[論文レビュー] Sub-Linear Privacy-Preserving Near-Neighbor Search

M. Sadegh Riazi, Beidi Chen+3 more|arXiv (Cornell University)|Dec 6, 2016

Privacy-Preserving Technologies in Data参考文献 73被引用数 10

ひとこと要約

本稿では、信頼できるサーバーを必要とせず、誠実だが好奇な攻撃者に対するセキュリティを保証する、最初の部分線形でプライバシー保護型近似近傍探索（PP-NNS）アルゴリズムであるSLSIを提案する。Locality-Sensitive Hashing（LSH）の上に新たな確率的変換を用いることで、情報理論的プライバシー境界を用いて情報漏洩を制限しつつ、安全で部分線形のクエリ時間の実現を可能にする。実世界のデータセット（医療記録やデートポジションなど）を用いた実証的評価により有効性が検証された。

ABSTRACT

In Near-Neighbor Search (NNS), a new client queries a database (held by a server) for the most similar data (near-neighbors) given a certain similarity metric. The Privacy-Preserving variant (PP-NNS) requires that neither server nor the client shall learn information about the other party's data except what can be inferred from the outcome of NNS. The overwhelming growth in the size of current datasets and the lack of a truly secure server in the online world render the existing solutions impractical; either due to their high computational requirements or non-realistic assumptions which potentially compromise privacy. PP-NNS having query time {\it sub-linear} in the size of the database has been suggested as an open research direction by Li et al. (CCSW'15). In this paper, we provide the first such algorithm, called Secure Locality Sensitive Indexing (SLSI) which has a sub-linear query time and the ability to handle honest-but-curious parties. At the heart of our proposal lies a secure binary embedding scheme generated from a novel probabilistic transformation over locality sensitive hashing family. We provide information theoretic bound for the privacy guarantees and support our theoretical claims using substantial empirical evidence on real-world datasets.

研究の動機と目的

• 大規模かつ高次元のデータセットに対するスケーラブルでプライバシー保護型近傍探索（PP-NNS）の欠如に応える。
• 信頼できるサーバーに依存するか、線形クエリ時間しか達成できない既存の解決策の限界を克服する。
• クライアント数に対して部分線形のクエリ時間を実現しつつ、誠実だが好奇な攻撃者モデル下でのプライバシーを維持する。
• NNS結果を超える情報漏洩を制限する情報理論的プライバシー保証を提供する。
• 医療記録やオンラインデートポジションなどの実世界データセットへの実用的でエンドツーエンドの導入ソリューションを構築する。

提案手法

• 近傍関係を保持しつつ、元のデータを隠蔽する安全なバイナリ埋め込みを生成するため、局所性に敏感なハッシュ（LSH）族に対する新しい確率的変換を提案する。
• ヤオのガーブルドサーキット（GC）プロトコルを用いて、入力を露呈せずにクエリとデータベースの埋め込み間の最小距離を安全に計算する。
• 安全な埋め込み変換をブラックボックス型GCベースの計算レイヤーと統合し、埋め込みのプライベート比較を可能にする。
• 全距離計算を回避することで、部分線形のクエリ時間を実現する安全なインデクシング方式を設計する。
• 理論的分析により、変換が情報漏洩を任意の上限に制限することを示し、epsilons-セキュリティを保証する。
• 実世界のデータセットを用いた実証的評価により、本手法のプライバシー性と効率性を検証する。

実験結果

リサーチクエスチョン

• RQ1 信頼できるサーバーに依存せず、プライバシーを損なわず部分線形のクエリ時間を達成できるPP-NNSシステムは可能か？
• RQ2 標準的なLSHベースのNNSを三角測量攻撃から保護しつつ、部分線形性能を維持することは可能か？
• RQ3 LSH族に対する確率的変換により、近傍関係のみが露呈され、漏洩が有界になるように保証できるか？
• RQ4 ガーブルドサーキットなどの安全関数評価が、LSHと効率的に組み合わせられ、プライベートな最近傍探索を可能にするか？
• RQ5 提案手法は、実世界の高次元データセットにおいて、正確性と効率性をどの程度維持できるか？

主な発見

• SLSIは、データベースエントリ数に対して部分線形のクエリ時間を達成し、ウェブ規模のデータセットにも効率的にスケーリング可能である。
• LSH族に対する提案された確率的変換により、非近傍点の距離推定が不可能となり、三角測量攻撃が効果的にブロックされる。
• 理論的分析により、本手法が情報理論的プライバシー保証を提供し、漏洩が有界であることを示し、epsilons-セキュリティとして形式化された。
• 医療記録やオンラインデートポジションを用いた実証的評価により、SLSIが高い正確性を維持しながら、線形手法と比較して著しく計算オーバーヘッドを低減することが確認された。
• ガーブルドサーキットと安全なLSH埋め込みの統合により、通信量を最小限に抑え、信頼できる第三者の仮定をほとんど不要にした最近傍のプライベート計算が可能になった。
• 特に従来手法が失敗する高次元環境において、効率性とセキュリティの両面で、既存のPP-NNSソリューションを凌駆する性能を示した。