次线性隐私保护近邻搜索
密码学与安全
2019-10-18 v4 数据库
信息检索
摘要
在近邻搜索 (Near-Neighbor Search, NNS) 中，新客户端向数据库（由服务器持有）查询在给定相似度度量下最相似的数据（近邻）。隐私保护变体 (PP-NNS) 要求服务器和客户端均不能获取关于对方数据的信息，除非是从 NNS 的结果中推断出的信息。当前数据集规模的急剧增长以及在线世界中缺乏真正安全的服务器，使得现有解决方案变得不切实际；这要么是因为其高计算要求，要么是因为可能损害隐私的不切实际的假设。Li 等人 (CCSW'15) 提出具有关于数据库大小呈次线性的查询时间的 PP-NNS 作为一个开放研究方向。在本文中，我们提供了首个此类算法，称为 Secure Locality Sensitive Indexing (SLSI)，它具有次线性查询时间以及处理诚实但好奇 (honest-but-curious) 方的能力。我们提议的核心在于一种安全二值嵌入方案，该方案是通过对局部敏感哈希族进行新颖的概率变换生成的。我们提供了隐私保证的信息论界限，并利用在真实世界数据集上的大量实证证据支持了我们的理论主张。
引用
@article{arxiv.1612.01835,
title = {Sub-Linear Privacy-Preserving Near-Neighbor Search},
author = {M. Sadegh Riazi and Beidi Chen and Anshumali Shrivastava and Dan Wallach and Farinaz Koushanfar},
journal= {arXiv preprint arXiv:1612.01835},
year = {2019}
}