[论文解读] Privacy-Preserving SVM Computing by Using Random Unitary Transformation

Takahiro Maekawa, Takayuki Nakachi+2 more|arXiv (Cornell University)|Sep 19, 2018

Advanced Steganography and Watermarking Techniques参考文献 19被引用 4

一句话总结

该论文提出了一种保护隐私的SVM计算方案，通过使用随机酉变换保护特征模板，实现在无性能下降的情况下安全地进行基于云的SVM分类。该方法在各向同性平稳核下保持分类准确性，并支持标准SVM算法，无需专用加密逻辑，通过人脸验证实验验证了在密钥或模板泄露情况下仍保持较低错误率。

ABSTRACT

A privacy-preserving Support Vector Machine (SVM) computing scheme is proposed in this paper. Cloud computing has been spreading in many fields. However, the cloud computing has some serious issues for end users, such as unauthorized use and leak of data, and privacy compromise. We focus on templates protected by using a random unitary transformation, and consider some properties of the protected templates for secure SVM computing, where templates mean features extracted from data. The proposed scheme enables us not only to protect templates, but also to have the same performance as that of unprotected templates under some useful kernel functions. Moreover, it can be directly carried out by using well-known SVM algorithms, without preparing any algorithms specialized for secure SVM computing. In the experiments, the proposed scheme is applied to a face-based authentication algorithm with SVM classifiers to confirm the effectiveness.

研究动机与目标

• 解决由于数据泄露和未授权访问导致的云环境SVM计算中的隐私风险。
• 开发一种在不降低SVM分类性能的前提下保护特征模板（生物特征或其他）的方法。
• 在不受信任的环境中通过标准SVM算法实现安全的SVM推理，避免使用专用的安全计算框架。
• 通过基于密钥的访问控制和模板保护，增强对欺骗攻击的防御能力。

提出的方法

• 使用密钥对特征模板进行随机酉变换，确保保密性。
• 在将输入特征发送到云之前应用该变换，确保在特定核函数下保持内积关系。
• 在各向同性平稳核（如RBF、线性）下使用，确保变换后的模板保持等效的判别能力。
• 采用两种密钥条件：共享密钥（所有用户使用相同密钥）和独立密钥（每位用户拥有独立密钥），以控制访问权限和安全粒度。
• 利用核技巧直接在受保护的模板上执行SVM分类，无需解密。
• 通过下采样从人脸图像生成1216维模板，再通过随机置换矩阵进行保护。

实验结果

研究问题

• RQ1 当应用于受保护模板时，随机酉变换是否能保持SVM分类器的判别能力？
• RQ2 在标准核函数下，所提方法是否能保持与未受保护模板相同的分类准确性？
• RQ3 在多用户环境中，使用共享密钥与独立密钥如何影响安全性和性能？
• RQ4 当密钥或原始模板泄露时，该方案在多大程度上能抵抗欺骗攻击？
• RQ5 标准SVM算法能否在受保护模板上直接使用而无需算法修改？

主要发现

• 在密钥条件1（共享密钥）下，受保护模板与未受保护模板的分类性能完全相同，两种情况下的等错误率（EER）值一致。
• 在密钥条件2（每位用户独立密钥）下，误接受率（FAR）显著降低，由于更严格的认证要求，安全性得到提升。
• 即使密钥泄露，FAR仍保持较低水平（仅轻微下降），表明对欺骗攻击具有较强鲁棒性。
• 当原始模板泄露时，FAR仍保持较低水平，证实通过酉变换的保护能有效防止未授权访问。
• 该方法支持在受保护数据上直接使用标准SVM算法，无需依赖专用的安全计算框架。
• 基于Extended Yale Face Database B的人脸识别实验验证了高准确率，RBF和线性核均表现良好，证实了该方法的实用性。