Billion-Scale Nearest-Neighbor Search under Fully Homomorphic Encryption on a Single GPU, Balancing Leakage and Cost
Questo articolo presenta un sistema accelerato da GPU per la ricerca dei vicini più prossimi su scala di miliardi sotto crittografia omomorfica completa che raggiunge una latenza pratica combinando la riduzione del rango e il routing gerarchico, quantificando e mitigando al contempo la relativa fuga geometrica attraverso il padding con seed.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate di avere una biblioteca contenente miliardi di foto e di voler trovare quella che somiglia di più a un'immagine che avete in tasca. Normalmente, un computer scansionerebbe ogni singola foto per trovare la corrispondenza, ma cosa succederebbe se non poteste mostrare al computer la vostra immagine perché è privata? E se la biblioteca fosse di proprietà di uno sconosciuto di cui non vi fidate? Questo è il problema che i ricercatori si sono posti di risolvere. Volevano un modo per far sì che un computer cercasse in un database massiccio e segreto senza mai vedere l'effettiva domanda che viene posta. Per farlo, utilizzano un metodo chiamato crittografia omomorfica completa, che è come mettere la vostra domanda all'interno di una scatola trasparente e chiusa a chiave. Il computer può eseguire calcoli sulla scatola senza aprirla, restituendo un risultato che è ancora chiuso. Solo voi, che possedete la chiave, potete aprire la scatola finale per vedere la risposta. Per anni, questa idea è stata troppo lenta per essere utile per collezioni di dati enormi, poiché la matematica necessaria per mantenere la scatola chiusa era incredibilmente pesante.
Un team di ricercatori ha ora costruito un sistema che rende possibile questo per un miliardo di elementi, eseguendosi su una singola scheda grafica. Sono riusciti a trovare le immagini più simili in un database di 1,39 miliardi di voci senza che il server vedesse mai la query. Il sistema funziona utilizzando due trucchi principali per velocizzarlo. Primo, semplifica le immagini. Invece di confrontare ogni minimo dettaglio di una foto, il sistema riduce la descrizione di ogni immagine a una versione più breve e semplice prima che la ricerca inizi. Questo rende la matematica molto più leggera. Secondo, non guarda ogni singola foto. Invece, utilizza una gerarchia, come una mappa che prima indica un quartiere generale, poi una strada specifica e infine alcune case. Il computer controlla solo le foto in quelle aree selezionate, saltando il resto. Questo permette al sistema di trovare la risposta corretta rapidamente, anche se i dati sono chiusi in una scatola.
I risultati dimostrano che questo approccio funziona sorprendentemente bene. Su un dataset di 1,39 miliardi di immagini, il sistema ha trovato la corrispondenza corretta tra i primi dieci risultati nel 90 percento dei casi. Quando i ricercatori hanno permesso la presenza di duplicati quasi identici — dato che internet è pieno di copie leggermente diverse della stessa foto — il tasso di successo è salito al 95 percento. L'intero processo ha richiesto circa sei secondi per ricerca su una singola scheda grafica. Si tratta di una velocità "deployable" (pronta per l'uso), il che significa che è abbastanza veloce per un uso nel mondo reale una volta che il database è stato preparato in anticipo. I ricercatori hanno anche testato il sistema su una diversa collezione di un miliardo di vettori a 96 dimensioni, ottenendo un tasso di successo del 90 percento in soli 2,3 secondi. Questi numeri dimostrano che cercare miliardi di elementi criptati su una singola macchina non è più solo un sogno teorico.
