[논문 리뷰] Sub-Linear Privacy-Preserving Near-Neighbor Search

M. Sadegh Riazi, Beidi Chen외 3명|arXiv (Cornell University)|2016. 12. 06.

Privacy-Preserving Technologies in Data참고 문헌 73인용 수 10

한 줄 요약

이 논문은 신뢰할 수 있는 서버 없이 정직하지만 호기심을 가진 공격 모델에서 보장되는 보안을 갖춘, 처음으로 부분선형(sub-linear)이며 개인정보 보호 기능을 갖춘 근접 이웃 검색(PP-NNS) 알고리즘인 SLSI를 제안한다. 이는 국소성에 민감한 해싱(LSH)에 대한 새로운 확률적 변환을 사용하여, 정보 이론적 보안 경계를 통해 정보 泄露를 제한하면서도 안전한 부분선형 쿼리 시간을 보장한다. 이는 의료 기록 및 온라인 데이팅 프로필과 같은 실세계 데이터셋에서 실증적으로 검증되었다.

ABSTRACT

In Near-Neighbor Search (NNS), a new client queries a database (held by a server) for the most similar data (near-neighbors) given a certain similarity metric. The Privacy-Preserving variant (PP-NNS) requires that neither server nor the client shall learn information about the other party's data except what can be inferred from the outcome of NNS. The overwhelming growth in the size of current datasets and the lack of a truly secure server in the online world render the existing solutions impractical; either due to their high computational requirements or non-realistic assumptions which potentially compromise privacy. PP-NNS having query time {\it sub-linear} in the size of the database has been suggested as an open research direction by Li et al. (CCSW'15). In this paper, we provide the first such algorithm, called Secure Locality Sensitive Indexing (SLSI) which has a sub-linear query time and the ability to handle honest-but-curious parties. At the heart of our proposal lies a secure binary embedding scheme generated from a novel probabilistic transformation over locality sensitive hashing family. We provide information theoretic bound for the privacy guarantees and support our theoretical claims using substantial empirical evidence on real-world datasets.

연구 동기 및 목표

• 대규모 고차원 데이터셋에 대해 확장 가능하고 개인정보 보호 기능을 갖춘 근접 이웃 검색(PP-NNS)의 부족을 해결한다.
• 신뢰할 수 있는 서버에 의존하거나 선형 쿼리 복잡도를 가진 기존 솔루션의 한계를 극복한다.
• 클라이언트 수에 대해 부분선형 쿼리 시간을 확보하면서도 정직하지만 호기심을 가진 위협 모델 하에서 개인정보 보호를 유지한다.
• 근접 이웃 검색 결과를 초월한 정보 泄露를 제한하는 정보 이론적 보안 보장을 제공한다.
• 의료 기록 및 온라인 데이팅 프로필과 같은 실세계 데이터셋에 대한 실용적이고 종단 간(end-to-end) 솔루션을 개발한다.

제안 방법

• 원본 데이터를 은폐하면서도 근접 이웃 관계를 유지하는 안전한 이진 임베딩을 생성하기 위해 국소성에 민감한 해싱(LSH) 가족에 대한 새로운 확률적 변환을 제안한다.
• 쿼리와 데이터베이스 임베딩 간의 최소 거리를 입력을 드러내지 않은 채로 안전하게 계산하기 위해 요아의 가공된 회로(GC) 프로토콜을 사용한다.
• 보안 임베딩 변환과 블랙박스 기반의 GC 기반 계산 레이어를 통합하여 임베딩 간의 비밀 비교를 가능하게 한다.
• 모든 거리 계산을 피하는 방식으로 부분선형 쿼리 시간을 허용하는 보안 색인 설계를 한다.
• 이론적 분석을 통해 변환이 정보 泄露를 임의의 상한 이내로 제한함으로써 에프실론-보안(epsilon-security)을 보장함을 입증한다.
• 실세계 데이터셋에서의 실증적 검증을 통해 개인정보 보호성과 효율성을 동시에 입증한다.

실험 결과

연구 질문

• RQ1 신뢰할 수 있는 서버 없이도 개인정보 보호 기능을 유지하면서 부분선형 쿼리 시간을 달성할 수 있는 PP-NNS 시스템이 가능한가?
• RQ2 기존 LSH 기반 NNS를 삼각측량 공격(triangulation attacks)으로부터 보호하면서도 부분선형 성능을 유지할 수 있는가?
• RQ3 LSH 가족에 대한 확률적 변환을 통해 오직 근접 이웃 관계만 드러나고, 제한된 정보 泄露가 이루어지는가?
• RQ4 어떻게 보안 기능 평가(예: 가공된 회로)를 LSH와 효율적으로 조합하여 비밀 유지된 최근접 이웃 검색을 가능하게 할 수 있는가?
• RQ5 제안된 방법이 실세계 고차원 데이터셋에서 정확도와 효율성을 어느 정도 유지하는가?

주요 결과

• SLSI는 데이터베이스 항목 수에 대해 부분선형 쿼리 시간을 달성하여 웹 스케일 데이터셋으로의 효율적 확장이 가능하다.
• 제안된 LSH 가족에 대한 확률적 변환은 비근접점에 대한 거리 추정을 방지하여 삼각측량 공격를 효과적으로 차단한다.
• 이론적 분석을 통해 해당 체계가 정보 이론적 보안 보장을 제공하고, 제한된 泄露를 보장함을 입증하며, 이를 에프실론-보안으로 수식화한다.
• 의료 기록 및 온라인 데이팅 프로필에 대한 실증 평가를 통해 SLSI가 선형 방법 대비 상당한 계산 오버헤드를 감소시키면서도 높은 정확도를 유지함을 확인한다.
• 가공된 회로와 보안 LSH 임베딩의 통합은 최소한의 통신과 신뢰할 수 있는 제3자 가정을 필요로 하며, 근접 이웃을 안전하게 계산할 수 있게 한다.
• 특히 기존의 방법이 실패하는 고차원 환경에서 SLSI는 효율성과 보안 측면에서 기존의 PP-NNS 솔루션을 뛰어넘는 성능을 보인다.