[논문 리뷰] Secure Two-Party Feature Selection

Vanishree Rao, Yunhui Long외 4명|arXiv (Cornell University)|2019. 01. 03.

Privacy-Preserving Technologies in Data참고 문헌 24인용 수 6

한 줄 요약

이 논문은 두 당사자가 기밀 데이터를 드러내지 않고 특성 선택을 위한卡平方 통계량을 계산할 수 있도록 보장하는 사중 프로토콜을 제안한다. 팔리에 암호화를 사용하여, 데이터 제공자와 수요자가 분류에 대한 특성의 유용성을 평가하면서도, 정직하지만 호기심이 많은 모델에서 기밀성을 유지할 수 있다. 최종 카이제곱 값은 보안 계산 이후 수요자에게만 공개된다.

ABSTRACT

In this work, we study how to securely evaluate the value of trading data without requiring a trusted third party. We focus on the important machine learning task of classification. This leads us to propose a provably secure four-round protocol that computes the value of the data to be traded without revealing the data to the potential acquirer. The theoretical results demonstrate a number of important properties of the proposed protocol. In particular, we prove the security of the proposed protocol in the honest-but-curious adversary model.

연구 동기 및 목표

• 잠재적 구매자에게 민감한 데이터를 드러내지 않고 분류를 위한 데이터 유용성 평가를 보장하는 것.
• 데이터 거래의 공정한 시장 가치를 결정하는 데 도전하면서도 기밀성과 정보 泄露를 방지하는 것.
• 데이터 제공자와 수요자가 원시 데이터를 공개하지 않고도 특성이 분류 성능을 향상시키는지 평가할 수 있도록 허용하는 것.
• homomorphic encryption를 사용하여 특성 선택을 위한 카이제곱 통계량을 기밀 유지 방식으로 계산하는 프로토콜을 설계하는 것.
• 정직하지만 호기심이 많은 공격자 모델 하에서 보안을 확보하여 양 당사자의 입력이 의도치 않게 폭 드러나지 않도록 보호하는 것.

제안 방법

• 프로토콜은 팔리에 homomorphic 암호화를 사용하여 암호화된 데이터 위에서 보안 계산을 수행하며, 카운팅 테이블의 카운트를 기밀 유지 방식으로 집계할 수 있도록 한다.
• 카라(수요자)는 자신의 클래스 레이블을 암호화하고 펠릭스(제공자)에게 전송하며, 펠릭스는 자신의 특성 벡터와 암호화된 레이블을 기반으로 암호화된 합을 계산한다.
• 펠릭스는 스칼라 곱셈과 덧셈과 같은 homomorphic 연산을 수행하며, 중간 결과를 은폐하기 위해 무작위화 요소를 사용한다.
• 카라가 중간 결과를 복호화하고, 카이제곱 구성 요소를 포함하는 암호화된 표현식을 재계산한 후 이를 펠릭스에게 다시 전송한다.
• 펠릭스는 homomorphic 연산을 사용하여 무작위화 요소를 취소하고, 카이제곱 공식의 분해를 통해 암호화된 카이제곱 통계량을 재구성한다.
• 최종 암호화된 카이제곱 값은 카라에게 전달되며, 카라는 이를 복호화하여 유용성 지표를 확보한다.

실험 결과

연구 질문

• RQ1 두 당사자가 기밀 데이터를 드러내지 않고 특성 선택을 위한 카이제곱 통계량을 보안적으로 계산할 수 있는가?
• RQ2 데이터 제공자와 수요자가 기밀성을 유지하면서도 분류에 대한 특성의 유용성을 평가할 수 있는가?
• RQ3 정직하지만 호기심이 많은 모델 하에서 두 당사자 환경에서 보안을 확보할 수 있는 암호화 기법은 무엇인가?
• RQ4 homomorphic encryption를 사용하여 원시 데이터를 폭 드러내지 않고 통계적 유용성 측정치를 계산할 수 있는가?
• RQ5 무작위화와 homomorphic 연산을 어떻게 조합하여 중간 값의 泄露를 방지할 수 있는가?

주요 결과

• 프로토콜은 네 번의 통신 라운드를 통해 기밀 유지 방식으로 특성 선택을 위한 카이제곱 통계량을 성공적으로 계산한다.
• 프로토콜은 정직하지만 호기심이 많은 모델 하에서 보증된 보안성을 확보하여, 어느 당사자도 최종 카이제곱 값 이외의 정보를 알 수 없다.
• 팔리에 homomorphic 암호화의 사용은 암호화된 카운팅 테이블 카운트 위에서 homomorphic 덧셈과 스칼라 곱셈을 가능하게 하여 보안 계산을 실현한다.
• 프로토콜은 수요자에게만 최종 카이제곱 값을 공개하며, 제공자의 데이터와 수요자의 클래스 레이블은 모두 기밀 유지된다.
• 프로토콜은 데이터 공유 이전에도 데이터 유용성 평가를 보장하여 데이터 거래의 공정한 시장 평가를 가능하게 한다.
• 이 방법은 데이터가 당사자 간에 분산되어 있는 IoT 및 협업 분석 환경에서의 기밀 데이터 거래를 지원한다.