[논문 리뷰] Shared MF: A privacy-preserving recommendation system

Senci Ying|arXiv (Cornell University)|2020. 08. 18.

Privacy-Preserving Technologies in Data참고 문헌 13인용 수 8

한 줄 요약

이 논문은 사용자 데이터 프라이버시를 보호하면서도 높은 효율성을 유지하는 프라이버시 보장 분산 행렬 분해 추천 시스템인 SharedMF를 제안한다. 계산 비용이 큰 히든 암호화를 비밀 공유로 대체함으로써 SharedMF는 히든 암호화 기반 방법보다 최대 2.2배 빠른 학습 속도를 달성하여, 보안을 훼손하지 않으면서도 대규모 추천 시스템에 실용적으로 적용 가능하다.

ABSTRACT

Matrix factorization is one of the most commonly used technologies in recommendation system. With the promotion of recommendation system in e-commerce shopping, online video and other aspects, distributed recommendation system has been widely promoted, and the privacy problem of multi-source data becomes more and more important. Based on Federated learning technology, this paper proposes a shared matrix factorization scheme called SharedMF. Firstly, a distributed recommendation system is built, and then secret sharing technology is used to protect the privacy of local data. Experimental results show that compared with the existing homomorphic encryption methods, our method can have faster execution speed without privacy disclosure, and can better adapt to recommendation scenarios with large amount of data.

연구 동기 및 목표

• 대규모 전자상거래 및 콘텐츠 플랫폼에서 증가하는 데이터 프라이버시 문제를 해결하기 위해.
• 협동 모델 학습 중 사용자 데이터를 보호하기 위한 히든 암호화의 안전하고 효율적인 대안을 설계하기 위해.
• 다양한 데이터 소스 간의 비밀 공유를 활용하여 피어드 러닝 환경에서 프라이버시 보장 행렬 분해를 가능하게 하기 위해.
• 다양한 데이터 양과 소스 수 조건에서 실제 데이터셋을 기반으로 제안된 방법의 성능 및 확장성 평가하기 위해.
• 비밀 공유가 보안 보장을 유지하면서도 히든 암호화를 능가하는 속도를 보일 수 있음을 입증하기 위해.

제안 방법

• 사용자 데이터는 여러 클라이언트(예: 타오바오, 아마존)에 분산 배포되며, 아이템 특징는 중앙 서버에 저장되고 업데이트된다.
• 각 클라이언트는 행렬 분해를 통해 로컬로 사용자 벡터를 계산하고, 원시 데이터 폭 lộ를 방지하기 위해 덧셈 비밀 공유를 통해 암호화된 부분 벡터를 공유한다.
• 모델 업데이트(기울기)는 원본 데이터를 재구성할 수 없는 상태로 비밀 공유된 형태로 교환된다.
• 중앙 서버는 비밀 공유된 기울기를 집계하고, 원래의 평문 데이터에 접근하지 않으면서도 아이템 벡터를 업데이트한다.
• 안정적인 집계를 위해 계산 비용이 높은 히든 암호화를 피하고, 안정적인 비밀 공유 프로토콜을 활용하여 효율적인 보안 집계를 실현한다.
• 확장성과 성능 테스트를 위해 다양한 사용자 수와 아이템 수를 가진 실제 데이터셋을 사용하여 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 비밀 공유를 활용해 분산 행렬 분해에서 사용자 데이터 프라이버시를 효과적으로 보호하면서도 학습 효율성을 희생시키지 않을 수 있는가?
• RQ2 대규모 추천 시스템에서 비밀 공유의 성능은 히든 암호화와 비교해 어떻게 되는가?
• RQ3 제안된 시스템은 어느 정도의 추천 정확도를 유지하면서도, 누구도 민감한 사용자 정보를 재구성할 수 없도록 보장하는가?
• RQ4 데이터 소스와 아이템 수가 증가함에 따라 시스템은 어떻게 확장되는가?
• RQ5 비암호화된 분산 행렬 분해의 근사 기준 성능에 도달하면서도 강력한 프라이버시 보장을 유지할 수 있는가?

주요 결과

• SharedMF는 대규모 데이터셋(예: 500개 아이템)에서 FedML(히든 암호화 기반 시스템) 대비 최대 2.2배 더 빠른 학습 속도를 기록하여 뛰어난 효율성을 입증했다.
• 500개 아이템에서 SharedMF는 학습에 583.37초가 소요되었고, Paillier 암호화를 사용한 FedML는 2064.62초가 소요되어 뚜렷한 성능 우위를 보였다.
• 비밀 공유의 통신 비용은 아이템 수 증가에 비례해 크게 증가하지 않아 대규모 아이템 세트에 대한 강력한 적응성을 보였다.
• 데이터 소스 수가 증가함에 따라 행렬의 완전도가 향상되어 모델 손실이 감소했으며, 데이터가 풍부한 환경에서 피어드 러닝의 이점이 확인되었다.
• 비암호화된 분산 행렬 분해의 성능에 매우 가까운 성능을 유지하여 실용성과 최소한의 오버헤드를 입증했다.
• 비밀 공유가 속도와 확장성 면에서 히든 암호화를 능가해, 대용량 데이터를 처리하는 실세계 추천 시스템에 더 적합함을 입증했다.