratings to improve the overall recommendation performance. Most existing recommendation models are built based on the assumptions that the social information are available. However, different platforms are usually reluctant to (or cannot) share their data due to certain concerns. In this paper, we first propose a SEcure SOcial RECommendation (SeSoRec) framework which can (1) collaboratively mine knowledge from social platform to improve the recommendation performance of the rating platform, and (2) securely keep the raw data of both platforms. We then propose a Secret Sharing based Matrix Multiplication (SSMM) protocol to optimize SeSoRec and prove its correctness and security theoretically. By applying minibatch gradient descent, SeSoRec has linear time complexities in terms of both computation and communication. The comprehensive experimental results on three real-world datasets demonstrate the effectiveness of our proposed SeSoRec and SSMM.

연구 동기 및 목표

• 외부 플랫폼의 소셜 데이터를 사용하여 추천 성능을 향상시키는 도전 과제를 해결하면서도 데이터 기밀성을 유지하기 위해.
• 보안적인 소셜 추천을 보안 다자간 계산(MPC) 문제로 체계화하기 위해.
• 민감한 데이터를 보유한 플랫폼 간의 협업을 가능하게 하는 실용적이고 확장성 있고 기밀성을 보장하는 프레임워크를 설계하기 위해.
• 신뢰할 수 있는 제3자에 의존하지 않는 비밀 공유 기반 행렬 곱셈 프로토콜(SSMM)을 개발하기 위해.
• 실세계 데이터셋을 기반으로 프레임워크의 효과성과 효율성을 경험적으로 검증하기 위해.

제안 방법

• 두 플랫폼(평점 및 소셜)이 원시 데이터를 폭 lộ하지 않고 공동으로 사용자 선호도를 학습하는 다자간 계산 문제로 보안적인 소셜 추천을 체계화하기 위해.
• 플랫폼 𝒜의 사용자-아이템 평점과 플랫폼 𝒷의 소셜 관계를 협업 학습을 통해 결합하는 SeSoRec 프레임워크를 제안하기 위해.
• 보안 다자간 계산 환경에서 행렬 곱을 안전하게 계산하기 위해 비밀 공유 기반 행렬 곱셈(SSMM) 프로토콜를 신규로 설계하기 위해.
• 비밀 공유를 사용해 행렬 요소를 당사자 간에 분배함으로써 입력을 폭 lộ하지 않고도 내적 곱을 안전하게 계산할 수 있도록 하기 위해.
• 확장성을 확보하기 위해 최소 배치 경량화 기반 경사 하강법을 적용하여 계산 및 통신 복잡도를 선형으로 유지하기 위해.
• 반간성 위협 모델 하에서 SSMM의 정확성과 기밀성을 증명하여 출력 이외의 정보 泄露가 없음을 보장하기 위해.

실험 결과

연구 질문

• RQ1 원시 사용자 데이터를 폭 lộ하지 않고 평점 플랫폼과 소셜 플랫폼 간의 협업을 가능하게 하는 보안 프레임워크를 설계할 수 있는가?
• RQ2 협업 필터링에 핵심적인 역할을 하는 행렬 곱셈이 신뢰할 수 있는 제3자 없이 다자 환경에서 어떻게 안전하게 계산될 수 있는가?
• RQ3 제안된 SSMM 프로토콜가 기존의 신뢰할 수 있는 초기화자 기반 보안 행렬 곱셈 프로토콜보다 더 뛰어난 효율성을 달성하는가?
• RQ4 희박한 데이터 환경에서 소셜 정보를 통합할 경우 추천 정확도가 얼마나 향상되는가?
• RQ5 소셜 정규화자 파라미터 γ가 최종 모델에서 평점 정보와 소셜 정보의 균형을 어떻게 조절하는가?

주요 결과

• SeSoRec은 보안이 해제된 Soreg 모델과 거의 동일한 추천 정확도를 달성하였으며, 모든 데이터셋에서 RMSE 차이가 0.0003 이내로 유지되어 SSMM 프로토콜의 정확성이 검증되었다.
• Epinions 데이터셋(0.48% 평점 밀도)에서 SeSoRec은 MF의 RMSE를 7.60% 향상시켜 희박한 환경에서의 성능 향상이 뚜렷하게 드러났다.
• SSMM은 TISMM 대비 실행 시간을 약 2.4배 감소시켰으며, 차원 100일 경우 0.0025초, 1000일 경우 0.3246초, 10000일 경우 40.744초로 강력한 확장성을 보였다.
• SeSoRec의 성능은 소셜 정규화자 파라미터 γ에 매우 민감하며, FilmTrust 데이터셋에서 최적의 성능은 γ = 10^0일 때 달성되었다.
• SeSoRec은 계산 및 통신 복잡도를 선형으로 유지하여 대규모 데이터셋에 대한 효율적인 구현이 가능했다.
• SSMM 프로토콜는 신뢰할 수 있는 초기화자가 필요 없게 하여 실세계 구현에서 실용성과 기밀성을 향상시켰다.