[논문 리뷰] Shrinkwrap: Differentially-Private Query Processing in Private Data Federations

Johes Bater, Xi He외 3명|arXiv (Cornell University)|2018. 10. 03.

Cryptography and Data Security참고 문헌 28인용 수 9

한 줄 요약

Shrinkwrap는 중간 결과 크기에 대한 계산적 미분 적으로 비밀스러운 기술을 적용하여 성능 오버헤드를 줄이는, 비밀스러운 데이터 피드레터레이션을 위한 새로운 차별적 비밀스러운 쿼리 처리 시스템을 소개한다. 이는 관찰 불가능한 처리 방식보다 최대 35배 빠른 쿼리 실행을 가능하게 하며, 조정 가능한 비밀스러움 파라미터를 통해 증명 가능한 비밀스러움 보장을 유지한다.

ABSTRACT

A private data federation is a set of autonomous databases that share a unified query interface offering in-situ evaluation of SQL queries over the union of the sensitive data of its members. Owing to privacy concerns, these systems do not have a trusted data collector that can see all their data and their member databases cannot learn about individual records of other engines. Federations currently achieve this goal by evaluating queries obliviously using secure multiparty computation. This hides the intermediate result cardinality of each query operator by exhaustively padding it. With cascades of such operators, this padding accumulates to a blow-up in the output size of each operator and a proportional loss in query performance. Hence, existing private data federations do not scale well to complex SQL queries over large datasets. We introduce Shrinkwrap, a private data federation that offers data owners a differentially private view of the data held by others to improve their performance over oblivious query processing. Shrinkwrap uses computational differential privacy to minimize the padding of intermediate query results, achieving up to 35X performance improvement over oblivious query processing. When the query needs differentially private output, Shrinkwrap provides a trade-off between result accuracy and query evaluation performance.

연구 동기 및 목표

• 관찰 불가능한 쿼리 처리에서의 과도한 패딩으로 인한 비밀스러운 데이터 피드레터레이션의 성능 저하 문제를 해결하기 위해.
• 신뢰할 수 있는 중재자가 없는 상황에서도 현장에서 SQL 쿼리 평가를 효율적으로 수행할 수 있도록 하기 위해.
• 중간 결과의 패딩을 줄이며 계산적 미분 적으로 비밀스러운 기술을 통해 증명 가능한 비밀스러움 보장을 제공하기 위해.
• 조정 가능한 비밀스러움 파라미터를 통해 비밀스러움, 성능, 결과 정확도의 균형을 이루기 위해.
• 기존의 비밀스러운 데이터 피드레터레이션 아키텍처에 차별적 비밀스러운 카디널리티 추정 기능을 통합하기 위해.

제안 방법

• Shrinkwrap는 중간 쿼리 결과 크기를 추정하고 줄이기 위해 계산적 미분 적으로 비밀스러운 기술을 적용하여, 과도한 패딩 대신 차별적 비밀스러운 카디널리티 경계를 도입한다.
• 각 쿼리 연산자 간 성능, 정확도, 비밀스러움의 균형을 맞추기 위해 새로운 비용 모델과 비밀스러움 예산 최적화 도구를 사용한다.
• 기존의 안전한 계산 프rotocol(예: EMP, ObliVM)과 통합되며, 프rotocol에 종속되지 않는 방식으로 작동한다.
• 중간 결과에서 가짜 튜플을 차별적 비밀스러운 추정 기반으로 선택적으로 제거하여 I/O 및 계산 오버헤드를 줄인다.
• 각 연산자에서 비밀스러운 카디널리티 추정을 적용하여 복잡한 조인을 포함한 광범위한 SQL 연산자 세트를 지원한다.
• 다중 연산자 및 쿼리 간 비밀스러움 보장을 조합하기 위해 비밀스러움 예산 메커니즘을 사용한다.

실험 결과

연구 질문

• RQ1 차별적 비밀스러운 카디널리티 추정이 비밀스러운 데이터 피드레터레이션에서 중간 결과 패팅을 줄이면서도 비밀스러움을 훼손하지 않게 할 수 있는가?
• RQ2 과도한 패딩을 차별적 비밀스러운 결과 크기 추정으로 대체할 경우 성능 향상은 어느 정도 달성될 수 있는가?
• RQ3 비밀스러운 환경에서 쿼리 성능, 결과 정확도, 비밀스러움 예산 간의 상호 상충 관계는 어떠한가?
• RQ4 실제 워크로드에서 데이터 크기와 조인 복잡도가 증가함에 따라 Shrinkwrap는 효율적으로 확장될 수 있는가?
• RQ5 기존의 안전한 계산 및 신뢰할 수 있는 실행 환경 기반 시스템과 비교했을 때 Shrinkwrap의 접근 방식은 성능 및 비밀스러움 보장 측면에서 어떻게 다른가?

주요 결과

• Shrinkwrap는 기존의 관찰 불가능한 쿼리 처리 방식보다 비밀스러운 데이터 피드레터레이션에서 최대 35배 빠른 성능 향상을 달성한다.
• 데이터 크기가 증가함에 따라 Shrinkwrap의 성능 향상도 증가하며, EMP 회로 모델을 사용해 750GB 쿼리의 실행 시간을 15분으로 단축시켰다. Shrinkwrap 없이 수행할 경우 65시간이 소요되었으며, 이는 상당한 성능 향상이다.
• 시스템은 중간 결과 크기를 크게 줄여 복잡한 조인 쿼리에서 I/O 및 계산 비용을 최소화한다.
• 계산적 미분 적으로 비밀스러운 기술을 통해 증명 가능한 비밀스러움 보장을 유지하며, 비밀스러움 파라미터(ε, δ)를 조정 가능하게 하여 정확도와 성능 간 균형을 이룬다.
• 합성 데이터를 기반으로 한 실험에서 시스템은 데이터 크기 및 조인 수 변화에 관계없이 일관된 성능 향상을 보였다.
• Opaq와 Hermetic과 같은 기존 시스템에 비해 일반적인 SQL 쿼리 처리를 지원하고 신뢰할 수 있는 하드웨어나 일정 비용 I/O 모델에 의존하지 않아 성능 면에서 뛰어난 성능을 보였다.