[论文解读] Building Confidential and Efficient Query Services in the Cloud with RASP Data Perturbation

Huiqi Xu, Shumin Guo+1 more|arXiv (Cornell University)|Dec 4, 2012

Cryptography and Data Security参考文献 29被引用 5

一句话总结

本文提出RASP（随机空间扰动），一种新颖的数据扰动技术，结合有序保持加密、维度扩展、随机噪声注入和随机投影，实现在云环境中安全、高效地进行范围查询和kNN查询。该方法在保留基于索引的查询加速所需的多维范围拓扑结构的同时，提供了强保密性和查询隐私性，且在正式威胁模型下具备低本地计算成本和次线性查询性能。

ABSTRACT

With the wide deployment of public cloud computing infrastructures, using clouds to host data query services has become an appealing solution for the advantages on scalability and cost-saving. However, some data might be sensitive that the data owner does not want to move to the cloud unless the data confidentiality and query privacy are guaranteed. On the other hand, a secured query service should still provide efficient query processing and significantly reduce the in-house workload to fully realize the benefits of cloud computing. We propose the RASP data perturbation method to provide secure and efficient range query and kNN query services for protected data in the cloud. The RASP data perturbation method combines order preserving encryption, dimensionality expansion, random noise injection, and random projection, to provide strong resilience to attacks on the perturbed data and queries. It also preserves multidimensional ranges, which allows existing indexing techniques to be applied to speedup range query processing. The kNN-R algorithm is designed to work with the RASP range query algorithm to process the kNN queries. We have carefully analyzed the attacks on data and queries under a precisely defined threat model and realistic security assumptions. Extensive experiments have been conducted to show the advantages of this approach on efficiency and security.

研究动机与目标

• 解决在保障数据机密性和查询隐私的前提下，实现云环境中安全、高效且可扩展查询服务的挑战。
• 克服现有方法在效率、安全性或本地工作负载平衡方面存在的局限性。
• 开发一种可在扰动数据上实现快速、基于索引的范围和kNN查询处理的方法。
• 确保对加密数据和查询模式已知攻击的强大抗性。
• 最小化客户端计算量，以充分实现云的可扩展性和成本优势。

提出的方法

• RASP结合有序保持加密（OPE）、维度扩展、随机噪声注入和随机投影，以一种保留多维范围拓扑结构的方式对多维数据进行扰动。
• 该扰动确保原始查询范围在扰动空间中被转换为多面体区域，从而支持高效索引与查询处理。
• 基于RASP扰动数据构建范围查询服务，其中查询通过基于桶的索引和基于集合的范围条件进行转换与处理。
• kNN-R算法利用RASP范围查询服务，通过在扰动空间中迭代细化搜索区域来回答kNN查询。
• 定义了威胁模型以分析对数据和查询隐私可能构成的攻击，包括频率攻击、统计攻击和距离目标攻击。
• 通过将大部分计算卸载至云环境，仅保留最小量的客户端过滤，框架确保了低本地处理成本。

实验结果

研究问题

• RQ1 如何设计一种数据扰动方法，以保留多维范围的拓扑结构，从而在云环境中实现高效索引与查询处理？
• RQ2 哪些密码学与变换技术的组合能够提供强保密性和查询隐私性，同时最小化本地计算开销？
• RQ3 如何在不牺牲效率或精度的前提下，安全地支持对扰动数据的kNN查询？
• RQ4 RASP保护下的数据和查询面临哪些现实可行的攻击向量？该方案对这些攻击的抗性如何？
• RQ5 在真实工作负载下，RASP与现有方法相比，在查询效率和可扩展性方面表现如何？

主要发现

• RASP通过保留多维范围拓扑结构，实现了范围查询处理的次线性时间复杂度，从而在扰动空间中支持高效索引使用。
• 通过与RASP范围查询服务集成，该方法实现了高效的kNN查询处理，显著减少了客户端计算量。
• 在合成数据集和真实数据集上的大量实验表明，RASP在显著降低本地处理成本的同时，保持了高查询精度。
• 在定义的威胁模型下进行的安全分析表明，RASP对常见攻击（包括频率攻击、统计攻击和距离目标攻击）具有强抗性。
• 与现有方法（如OPE、加密索引和Casper）相比，RASP在CPEL标准（机密性、隐私性、效率、低本地成本）之间实现了更优的平衡。
• 该框架通过将大部分处理任务卸载至云环境，同时确保数据和查询隐私，实现了实用化的云原生查询服务。