[논문 리뷰] Optimal Accuracy-Privacy Trade-Off for Secure Multi-Party Computations

Patrick Ah-Fat, Michael Huth|arXiv (Cornell University)|2018. 03. 01.

Cryptography and Data Security참고 문헌 22인용 수 5

한 줄 요약

이 논문은 가상 입력을 통한 함수 치환을 도입하여 보안 다자간 계산(SMC)에서 출력 정확도와 입력 기밀성 간의 트레이드오프를 최적화하는 새로운 프레임워크를 제안한다. 정보 泄露를 정량화하기 위해 엔트로피 측도를 일반화하고, 기밀성과 왜곡을 균형 잡는 비선형 최적화 문제를 수립하며, 실험적으로 제어된 출력 오차 범위 내에서 뚜렷한 기밀성 향상을 입증한다.

ABSTRACT

The purpose of Secure Multi-Party Computation is to enable protocol participants to compute a public function of their private inputs while keeping their inputs secret, without resorting to any trusted third party. However, opening the public output of such computations inevitably reveals some information about the private inputs. We propose a measure generalising both Renyi entropy and g-entropy so as to quantify this information leakage. In order to control and restrain such information flows, we introduce the notion of function substitution which replaces the computation of a function that reveals sensitive information with that of an approximate function. We exhibit theoretical bounds for the privacy gains that this approach provides and experimentally show that this enhances the confidentiality of the inputs while controlling the distortion of computed output values. Finally, we investigate the inherent compromise between accuracy of computation and privacy of inputs and we demonstrate how to realise such optimal trade-offs.

연구 동기 및 목표

• 출력이 비공개 입력에 대한 간접적 정보를 드러내는 SMC에서의 본질적 정보 泄露 문제를 해결하기 위해.
• Rényi 엔트로피와 g-엔트로피를 포함하는 일반화된 엔트로피 모델을 사용해 이 정보 泄露를 정량화하고 제어하기 위해.
• 기본적인 출력 왜곡을 유지하면서 정보 泄개를 줄이기 위해 가상 입력을 통한 함수 치환 방법을 개발하기 위해.
• 정확도-기밀성 트레이드오프를 비선형 최적화 문제로 체계화하고, 실용적인 함수 클래스에 대해 효율적으로 해결하기 위해.
• 가역적 근사치를 사용할 경우, 제한된 왜곡 범위 내에서 상당한 기밀성 향상이 달성될 수 있음을 보여주기 위해.

제안 방법

• Rényi 엔트로피, 최소 엔트로피, g- leakage를 통합하는 함수의 가족을 사용해 조건부 엔트로피를 일반화하여 정보 유량 정량화를 위한 기반을 마련한다.
• 가상 입력—분포 πΦ에서 추출된 랜덤 입력—을 도입하여 원래 함수 f를 f′으로 왜곡함으로써 정보 泄露를 감소시킨다.
• 기본적인 출력 왜곡을 제약 조건으로 삼고 기밀성을 극대화하는 방식으로 기밀성-정확도 트레이드오프를 비선형 최적화 문제로 수식화한다.
• f′을 f + δ로 근사하여 계산 가능하게 하고 실용적 구현을 가능하게 하는 가역적 근사치를 사용한다.
• 수치적 방법을 활용해 최적화 문제를 해결하고, 다양한 엔트로피 유형과 함수 유형에 대해 접근 방식을 검증한다.
• 가상 입력 생성을 위한 SMC 호환 프로토콜을 제안하며, 협업 방식 또는 신뢰할 수 있는 제3자에 의해 수행 가능하다.

실험 결과

연구 질문

• RQ1 기존 SMC 보안 모델을 초월해 SMC에서의 정보 泄露를 공식적으로 정량화할 수 있는 방법은 무엇인가?
• RQ2 가상 입력을 통한 함수 치환을 통해 달성 가능한 이론적 기밀성 향상은 어느 정도인가?
• RQ3 실제로 출력 정확도와 입력 기밀성 간의 균형을 최적화할 수 있는 방법은 무엇인가?
• RQ4 기밀성-정확도 트레이드오프의 효율적 최적화가 가능한 함수 유형과 엔트로피 측도는 무엇인가?
• RQ5 실제 SMC 응용 분야, 예를 들어 헬스 데이터 처리에서 가상 입력을 사용할 경우 실용적 영향은 무엇인가?

주요 결과

• 제안된 일반화된 엔트로피 프레임워크는 Rényi 엔트로피, 최소 엔트로피, g-leakage를 통합하여 정보 유량의 일관된 정량화를 가능하게 한다.
• 가상 입력을 통한 함수 치환은 기존 SMC 프로토콜의 변경 없이도 정보 泄露를 상당히 감소시킨다.
• 최적화 프레임워크는 기밀성과 정확도를 효과적으로 균형 잡으며, 제한된 왜곡 범위 내에서 뚜렷한 기밀성 향상을 달성한다.
• 가역적 근사치를 통해 최적의 가상 입력 분포를 효율적으로 계산할 수 있었으며, 실험 결과 강력한 기밀성 향상이 확인되었다.
• 이 접근은 벡터값 함수에 적용 가능하며, 공격자 집합이 알려지지 않거나 다중 기밀성 목적이 존재하는 시나리오에 쉽게 적응할 수 있다.
• 가상 입력 생성은 SMC를 통해 안전하게 계산하거나 신뢰할 수 있는 기관에 외주할 수 있어 실생활에서 데이터 기밀성을 유지할 수 있다.