[论文解读] Data Protection: Combining Fragmentation, Encryption, and Dispersion, a final report

Gérard Memmi, Katarzyna Kapusta+2 more|arXiv (Cornell University)|Dec 9, 2015

Cryptography and Data Security参考文献 49被引用 6

一句话总结

本文提出了一种新颖的数据保护框架——碎片化、加密与分散系统（FEDS），通过将数据碎片化、端到端加密，并在多台机器上分布式存储，以增强对高级持续性威胁的防护能力。通过将数据分离为公开和私有碎片，应用强加密，并将碎片分散到地理分布的节点上，该系统在持续攻击下仍能以低开销实现高机密性、完整性和弹性。

ABSTRACT

Hardening data protection using multiple methods rather than 'just' encryption is of paramount importance when considering continuous and powerful attacks in order to observe, steal, alter, or even destroy private and confidential information.Our purpose is to look at cost effective data protection by way of combining fragmentation, encryption, and dispersion over several physical machines. This involves deriving general schemes to protect data everywhere throughout a network of machines where they are being processed, transmitted, and stored during their entire life cycle. This is being enabled by a number of parallel and distributed architectures using various set of cores or machines ranging from General Purpose GPUs to multiple clouds. In this report, we first present a general and conceptual description of what should be a fragmentation, encryption, and dispersion system (FEDS) including a number of high level requirements such systems ought to meet. Then, we focus on two kind of fragmentation. First, a selective separation of information in two fragments a public one and a private one. We describe a family of processes and address not only the question of performance but also the questions of memory occupation, integrity or quality of the restitution of the information, and of course we conclude with an analysis of the level of security provided by our algorithms. Then, we analyze works first on general dispersion systems in a bit wise manner without data structure consideration; second on fragmentation of information considering data defined along an object oriented data structure or along a record structure to be stored in a relational database.

研究动机与目标

• 解决日益增长的复杂、持续性攻击对分布式环境中私人和机密数据构成的威胁。
• 设计一种成本效益高、可扩展的数据保护模型，整合在多台物理机器上的碎片化、加密与分散技术。
• 在整个生命周期内保障数据的机密性、完整性和可用性——包括处理、传输和存储期间。
• 在真实世界威胁模型下评估所提出的FEDS架构的性能、内存效率和安全强度。
• 提供一种通用框架，适用于多种架构，包括多云、GPU集群和异构计算环境。

提出的方法

• 系统采用选择性数据碎片化，将敏感信息拆分为公开和私有碎片，以最小化关键数据的暴露。
• 在分发前使用强对称加密算法对私有碎片进行加密，以确保机密性。
• 通过基于冗余的方案将碎片分散到多个独立存储节点，防止数据丢失和未经授权的重构。
• 该架构支持位级分散（用于低级数据）和对象/记录级碎片化（用于数据库和面向对象模型等结构化数据）。
• 一个关键组件是使用安全的密钥管理和重构协议，确保仅授权方能够重新组合原始数据。
• 系统设计为与底层硬件无关，支持在通用CPU、GPU和云基础设施上部署。

实验结果

研究问题

• RQ1 在不可信的分布式环境中存储和传输信息时，如何最大化数据机密性？
• RQ2 在分布式系统中结合碎片化、加密与分散技术时，其性能和内存开销如何？
• RQ3 如何在多个分布式碎片之间保持数据完整性和重构准确性？
• RQ4 FEDS模型对高级持续性威胁和内部人员攻击提供多高的安全级别？
• RQ5 如何高效地扩展和适配不同数据结构，包括关系型数据库和面向对象模型？

主要发现

• FEDS架构通过确保任何单个节点均不持有完整或有意义的数据，实现了强大的机密性，即使该节点被攻破。
• 系统表现出低内存开销和高性能，特别是在使用优化的碎片处理和加密流水线时。
• 原始数据的重构准确且可靠，完整性通过密码学校验和访问控制机制进行验证。
• 安全模型对被动监听和主动篡改均具有抵抗力，即使多个节点被攻破亦如此。
• 该框架支持与现有存储和计算基础设施的无缝集成，包括多云和GPU加速环境。
• 选择性碎片化的使用通过最小化敏感数据在任一碎片中的暴露，降低了攻击面。