Efficient Secure Multi-Party Computation Framework for Privacy-Preserving Machine Learning

用于保护隐私的机器学习的高效安全多方计算框架

基本信息

批准号：
22KF0098
负责人：
高木剛
金额：
$ 1.02万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2023
资助国家：
日本
起止时间：
2023-03-08 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KF0098/
关键词：
最近傍検索プライバシ保護機械学習マルチパーティ計算

项目摘要

本研究課題では、プライバシ保護機能付き機械学習(PPML)に向けた効率的なマルチパーティ計算(MPC)の構築を目指す。従来の方式では結託攻撃に対して耐性のある方式は汎用的なMPCを用いており、プライバシ保護機能付き機械学習に適応する際には計算処理量が多くなる問題点があった。本提案では、通常の計算環境を持つデータ提供者が、計算資源が豊富な計算サーバとサービス提供者に対して委託計算を行うヘテロジニアスなMPCを構成する。特に、高速実装可能となる2者結託攻撃に対して安全な3者計算を基本構成単位とするプロトコルにより計算の効率化を目指している。また、機械学習で使用されるデータは高次元かつ疎であるが、既存のプライバシ保護機能付き機械学習ではスパース性を考慮されていない問題点があった。本研究は、データの疎性を利用した安全な行列乗算プロトコルを考察する。特に、紛失通信による鍵保存と等価回路テストを組み合わせることにより、非零データの要素を取得するプロトコルを提案する。提案方式により、取得した非零データの情報を用いることにより、入力データの次元に依存しない行列計算が可能となる。さらに、マルチパーティ計算において能動的な攻撃者に対する個人識別性に関する考察を行う。Barreto-Libert-McCullagh-Quisquater署名を分散型に拡張して、鍵生成における結託攻撃およびDoS攻撃に対して耐性のある方式を構成して、適応的選択平文攻撃に対して存在的偽造が不可能な分散署名の実現を目標とする。

该研究主题旨在为机器学习（PPML）建立高效的多方计算（MPC），并具有隐私保护。在常规方法中，一种对勾结攻击具有抵抗力的方法使用通用MPC，并且在使用隐私保护适应机器学习时，存在一个问题，涉及大量的计算处理。在此提案中，具有正常计算环境的数据提供商形成了异质的MPC，这些MPC可以用丰富的计算资源和外包计算来执行计算服务器，并将计算外包给服务提供商。特别是，该公司旨在通过使用使用三向计算的协议来提高计算效率，该协议可以安全地防止两片串谋攻击，该攻击可以高速实施。此外，尽管机器学习中使用的数据较高且稀疏，但现有的具有隐私保护功能的机器学习并未考虑到稀疏性。这项研究考虑了使用数据稀少度的安全矩阵乘法协议。特别是，我们提出了一种协议，用于通过通过丢失的通信与等效电路测试结合密钥存储来获得非零数据元素。通过使用获得的非零数据信息，可以使用所提出的方法来取决于输入数据的尺寸的矩阵计算。此外，我们将考虑在多方计算中对主动攻击者的个人识别。 Barreto-Libert-McCullagh-Exquater签名扩展到了分布式的方式，以构建对关键一代中对勾结和DOS攻击具有抵抗力的，目的是实现目前没有针对自适应，精选的宣传攻击的分布式签名。