[논문 리뷰] Secure Multi-User Linearly-Separable Distributed Computing

Amir Masoud Jafarpisheh, Ali Khalesi외 1명|arXiv (Cornell University)|2026. 02. 02.

Stochastic Gradient Optimization Techniques인용 수 0

한 줄 요약

이 논문은 정보 이론적 비밀 보장을 다중 사용자 선형 분리 분산 계산에 대해 제공하며, 필요한 및 충분한 비밀성 조건을 특징짓고 디코딩에 널 스페이스 무작위성을 보강하는 보편적이고 비용을 보존하는 보안 변환을 제안합니다.

ABSTRACT

The introduction of the new multi-user linearly-separable distributed computing framework, has recently revealed how a parallel treatment of users can yield large parallelization gains with relatively low computation and communication costs. These gains stem from a new approach that converts the computing problem into a sparse matrix factorization problem; a matrix $F$ that describes the users' requests, is decomposed as \(F = DE\), where a \(γ\)-sparse \(E\) defines the task allocation across $N$ servers, and a \(δ\)-sparse \(D\) defines the connectivity between \(N\) servers and \(K\) users as well as the decoding process. While this approach provides near-optimal performance, its linear nature has raised data secrecy concerns. We here adopt an information-theoretic secrecy framework, seeking guarantees that each user can learn nothing more than its own requested function. In this context, our main result provides two necessary and sufficient secrecy criteria; (i) for each user \(k\) who observes $α_k$ server responses, the common randomness visible to that user must span a subspace of dimension exactly $α_k-1$, and (ii) for each user, removing from \(\mathbf{D}\) the columns corresponding to the servers it observes must leave a matrix of rank at least \(K-1\). With these conditions in place, we design a general scheme -- that applies to finite and non-finite fields alike -- which is based on appending to \(\mathbf{E}\) a basis of \(\mathrm{Null}(\mathbf{D})\) and by carefully injecting shared randomness. In many cases, this entails no additional costs. The scheme, while maintaining performance, guarantees perfect information-theoretic secrecy in the case of finite fields, while in the real case, the conditions yield an explicit mutual-information bound that can be made arbitrarily small by increasing the variance of Gaussian common randomness.

연구 동기 및 목표

• 교차 도메인 데이터 분석에서 안전한 다중 사용자 선형 분리 분산 계산의 필요성을 제시한다.
• 선형 분리 프레임워크에서 데이터 비밀성이 보장될 수 있는 조건을 특징짓다.
• 어떤 허용 가능한 분해 F = DE로부터 비밀성을 달성하기 위한 보편적이고 비용 보존적 인 스킴을 제안한다.
• 비밀성이 디코딩 구조 및 공유 무작위성와 어떻게 상호 작용하는지에 대한 실용적인 지침을 제공한다.

제안 방법

• 문제를 F = DE 행렬 분해로 모델화한다. 여기서 E는 서버 작업을 인코딩하고 D는 서버-사용자 연결성을 인코딩한다.
• 각 사용자에 대해 공통 무작위성 C와 각 사용자에 연결된 디코딩 부분 행렬에 대한 랭크/공간 조건으로 개인별 비밀을 형식화한다.
• D의 널 공간 기저를 E에 덧붙이고 공유 무작위를 주입함으로써 보편적 비밀 보장 변환을 제안한다.
• GF(q)와 R에 적용되는 필요충분 조건의 비밀 조건을 증명하고, 실수 값에서 가우시안 누출 경계를 제시한다.
• 식별된 조건하에서 정확성과 비용을 보존하면서 비밀성을 달성하는 달성 가능한 스킴을 제공한다.

실험 결과

연구 질문

• RQ1 다중 사용자 선형 분리 분산 계산 체계에서 정보 비밀성을 보장하기 위한 디코딩 행렬 D의 구조적 조건은 무엇인가?
• RQ2 어떤 허용 가능한 분해 F = DE를 비용 증가 없이 보안 스킴으로 변환할 수 있는가?
• RQ3 제안된 체계에서의 비밀성 보장은 (GF(q)에서의 제로 누출, R에서의 바운드 누출) 어떤 정확한 보장을 제공하는가?
• RQ4 개별 사용자 관찰 응답은 필요한 무작위성과 달성 가능한 누출 한도에 어떤 영향을 미치는가?

주요 결과

• 각 사용자 k에 대해 비밀성은 남은 디코딩 행렬에 대한 랭크 조건이 사용자의 관찰 열을 제거한 후 성립하는 경우에만 참이다: Rank(D \ting) >= K-1.
• GF(q)에서 비밀성은 완벽하다(누출 제로); R에서 가우시안 공통 무작위성 분산을 증가시키면 상호 정보 누출 한도를 임의로 작게 만들 수 있다.
• D의 널 공간 기저를 E에 덧붙이고 그 널 방향을 따라 공통 무작위를 주입함으로써 보편적이고 비용 보존적 변환이 존재한다; 이는 정합성과 비용을 보존한다.
• 통신 비용 delta에 대한 보편적 역설은 delta가 1 - (K-1)/N을 초과하면 비밀성을 달성할 수 없음을 보이며, 비밀성과 통신-계산 간의 무역을 연결한다.
• 이 스킴은 유한 및 비유한 필드에 적용되며, Null(D) 보강 및 공유 무작위성을 기반으로 한 구조화된 접근법이다.