[論文レビュー] PrivPy: Enabling Scalable and General Privacy-Preserving Computation.

Yi Li, Yitao Duan+1 more|arXiv (Cornell University)|Jan 30, 2018

Cryptography and Data Security参考文献 53被引用数 6

ひとこと要約

PrivPy は、秘密分散方式に基づくプロトコルを用いて、スケーラブルで汎用的な Python 向けプライバシー保護計算フレームワークであり、秘密分散を用いた安全な共同機械学習を可能にする。実数上の効率的なプライベート算術演算をサポートしており、最適化された安全な乗算および比較が含まれ、ロジスティック回帰や CNN などの大規模データセットおよびモデルでもスケーラビリティを示す。

ABSTRACT

We introduce PrivPy, a practical privacy-preserving collaborative computation framework. PrivPy provides an easy-to-use and highly compatible Python programming front-end which supports high-level array operations and different secure computation engines to allow for security assumptions and performance trade-offs. We also design and implement a new secret-sharing-based computation engine with highly efficient protocols for private arithmetics over real numbers: a fast secure multiplication protocol, a garbled-circuit-based secure comparison protocol, and optimized array/matrix operations that are essential for big data applications. PrivPy provides provable privacy and supports general computation. We demonstrate the scalability of PrivPy using machine learning models (e.g. logistic regression and convolutional neural networks) and real-world datasets (including a 5000-by-1-million private matrix).

研究の動機と目的

• 機械学習におけるプライバシー保護型共同計算のための実用的で汎用的なフレームワークの不足に対処すること。
• 秘密分散を用いて実数上での効率的で安全な計算を可能にし、行列乗算や比較のような複雑な演算をサポートすること。
• 複数の安全な計算エンジンを統合し、柔軟なセキュリティ・パフォーマンストレードオフを可能にする、高水準で Python 友好的なインターフェースを提供すること。
• プライバシー保護計算を大規模なデータセットおよび複雑なモデル（例：ディープニューラルネットワーク）にスケーリングすること。
• 標準暗号仮定に基づく証明可能なプライバシー保護を維持しながら、ビッグデータワークロードの高パフォーマンスを実現すること。

提案手法

• PrivPy は秘密分散に基づく安全な計算エンジンを用い、効率的なプロトコルにより実数上でのプライベート算術演算を可能にする。
• 通信および計算のオーバーヘッドを低減するため、最適化された秘密分散技術を用いた高速な安全な乗算プロトコルを実装する。
• 低遅延で実現可能な、ゲートごとガーブルド回路に基づく安全な比較プロトコルにより、実数間のプライベート比較を可能にする。
• 配列および行列演算はパフォーマンス最適化が施されており、大規模データでの効率的実行を可能にする。
• 低レベルの暗号的詳細を抽象化する高水準な Python API を提供し、複数の安全な計算バックエンドをサポートする。
• 標準暗号仮定の下で、証明可能なプライバシー保証を備えた一般計算を実現する。

実験結果

リサーチクエスチョン

• RQ1 高水準な Python フレームワークは、実世界の機械学習ワークロードにおける実用的でスケーラブルなプライバシー保護計算を可能にするか？
• RQ2 特に行列および配列演算において、秘密分散を用いた実数上の安全な算術演算はどの程度効率的に実装可能か？
• RQ3 一つのフレームワーク内で複数の安全な計算エンジンをサポートする場合、どのようなパフォーマンスとセキュリティのトレードオフが可能か？
• RQ4 プライバシー保護計算は、大規模なデータセットおよびディープニューラルネットワークのような複雑なモデルにどの程度スケーリング可能か？
• RQ5 安全な乗算および比較の最適化プロトコルは、プライバシー保護機械学習におけるパフォーマンスを顕著に向上させるか？

主な発見

• PrivPy は 5000 行 × 100 万列のプライベート行列に対してもスケーリング可能であり、ビッグデータ応用の実現可能性を示している。
• フレームワークは、標準暗号仮定の下で証明可能なプライバシー保証を備えた一般計算をサポートしている。
• 最適化された安全な乗算および比較プロトコルにより、計算コストおよび通信コストが顕著に低減された。
• 複数の安全な計算エンジンの統合により、ユーザーがセキュリティとパフォーマンスのトレードオフを選択可能である。
• PrivPy は、ロジスティック回帰や畳み込みニューラルネットワークのような機械学習モデルをプライバシー保護された形で効率的に実行可能である。
• 高水準な Python API により、パフォーマンスやセキュリティを損なわず、使いやすさを確保している。