[论文解读] Evolution as a Service: A Privacy-Preserving Genetic Algorithm for Combinatorial Optimization

Bowen Zhao, Chen, Wei-Neng+4 more|arXiv (Cornell University)|May 27, 2022

Metaheuristic Optimization Algorithms Research被引用 6

一句话总结

本文提出进化即服务（EaaS），一种隐私保护框架，使用户能够通过基于云的遗传算法（GA）外包组合优化，而无需暴露敏感的问题数据。通过在双服务器架构中使用同态加密和安全协议，PEGA（隐私保护进化算法）在加密的TSP矩阵上执行进化操作——选择、交叉、突变——其性能与传统GA相当，同时确保云服务器无法获取任何关于优化问题或结果的信息。

ABSTRACT

Evolutionary algorithms (EAs), such as the genetic algorithm (GA), offer an elegant way to handle combinatorial optimization problems (COPs). However, limited by expertise and resources, most users do not have enough capability to implement EAs to solve COPs. An intuitive and promising solution is to outsource evolutionary operations to a cloud server, whilst it suffers from privacy concerns. To this end, this paper proposes a novel computing paradigm, evolution as a service (EaaS), where a cloud server renders evolutionary computation services for users without sacrificing users' privacy. Inspired by the idea of EaaS, this paper designs PEGA, a novel privacy-preserving GA for COPs. Specifically, PEGA enables users outsourcing COPs to the cloud server holding a competitive GA and approximating the optimal solution in a privacy-preserving manner. PEGA features the following characteristics. First, any user without expertise and enough resources can solve her COPs. Second, PEGA does not leak contents of optimization problems, i.e., users' privacy. Third, PEGA has the same capability as the conventional GA to approximate the optimal solution. We implements PEGA falling in a twin-server architecture and evaluates it in the traveling salesman problem (TSP, a widely known COP). Particularly, we utilize encryption cryptography to protect users' privacy and carefully design a suit of secure computing protocols to support evolutionary operators of GA on encrypted data. Privacy analysis demonstrates that PEGA does not disclose the contents of the COP to the cloud server. Experimental evaluation results on four TSP datasets show that PEGA is as effective as the conventional GA in approximating the optimal solution.

研究动机与目标

• 为解决用户在使用进化算法（EAs）求解组合优化问题（COPs）时面临的专业知识和计算资源有限的挑战。
• 实现在不受信任的云服务器上安全外包进化计算，而不会泄露私有的问题数据。
• 设计一种系统，在保持传统遗传算法解决方案质量的同时保护用户隐私。
• 开发安全且高效的协议，用于在加密数据上执行GA操作——尤其是选择和适应度评估——而无需解密。

提出的方法

• 提出一种新型计算范式——进化即服务（EaaS），使用户能够在保护隐私的前提下将COPs外包给云服务器。
• 设计PEGA，一种使用Paillier同态加密在数据外包前对TSP矩阵进行加密的隐私保护GA。
• 采用双服务器架构，以安全方式在加密数据上执行安全比较（SecCmp）和安全除法（SecDiv）操作。
• 采用基于二分查找的k-锦标赛选择，将计算复杂度降低至O(n log n)，在加密数据上相比传统O(n²)的适应度比例选择显著提升效率。
• 使用边重组交叉（ERX）算子，其每次交叉的复杂度为O(m)，从而在加密TSP上保持高效性。
• 集成安全协议，使云服务器能够在不解密数据的情况下评估适应度、选择父代以及执行交叉和突变操作。

实验结果

研究问题

• RQ1 基于云的遗传算法能否在确保云服务器无法获取任何关于问题实例信息的前提下，有效求解组合优化问题？
• RQ2 如何在不解密数据的情况下，安全地执行选择、交叉和突变等进化操作？
• RQ3 与传统GA相比，使用同态加密和安全协议在隐私保护GA中的性能开销如何？
• RQ4 隐私保护设计在真实TSP实例中对通信和计算成本的影响程度如何？

主要发现

• 在四个TSP实例（gr48、kroA100、eil101、kroB200）中，PEGA的解决方案质量与传统GA相当，收敛性和最优解逼近程度无显著差异。
• 使用k-锦标赛选择时，PEGA生成一个潜在解的平均耗时约为3秒，与TSP规模无关，因为加密数据上的计算负载保持一致。
• PEGA的通信开销范围为173 KB至5.90 MB，具体取决于TSP规模和Paillier密钥长度（128位至256位），即使在kroB200等大型实例中也低于6 MB。
• 基于二分查找的k-锦标赛选择将选择复杂度从O(n²)降低至O(n log n)，与适应度比例选择相比，在加密数据上显著提升了性能。
• 安全比较（SecCmp）和安全除法（SecDiv）协议能够在不解密底层数值的情况下，准确评估适应度并完成选择操作，确保加密TSP矩阵的隐私性。
• 隐私分析表明，云服务器无法推断原始TSP矩阵、适应度值或优化结果，从而确保端到端的隐私保护。