Tuttavia, i ricercatori sono stati attenti a misurare cosa questa velocità costi in termini di privacy. Sebbene il server non veda mai la domanda o la risposta, esso vede quali gruppi di dati il computer chiede di consultare. Questo schema di accesso può rivelare indizi sul database stesso. Osservando quali gruppi vengono richiesti insieme, un osservatore potrebbe ricostruire circa il 72 percento della mappa che mostra come i dati siano organizzati. Potrebbero anche ipotizzare che due ricerche diverse stiano cercando cose simili se richiedono gli stessi gruppi. Per risolvere questo problema, i ricercatori hanno provato un metodo in cui il computer richiede gruppi di dati extra e finti insieme a quelli reali per nascondere il vero schema. Se i gruppi finti cambiano ogni volta, un attaccante astuto può comunque scoprire la verità confrontando molte ricerche. Ma se i gruppi finti sono fissi e sempre gli stessi, l'attaccante non può rimuoverli. Questo "padding" (riempimento) con semi riduce la fuga di informazioni di circa 35 volte, facendo scendere la ricostruzione della mappa del database dal 72 percento a appena il 2 percento.
Il team ha anche esplorato altri modi per rendere la ricerca più veloce, come una tecnica chiamata quantizzazione del prodotto, che suddivide i dati in piccoli codici. Hanno scoperto che, sotto crittografia, questo metodo non funziona bene. O falliva nel battere la ricerca standard criptata o rivelava troppe informazioni sulla struttura dei dati. Hanno deciso quindi di non usarlo, attenendosi invece al metodo più semplice di riduzione delle dimensioni delle descrizioni dei dati e all'uso della mappa gerarchica. Questa scelta evidenzia un concetto chiave: a volte, un approccio diretto è migliore di uno complesso quando la priorità è la privacy.
Il sistema opera facendo sì che l'utente invii una domanda criptata al server. Il server, che detiene il database criptato, esegue i calcoli sui dati chiusi. Controlla prima alcune migliaia di categorie ampie, poi restringe il campo a qualche migliaio di gruppi più specifici e infine valuta i punteggi delle immagini effettive in quei gruppi. Ad ogni passaggio, il server restituisce punteggi criptati. L'utente decripta i punteggi, decide quali gruppi guardare successivamente e invia una nuova richiesta. Il server non vede mai la decisione dell'utente o la risposta finale. Questo scambio avanti e indietro continua finché non vengono trovati i primi dieci match. I ricercatori hanno misurato il tempo necessario per caricare i dati ed eseguire la valutazione, escludendo il tempo che l'utente impiega per decriptare il risultato finale o per il transito dei dati sulla rete. Hanno scoperto che il tempo è dominato dal caricamento dei dati criptati nella memoria del computer, non dalla matematica in sé.
Nella loro analisi dei rischi per la privacy, i ricercatori hanno dimostrato che la perdita di informazioni è una proprietà di come la ricerca viene indirizzata, non del dato specifico che viene cercato. Che il database contenesse volti o immagini generiche, il modello di accesso rivelava la stessa quantità di informazioni strutturali. Hanno dimostrato che, senza protezione, un osservatore potrebbe recuperare la raggruppazione dei dati quasi perfettamente. Con il padding a gruppi fissi, questo recupero è diminuito significamente, sebbene non sia scomparso del tutto. Il compromesso è chiaro: per nascondere lo schema di accesso, il sistema deve recuperare più dati di quelli strettamente necessari, il che aumenta il tempo necessario per completare una ricerca. I ricercatori hanno mostrato che questo costo può essere gestito, ma richiede un equilibrio tra quanta privacy è necessaria e quanto deve essere veloce il sistema.
Questo lavoro rappresenta un passo avanti significativo nel rendere pratica la ricerca privata su scala massiccia. Dimostra che è possibile cercare un miliardo di elementi senza rivelare le proprie intenzioni, a patto di accettare qualche secondo di ritardo e un costo di privacy attentamente gestito. Il sistema non si basa sulla magia o su teorie non provate; utilizza una matematica consolidata e un'ingegneria intelligente per risolvere un problema reale. I ricercatori hanno fornito una guida completa su come costruire e gestire questo sistema, inclusi i settaggi esatti per velocità e accuratezza. Hanno anche mostrato dove risiedono i limiti, in particolare riguardo alle informazioni che filtrano attraverso il modello di ricerca. Essendo trasparenti su ciò che è nascosto e ciò che viene rivelato, offrono una via realistica per la ricerca sicura dei dati in un'era in cui la privacy è sempre più preziosa.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.