[论文解读] Privacy-Preserving Image Retrieval Based on Additive Secret Sharing

Zhihua Xia, Qi Gu+3 more|arXiv (Cornell University)|Sep 15, 2020

Cryptography and Data Security参考文献 41被引用 5

一句话总结

本文提出了一种基于加法秘密共享的隐私保护图像检索方案，可在不暴露敏感图像数据的前提下，实现云环境中安全、高效且准确的内容-based图像检索。通过设计针对数字和矩阵的新型安全计算协议——包括安全的CNN特征提取、PCA压缩和索引构建——该方案在显著提升效率的同时，实现了与明文相当的准确度，优于以往的PPCBIR方法。

ABSTRACT

The rapid growth of digital images motivates individuals and organizations to upload their images to the cloud server. To preserve privacy, image owners would prefer to encrypt the images before uploading, but it would strongly limit the efficient usage of images. Plenty of existing schemes on privacy-preserving Content-Based Image Retrieval (PPCBIR) try to seek the balance between security and retrieval ability. However, compared to the advanced technologies in CBIR like Convolutional Neural Network (CNN), the existing PPCBIR schemes are far deficient in both accuracy and efficiency. With more cloud service providers, the collaborative secure image retrieval service provided by multiple cloud servers becomes possible. In this paper, inspired by additive secret sharing technology, we propose a series of additive secure computing protocols on numbers and matrices with better efficiency, and then show their application in PPCBIR. Specifically, we extract CNN features, decrease the dimension of features and build the index securely with the help of our protocols, which include the full process of image retrieval in the plaintext domain. The experiments and security analysis demonstrate the efficiency, accuracy, and security of our scheme.

研究动机与目标

• 为解决高准确度内容-based图像检索（CBIR）与隐私保护CBIR（PPCBIR）之间的差距，实现在加密特征上的安全计算。
• 克服现有PPCBIR方案在处理深度学习模型中复杂非线性操作（如卷积神经网络）时效率低下且准确度不足的问题。
• 通过两个非共谋的云服务器实现协作式安全图像检索，避免依赖计算开销昂贵的函数全同态加密。
• 设计高效、常数轮次的安全协议用于矩阵运算（如矩阵求逆）和比较操作，这些操作对特征压缩和索引构建至关重要。
• 证明安全特征压缩（如PCA）与索引构建可在不损害隐私或准确度的前提下完成。

提出的方法

• 利用两个非共谋云服务器之间的加法秘密共享机制，分发并安全地计算加密图像特征。
• 设计高效、常数轮次的安全协议，用于基本操作，包括安全比较和安全矩阵求逆。
• 将协议应用于在加密图像上安全地提取预训练VGG16网络的特征，保持模型准确度。
• 使用安全矩阵求逆协议实现安全PCA，对加密特征进行降维。
• 扩展安全比较协议以支持安全排序，从而实现高效的索引构建（如HKM索引）。
• 由可信第三方（或图像所有者）预先生成随机矩阵，用于安全距离计算，最大限度降低在线阶段的计算开销。

实验结果

研究问题

• RQ1 加法秘密共享能否用于设计复杂操作（如矩阵求逆和安全比较）的高效、常数轮次安全计算协议？
• RQ2 能否在不牺牲模型性能的前提下，利用秘密共享高效且准确地在加密图像上执行安全CNN特征提取？
• RQ3 能否以最小的通信和计算开销，实现隐私保护下的安全特征压缩（如PCA）？
• RQ4 将安全索引构建（如HKM）与加密特征结合，是否能在不损害安全性的前提下提升检索效率？
• RQ5 所提出的方案能否在保持强隐私保障的同时，实现与基于明文的CBIR相当的检索准确度？

主要发现

• 所提方案实现了与明文基线完全相同的检索准确度，证实了安全协议的无损性。
• 使用安全VGG16推理流水线进行特征提取的速度显著快于近期基于CNN的PPCBIR方法，时间消耗降低约10倍。
• 通过矩阵求逆协议实现的安全PCA压缩，平均每个查询仅需1.184秒的在线计算，实现了高效的降维。
• 总检索时间（包括特征提取、压缩和距离计算）在Corel-1k上低于6秒，在Corel-10k上低于35秒，展现出极高的效率。
• 在离线阶段，方案可支持每秒1000次查询，单个查询仅需1毫秒计算时间，具备实际部署的可行性。
• 采用安全排序与索引构建（如HKM）可减少误报率，显著提升检索精度，尤其在较小数据集（如Corel-1k）中表现更优。