[论文解读] PrivPy: Enabling Scalable and General Privacy-Preserving Computation.

Yi Li, Yitao Duan+1 more|arXiv (Cornell University)|Jan 30, 2018

Cryptography and Data Security参考文献 53被引用 6

一句话总结

PrivPy 是一个可扩展的、通用的 Python 隐私保护计算框架，支持基于秘密共享协议的安全协作机器学习。它支持高效的实数私有算术运算，包括优化的私有乘法和比较操作，并在大规模数据集和模型（如逻辑回归和卷积神经网络）上展示了可扩展性。

ABSTRACT

We introduce PrivPy, a practical privacy-preserving collaborative computation framework. PrivPy provides an easy-to-use and highly compatible Python programming front-end which supports high-level array operations and different secure computation engines to allow for security assumptions and performance trade-offs. We also design and implement a new secret-sharing-based computation engine with highly efficient protocols for private arithmetics over real numbers: a fast secure multiplication protocol, a garbled-circuit-based secure comparison protocol, and optimized array/matrix operations that are essential for big data applications. PrivPy provides provable privacy and supports general computation. We demonstrate the scalability of PrivPy using machine learning models (e.g. logistic regression and convolutional neural networks) and real-world datasets (including a 5000-by-1-million private matrix).

研究动机与目标

• 解决机器学习中隐私保护协作计算缺乏实用、通用框架的问题。
• 使用秘密共享技术实现高效且安全的实数运算，支持矩阵乘法和比较等复杂操作。
• 提供高层级、面向 Python 的接口，集成多种安全计算引擎，并支持灵活的安全性-性能权衡。
• 将隐私保护计算扩展到大规模数据集和复杂模型（如深度神经网络）。
• 在保证可证明隐私的同时，为大数据工作负载保持高性能。

提出的方法

• PrivPy 使用基于秘密共享的安全计算引擎，通过高效的协议实现实数上的私有算术运算。
• 采用优化的秘密共享技术，实现快速的私有乘法协议，以减少通信和计算开销。
• 基于混淆电路的安全比较协议，实现低延迟的实数间私有比较。
• 对数组和矩阵运算进行了性能优化，支持大规模数据上的高效执行。
• 该框架提供高层级的 Python API，抽象了底层密码学细节，并支持多种安全计算后端。
• 在标准密码学假设下，支持通用计算并提供可证明的隐私保证。

实验结果

研究问题

• RQ1 高层级的 Python 框架能否实现对现实世界机器学习工作负载的实用、可扩展的隐私保护计算？
• RQ2 使用秘密共享技术实现实数上的安全算术运算（尤其是矩阵和数组运算）的效率如何？
• RQ3 在一个框架中集成多种安全计算引擎时，可能实现哪些安全性与性能之间的权衡？
• RQ4 隐私保护计算在多大程度上可以扩展到大规模数据集和复杂模型（如深度神经网络）？
• RQ5 针对私有乘法和比较的优化协议是否能显著提升隐私保护机器学习中的性能？

主要发现

• PrivPy 可成功扩展至 5000×100 万的私有矩阵，证明了其在大数据应用中的可行性。
• 该框架在标准密码学假设下支持通用计算，并提供可证明的隐私保证。
• 优化的私有乘法和比较协议显著降低了计算和通信成本。
• 多种安全计算引擎的集成使用户能够根据需求选择安全性与性能之间的权衡。
• PrivPy 能够以隐私保护方式高效执行逻辑回归和卷积神经网络等机器学习模型。
• 高层级的 Python API 确保了易用性，同时不牺牲性能或安全性。