SANNS：扩展安全近似 k 近邻搜索的规模化能力

$k$ 近邻搜索（$k$-NNS）是若干基于云的服务（如推荐系统、人脸识别以及文本与图像数据库搜索）的支柱。在这些服务中，客户端将查询发送至云服务器并接收响应，此时查询与响应会暴露给服务提供商。由于数据的敏感性和/或隐私法律，此类数据泄露在多种场景下是不可接受的。本文中，我们提出 SANNS，一个保持客户端查询与搜索结果机密性的安全 $k$-NNS 系统。SANNS 包含两种协议：一种优化的线性扫描协议，以及一种基于新颖的子线性时间聚类算法的协议。我们证明了这两种协议在标准半诚实模型下的安全性。这些协议构建于若干最先进的密码学原语之上，如基于格的加性同态加密、分布式不经意 RAM 与混淆电路。我们对这些原语均作出了可应用于其他安全计算任务的若干贡献。我们的两种协议均依赖于一个从 $n$ 个数中进行近似 top-$k$ 选择的新电路，该电路由 $O(n + k^2)$ 个比较器构成。我们实现了所提出的系统，并在两种不同计算环境下的四个数据集上进行了广泛的实验，结果表明相比先前工作中最优实现的协议，响应时间加快了超过 $18-31\times$。此外，SANNS 是首个扩展到千万条目数据库的工作，将极限提升了两个数量级以上。