Proceedings of the Korea Information Processing Society Conference (한국정보처리학회:학술대회논문집)

  • 2024.05a
  • /
  • Pages.419-422
  • /
  • 2024
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지

High-Efficiency Homomorphic Encryption Techniques for Privacy-Preserving Data Learning

프라이버시 보존 데이터 학습을 위한 고효율 동형 암호 기법

  • Hye Yeon Shim (Dept. of Future Convergence Technology Engineering, Sungshin Women's University) ;
  • Yu-Ran Jeon (Dept. of Future Convergence Technology Engineering, Sungshin Women's University) ;
  • Il-Gu Lee (Dept. of Convergence Security Engineering, Sungshin Women's University)
  • 심혜연 (성신여자대학교 미래융합기술공학과) ;
  • 전유란 (성신여자대학교 미래융합기술공학과) ;
  • 이일구 (성신여자대학교 융합보안공학과)
  • Published : 2024.05.23
Download PDF
⟨ Previous Next ⟩

Abstract

최근 인공지능 기술의 발전과 함께 기계학습과 빅데이터를 융합한 서비스가 증가하게 되었고, 무분별한 데이터 수집과 학습으로 인한 개인정보 유출 위험도가 커졌다. 따라서 프라이버시를 보호하면서 기계학습을 수행할 수 있는 기술이 중요해졌다. 동형암호 기술은 정보 주체자의 개인정보 기밀성을 유지하면서 기계학습을 할 수 있는 방법 중 하나이다. 그러나 평문 크기에 비례하여 암호문 크기와 연산 결과의 노이즈가 커지는 동형암호의 특징으로 인해 기계학습 모델의 예측 정확도가 감소하고 학습 시간이 오래 소요되는 문제가 발생한다. 본 논문에서는 부분 동형암호화된 데이터셋으로 로지스틱 회귀 모델을 학습할 수 있는 기법을 제안한다. 실험 결과에 따르면 제안하는 기법이 종래 기법보다 예측 정확도를 59.4% 향상시킬 수 있었고, 학습 소요 시간을 63.6% 개선할 수 있었다.

Keywords

Acknowledgement

본 논문은 2024 년도 산업통상자원부 및 한국산업기술진흥원의 산업혁신인재성장지원사업 (RS-2024-00415520)과 과학기술정보통신부 및 정보통신기획평가원의 ICT 혁신인재 4.0 사업의 연구결과로 수행되었음 (No. IITP-2022-RS-2022-00156310)

References

  1. Mohammad Shehab, Laith Abualigah, Qusai Shambour, Muhannad A. Abu-Hashem, Mohd Khaled Yousef Shambour, Ahmed Izzat Alsalibi, and Amir H. Gandomi, "Machine learning in medical applications: A revie of state-of-the-art methods," Computers in Biology and Medicine, 145, 2022.
  2. Satish Kumar, Dipasha Sharma, Sandeep Rao, Weng Marc Lim, and Sachin Kumar Mangla, "Past, present, and future of sustainable finance: insights from big data analytics through machine learning of scholarly research," Annals of Operations Research, pp. 1-44, 2022.
  3. Bo Liu, Ming Ding, Sina Shaham, Wenny Rahayu, Farhad Farokhi, and Zihuai Lin, "When machine learning meets privacy: A survey and outlook," ACM Computing Surveys (CSUR), 54, 2, pp. 1-36, 2021.
  4. Maria Rigaki, and Sebastian Garcia, "A survey of privacy attacks in machine learning," ACM Computing Surveys, 56, 4, pp. 1-34, 2023.
  5. Robert Podsch adt, Parsa Ghazvinian, Mohammad GhasemiGol, and Daniel Takabi, "Memory Efficient Privacy-Preserving Machine Learning Based on Homomorphic Encryption," International Conference on Applied Cryptography and et ork Security. Abu Dhabi, United Arab Emirates, 2024, pp. 313-339.
  6. Martin Albrecht, Melissa Chase, Hao Chen, Jintai Ding, Shafi Gold asser, Sergey Gorbunov, Shai Halevi, Jeffrey Hoffstein, Kim Laine, Kristin Lauter, Satya Lokam, Daniele Micciancio, Dustin Moody, Travis Morrison, Amit Sahai, and Vinod Vaikuntanathan, "Homomorphic encryption standard," Protecting privacy through homomorphic encryption, pp. 31-62, 2021.
  7. Luis Bernardo Pulido-Gaytan, Andrei Tchernykh, Jorge M. Cortes-Mendoza, Mikhail Babenko, and Gleb Radchenko, "A survey on privacy-preserving machine learning ith fully homomorphic encryption," Latin American High Performance Computing Conference, Cuenca, Ecuador, 2020, pp. 115-129.
  8. Luigi Sgaglione, Luigi Coppolino, Salvatore D'Antonio, Giovanni Mazzeo, Luigi Romano, Domenico Cotroneo, and Andrea Scognamiglio, "Privacy preserving Intrusion Detection via Homomorphic Encryption," 2019 IEEE 28th International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises (WETICE),  apoli, Italy, 2019, pp. 321-326.
  9. Georgios Spathoulas, Georgios Theodoridis, and Georgios-Paraskevas Damiris, "Using homomorphic encryption for privacy-preserving clustering of intrusion detection alerts," International Journal of Information Security, 20, 3, pp. 347-370, 2021.
  10. Abdulatif Alabdulatif, Ibrahim Khalil, Heshan Kumarage, Albert Y. Zomaya, and Xun Yi, "Privacy-preserving anomaly detection in the cloud for quality assured decision-making in smart cities," Journal of Parallel and Distributed Computing, 127, pp. 209-223, 2019.
  11. Ayoub Benaissa, Bilal Retiat, Bogdan Cebere, and Alaa Eddine Belfedhal, "Tenseal: A library for encrypted tensor operations using homomorphic encryption," arXiv preprint arXiv:2104.03152, 2021.
  12. Hao Chen, Ran Gilad-Bachrach, Kyoohyung Han, Zhicong Huang, Amir Jalali, Kim Laine, and Kristin Lauter, "Logistic regression over encrypted data from fully homomorphic encryption," BMC medical genomics 11, pp. 3-12, 2018.