[论文解读] ASTRA: High Throughput 3PC over Rings with Application to Secure Prediction

Harsh Chaudhari, Ashish Choudhury+2 more|IACR Cryptology ePrint Archive|Dec 5, 2019

Cryptography and Data Security被引用 14

一句话总结

ASTRA 提出了一类在模 2^ℓ 环上的首个具体高效的三服务器安全计算（3PC）协议，在半诚实威胁模型下每乘法门仅需 2 个环元素通信，恶意威胁模型下为 4 个环元素——相比之前工作减少了 5 个元素。该协议实现了高吞吐量的安全预测，适用于线性回归、SVM 和逻辑回归，其在线吞吐量在受限带宽条件下相比最先进的框架 ABY3 最高提升 15 倍。

ABSTRACT

The concrete efficiency of secure computation has been the focus of many recent works. In this work, we present concretely-efficient protocols for secure $3$-party computation (3PC) over a ring of integers modulo $2^{\ell}$ tolerating one corruption, both with semi-honest and malicious security. Owing to the fact that computation over ring emulates computation over the real-world system architectures, secure computation over ring has gained momentum of late. Cast in the offline-online paradigm, our constructions present the most efficient online phase in concrete terms. In the semi-honest setting, our protocol requires communication of $2$ ring elements per multiplication gate during the {\it online} phase, attaining a per-party cost of {\em less than one element}. This is achieved for the first time in the regime of 3PC. In the {\it malicious} setting, our protocol requires communication of $4$ elements per multiplication gate during the online phase, beating the state-of-the-art protocol by $5$ elements. Realized with both the security notions of selective abort and fairness, the malicious protocol with fairness involves slightly more communication than its counterpart with abort security for the output gates {\em alone}. We apply our techniques from $3$PC in the regime of secure server-aided machine-learning (ML) inference for a range of prediction functions-- linear regression, linear SVM regression, logistic regression, and linear SVM classification. Our setting considers a model-owner with trained model parameters and a client with a query, with the latter willing to learn the prediction of her query based on the model parameters of the former. The inputs and computation are outsourced to a set of three non-colluding servers. Our constructions catering to both semi-honest and the malicious world, invariably perform better than the existing constructions.

研究动机与目标

• 设计在容忍一个恶意方背叛的前提下，支持半诚实与恶意安全模型的、具体高效的环上三服务器安全计算协议。
• 最小化每乘法门在在线阶段的通信开销，尤其在高吞吐量场景下。
• 通过三台互不串通的服务器，实现高效的安全机器学习推理，如线性回归、SVM 和逻辑回归。
• 通过在协议设计中引入非对称通信模式，提升在非对称网络条件下的鲁棒性。
• 在恶意安全模型下实现公平性与选择性中止安全，且性能损耗最小。

提出的方法

• 协议采用两阶段离线-在线模型，将昂贵的、与输入无关的预计算阶段放在离线阶段，以加速在线执行。
• 在环上使用定制化的线性秘密共享方案，以最小化在线乘法门计算阶段的通信开销。
• 针对分类任务中至关重要的安全比较操作，引入一种优化后的比较协议，相比之前工作显著减少轮数与通信量。
• 利用环的代数结构模拟真实系统中的算术运算，实现高效且精确的安全计算。
• 在恶意安全模型下，集成零知识证明与一致性检查机制，确保计算正确性与公平性，并对公平性与中止安全性分别进行独立优化。
• 设计支持角色非对称性：可将处理较少数据的参与方分配至通信密集型角色，从而在带宽非对称条件下提升整体鲁棒性。

实验结果

研究问题

• RQ1 能否在环上的三服务器安全计算中实现具体高效，使在线阶段每乘法门的通信量最小化？
• RQ2 如何优化安全比较协议，以减少在机器学习应用中三服务器安全计算的通信量与轮数？
• RQ3 当某些通信链路较慢时，协议能否在非对称网络带宽条件下维持高吞吐量，尤其是面对带宽受限的场景？
• RQ4 在安全预测工作负载中，半诚实与恶意三服务器安全计算协议之间的性能差距有多大？
• RQ5 随着机器学习模型中乘法深度的增加，协议的可扩展性如何？

主要发现

• 半诚实模型下的 3PC 协议在在线阶段每乘法门仅需 2 个环元素通信，每方通信成本低于 1 个元素——这是 3PC 领域首次实现此类结果。
• 恶意模型下的 3PC 协议将通信量降低至每乘法门 4 个环元素，相比当前最优方案减少 5 个元素。
• 在局域网（LAN）环境下，恶意协议在分类任务中相比 ABY3 的在线吞吐量最高提升 15 倍，尤其在带宽受限条件下优势显著。
• 在广域网（WAN）环境下，即使在带宽受限的链路下，恶意模型下协议仍保持相比 ABY3 3.75 倍的吞吐量优势。
• 协议的非对称通信设计确保在特定服务器对之间带宽减少时性能下降最小，而对称协议则会遭受显著吞吐量下降。
• 在分类任务中的安全比较操作中，协议显著减少了通信量与轮数，大幅提升了频繁进行比较的计算工作负载的性能。