重新审视可搜索对称加密推理攻击中攻击者的知识
密码学与安全
2025-09-30 v1
摘要
加密搜索方案已被提出以应对日益增长的隐私关切。然而,若干泄露滥用攻击已凸显出一些安全漏洞。近期攻击假设攻击者掌握与被索引数据"相似"的数据。然而,这一模糊的假设在文献中鲜有讨论:攻击者获得"足够相似"数据的可能性究竟有多大?本文提供了可用于该设定下任何攻击的新型统计工具,以分析其对数据相似性的敏感性。首先,我们引入一个基于统计估计量的数学模型,以解析地理解攻击者的知识及相似性的概念。其次,我们构思了用于建模相似性对攻击准确率影响的统计工具。我们将所提工具应用于三种已有攻击,以回答如下问题:相似性是否是影响给定攻击准确率的唯一因素?第三,我们证明强制设定最大索引规模可使"相似数据"假设更难满足。特别地,我们提出了一种统计方法,用于针对给定攻击与数据集估计合适的最大规模。对于 Enron 数据集上已知最优的攻击,最大索引规模为 200 时即可保证(以高概率)攻击准确率低于 5%。
引用
@article{arxiv.2504.09879,
title = {Revisiting the attacker's knowledge in inference attacks against Searchable Symmetric Encryption},
author = {Marc Damie and Jean-Benoist Leger and Florian Hahn and Andreas Peter},
journal= {arXiv preprint arXiv:2504.09879},
year = {2025}
}
备注
Accepted in ACNS 2025