[论文解读] Private Secure Coded Computation

Minchul Kim, Jungwoo Lee|arXiv (Cornell University)|Feb 1, 2019

Cryptography and Data Security参考文献 9被引用 7

一句话总结

本文提出了一种私密安全多项式编码（private secure polynomial codes），这是一种新颖的编码计算方案，可在分布式矩阵乘法中同时确保数据安全和主节点隐私。通过将主节点的数据与一个随机矩阵联合编码，并为库中的矩阵使用不同的编码变量，该方案可防止工作者了解请求的是哪个数据集或推断主节点的数据，与改进的私密多项式编码相比，计算速度最高可提升25%。

ABSTRACT

We introduce a variation of coded computation that ensures data security and master's privacy against workers, which is referred to as private secure coded computation. In private secure coded computation, the master needs to compute a function of its own dataset and one of the datasets in a library exclusively shared by external workers. After recovering the desired function, the workers must not be able to know which dataset in the library was desired by the master or obtain any information about the master's own data. We propose a private secure coded computation scheme for matrix multiplication, namely private secure polynomial codes, based on private polynomial codes for private coded computation. In simulations, we show that the private secure polynomial codes achieves better computation time than private polynomial codes modified for private secure coded computation.

研究动机与目标

• 解决分布式编码计算中数据安全与主节点隐私的双重挑战。
• 设计一种方案，使工作者无法推断主节点从库中请求的是哪个数据集。
• 确保工作者即使在计算完成后也无法获得关于主节点私有数据的任何信息。
• 与现有私密编码计算方案相比，提升计算效率。
• 实现在人工智能助手等系统中的实际部署，其中用户隐私与数据安全至关重要。

提出的方法

• 主节点将私有数据 A 和一个随机矩阵 R 编码为多项式编码，以确保数据安全。
• 主节点为库中的矩阵使用不同的编码变量，以防止工作者将计算结果与特定数据集关联。
• 每个工作者接收 A 和库中 B 的子集的编码版本，并在这些编码输入上计算一个函数。
• 主节点从 K 名工作者的结果中恢复期望的矩阵乘法 f(A, B_D)，其中 K 为恢复阈值。
• 该方案以私密多项式编码为基础，但通过额外的隐私保护编码机制进行扩展。
• 计算时间基于指数分布假设进行建模，以在慢速工作者（stragglers）条件下比较性能。

实验结果

研究问题

• RQ1 是否存在一种编码计算方案，能够同时保护主节点隐私并确保对不受信工作者的数据安全？
• RQ2 主节点如何隐藏在计算中使用的是库中的哪个数据集 B_D，以防止工作者知晓？
• RQ3 基于编码变量对工作者进行分组对私密安全编码计算中的计算时间有何影响？
• RQ4 与为隐私和安全而适配的私密多项式编码相比，所提出的方案在计算效率上表现如何？
• RQ5 在分布式矩阵乘法中，安全、隐私与计算延迟之间存在何种权衡？

主要发现

• 私密安全多项式编码相比为私密安全计算而修改的私密多项式编码，计算时间最多减少25%。
• 在不同慢速工作者参数下，该方案优于现有方法，尤其当慢速参数 μ 较小时表现更优。
• 随着 μ 增大，两种方案的性能差距缩小，表明慢速工作者的影响减弱。
• 在私密安全多项式编码中，恢复阈值 K 为 n(m+1)，所需计算量为直接矩阵乘法的 n/(n-1) 倍。
• 所提出的方案通过确保工作者无法推断所请求的数据集或主节点的私有数据，同时维护了数据安全与主节点隐私。
• 仿真结果证实，由于更好的负载均衡和更小的工作者分组效应，该方案比基线方法更高效。