[論文レビュー] ASTRA: High Throughput 3PC over Rings with Application to Secure Prediction

Harsh Chaudhari, Ashish Choudhury+2 more|IACR Cryptology ePrint Archive|Dec 5, 2019

Cryptography and Data Security被引用数 14

ひとこと要約

ASTRAは、2^ℓを法とする環上で、1人までの改ざんに耐性を持つ3パーティ計算（3PC）プロトコルを初めて実装し、通信コストを記録的に低減した。半信頼設定では乗算ゲートあたり2つの環要素、悪意ある設定では4つの環要素を要し、先行研究より5要素少ない。このプロトコルにより、線形回帰、SVM、ロジスティック回帰における高スループットな安全な予測が可能となり、帯域制限下でも、ABY3などの最先端フレームワークと比較して最大15倍のオンラインスループットを達成した。

ABSTRACT

The concrete efficiency of secure computation has been the focus of many recent works. In this work, we present concretely-efficient protocols for secure $3$-party computation (3PC) over a ring of integers modulo $2^{\ell}$ tolerating one corruption, both with semi-honest and malicious security. Owing to the fact that computation over ring emulates computation over the real-world system architectures, secure computation over ring has gained momentum of late. Cast in the offline-online paradigm, our constructions present the most efficient online phase in concrete terms. In the semi-honest setting, our protocol requires communication of $2$ ring elements per multiplication gate during the {\it online} phase, attaining a per-party cost of {\em less than one element}. This is achieved for the first time in the regime of 3PC. In the {\it malicious} setting, our protocol requires communication of $4$ elements per multiplication gate during the online phase, beating the state-of-the-art protocol by $5$ elements. Realized with both the security notions of selective abort and fairness, the malicious protocol with fairness involves slightly more communication than its counterpart with abort security for the output gates {\em alone}. We apply our techniques from $3$PC in the regime of secure server-aided machine-learning (ML) inference for a range of prediction functions-- linear regression, linear SVM regression, logistic regression, and linear SVM classification. Our setting considers a model-owner with trained model parameters and a client with a query, with the latter willing to learn the prediction of her query based on the model parameters of the former. The inputs and computation are outsourced to a set of three non-colluding servers. Our constructions catering to both semi-honest and the malicious world, invariably perform better than the existing constructions.

研究の動機と目的

• 1人までの改ざんに耐性を持つ、環上での実装効率の高い3PCプロトコルを設計し、半信頼および悪意あるセキュリティをサポートすること。
• 特に高スループット環境を想定し、乗算ゲート1つあたりのオンライン通信オーバーヘッドを最小限に抑えること。
• 3名の協調しないサーバーを用いて、線形回帰、SVM、ロジスティック回帰などの効率的な安全な機械学習推論を可能にすること。
• プロトコル設計において非対称通信パターンを活用することで、非対称なネットワーク状態への耐性を高めること。
• 悪意ある設定において、最小限のパフォーマンス劣化で公平性と選択的アボートセキュリティを達成すること。

提案手法

• プロトコルは、オンライン評価を高速化するために、入力に依存しない高価な事前計算をオフラインで実行する2段階のオフライン・オンラインモデルを採用している。
• オンライン乗算ゲート評価時の通信量を最小限に抑えるために、環上に特化した線形秘密分散方式を採用している。
• 分類タスクにおいて重要な安全な比較処理に関しては、先行研究と比較してラウンド数と通信量を削減した最適化された比較プロトコルを導入している。
• 環構造を活用して現実世界のシステム算術をエミュレートすることで、効率的かつ正確な安全計算を実現している。
• 悪意ある設定では、ゼロ知識証明と整合性チェックを統合して正しさと公平性を保証しており、公平性とアボートセキュリティの両方を別々に最適化している。
• 役割の非対称性を許容する設計となっており、データ量が少ない参加者は通信量の多い役割に割り当てられ、帯域幅の非対称性に強い耐性を発揮する。

実験結果

リサーチクエスチョン

• RQ1 環上での3PCを、オンラインフェーズにおける乗算ゲート1つあたりの通信量を最小限に抑え、実装的に効率よく実現できるか？
• RQ2 機械学習用途における3PCにおいて、安全な比較処理を最適化することで、通信量とラウンド数をどのように削減できるか？
• RQ3 特に一部の通信リンクが遅延するような状況下でも、帯域幅の非対称性がある条件下で、プロトコルが高スループットを維持できるか？
• RQ4 安全な予測ワークロードにおける半信頼設定と悪意ある設定の3PCプロトコルの間には、どの程度のパフォーマンスギャップが生じるか？
• RQ5 機械学習モデルの乗算深さが増加するに従い、プロトコルはどのようにスケーリングするか？

主な発見

• 半信頼設定の3PCプロトコルは、オンラインフェーズで乗算ゲート1つあたりわずか2つの環要素を要し、1パーティあたりのコストが1未満の要素にまで低下する。これは3PC分野で初の成果である。
• 悪意ある設定の3PCプロトコルでは、乗算ゲート1つあたりの通信量を4要素にまで削減し、最先端技術と比較して5要素の改善を達成した。
• LAN環境下では、分類タスクにおいて悪意あるプロトコルがABY3と比較して最大15倍のオンラインスループットを達成した。特に帯域制限下でも顕著な性能向上を示した。
• WAN環境下でも、悪意ある設定において帯域制限があるリンクが存在する状況でも、プロトコルはABY3に対して3.75倍のスループット優位性を維持した。
• プロトコルの非対称通信設計により、特定のサーバー間の帯域幅が制限されても、パフォーマンス劣化が最小限に抑えられる。対照的に、対称的設計のプロトコルは著しいスループット低下を示す。
• 分類タスクにおける安全な比較処理に関しては、通信量とラウンド数を削減したため、頻繁に比較が発生するワークロードで顕著なパフォーマンス向上が達成された。