$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

암호화된 데이터에 대한 프라이버시를 보존하는 k-means 클러스터링 기법
Privacy-Preserving k-means Clustering of Encrypted Data 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.28 no.6, 2018년, pp.1401 - 1414  

정윤송 (고려대학교 정보보호대학원) ,  김준식 (고려대학교 정보보호대학원) ,  이동훈 (고려대학교 정보보호대학원)

초록
AI-Helper 아이콘AI-Helper

k-means 클러스터링 알고리즘은 주어진 데이터를 비슷한 k개의 그룹으로 묶어서 시장 세분화나 의료연구 등의 다양한 분야에서 활용되고 있다. 본 논문에서는 다수의 사용자 데이터를 노출하지 않고 암호화하여 외부 서버에 저장하는 환경에서 프라이버시를 보존하는 클러스터링 알고리즘을 제안한다. 분산된 서버에 평문으로 저장된 데이터를 다자간 계산프로토콜을 기반으로 수행된 기존 클러스터링 알고리즘 연구와 비교했을 때 제안하는 기법은 모든 데이터를 안전하게 암호문으로 저장할 수 있다는 뚜렷한 장점이 있다. 데이터 간의 거리를 측정하고 비교하기 위해서 덧셈과 곱셈 연산이 가능한 완전동형암호로 데이터를 암호화한다. 프로토콜 수행과정에서 사용자 데이터의 안전성을 분석하고 통신량과 연산량을 다른 연구들과 비교한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The k-means clustering algorithm groups input data with the number of groups represented by variable k. In fact, this algorithm is particularly useful in market segmentation and medical research, suggesting its wide applicability. In this paper, we propose a privacy-preserving clustering algorithm t...

주제어

#Privacy-preserving clustering   #Fully homomorphic encryption   #k-means clustering  

표/그림 (7)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 또한, 암호화된 정보들을 연산하기 위해서는 완전동형암호 기법이 필요하다. 본 논문에서는 다수의 사용자 개인정보를 완전동형암호로 암호화하여 안전하게 저장하고 클러스터링을 수행하는 기법을 제안하고자 한다.

가설 설정

  • 평문 공간의 크기가 암호문의 크기 비교의 시간 복잡도에 영향을 주기 때문에 거듭제곱한 유클리드 거리의 크기보다 값이 작은 맨해튼 거리를 선택했다. 클러스터링 연산을 할 때 초기 중심은 입력 데이터 중에서 랜덤으로 선택한다고 가정한다. 여기서는 간단하게 k-means 클러스터링 알고리즘의 개념을 설명하고 자세한 내용은 MacQueen[19]의 연구를 따른다.
  • 평가자와 CSP는 모두 호기심을 가진(honestbut-curious, or semi-honest) 공격자라고 가정한다. 호기심을 가진 공격자는 기능성을 제공하기 위해서 프로토콜을 충실히 따르지만, 추가로 가능한 정보를 얻기 위한 시도를 하는 공격자이다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
클러스터링 알고리즘을 이용한 의료 연구의 예는 무엇이 있는가? 클러스터링 알고리즘을 이용한 시장 세분화[1,2]와 의료 연구[3,4] 등의 사회공학 연구는 활발히 이루어져 왔다. 그 예로 환자의 나이, 성별, 체중, 흡연 여부 등을 변수로 클러스터링된 결과가 당뇨병 발병 확률을 예측할 수 있다는 연구 결과[4]가 있다. 시장 분석이나 발병원인의 연구는 여러 출처(source)에서 수집되는 다수의 샘플 데이터로 클러스터링을 수행해야 유의미한 결과를 얻을 수 있다.
k-means 클러스터링이란 무엇인가? k-means 클러스터링은 d차원 벡터 데이터의 집합을 상수 k개의 클러스터(cluster)라는 부분집합으로 분할하는 비지도 학습 알고리즘이다. 각각의 데이터는 클러스터 내 거리의 합을 최소화하는 가장 가까운 클러스터에 속한다.
완전동형암호를 구성하는 네 개의 알고리즘은 무엇인가? 완전동형암호는 다음과 같이 네 개의 알고리즘(Setup,Enc,Dec,Eval)으로 구성되어 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (21)

  1. S. Dolnicar, "Using cluster analysis for market segmentation - typical misconceptions, established methodological weaknesses and some recommendations for improvement," Australasian Journal of Market Research, vol. 11, no. 2, pp. 5-12, Nov. 2003. 

  2. M.N. Tuma, R. Decker, and S.W. Scholz, "A survey of the challenges and pitfalls of cluster analysis application in market segmentation," International Journal of Market Research, vol. 53, no. 3, pp. 391-414, May 2011. 

    상세보기 crossref

  3. M. GJ, "Cluster analysis and related techniques in medical research," Statistical Methods in Medical Research. vol. 1, no. 1, pp. 27-48, Mar. 1992. 

    상세보기 crossref

  4. R. Paul, and A.S.M.L. Hoque, "Clustering medical data to predict the likelihood of diseases," Proceedings of 2010 Fifth International Conference on Digital Information Management, pp. 44-49, July 2010. 

  5. P. Bunn and R. Ostrovsky, "Secure two-party k-means clustering," Proceedings of the 14th ACM conference on Computer and communications security, pp. 486-497, Oct. 2007. 

  6. G. Jagannathanand and R.N. Wright, "Privacy-preserving distributed kmeans clustering over arbitrarily partitioned data," Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining, pp. 593-599, Aug. 2005. 

  7. S. Jha, L. Kruger, and P. McDaniel, "Privacy Preserving Clustering," European Symposium on Research in Computer Security, LNCS 3679, pp. 397-417, 2005. 

  8. A. Jaschke, and F. Armknecht, "Unsupervised Machine Learning on Encrypted Data," IACR ePrint, Report 2018-411, May 2018. 

  9. V. Nikolaenko, U. Weinsberg, S. Ioannidis, M. Joye, D. Boneh, and N. Taft, "Privacy-Preserving Ridge Regression on Hundreds of Millions of Records," Proceedings of 2013 IEEE Symposium on Security and Privacy, pp. 334-348, May 2013. 

  10. A.C. Yao, "How to generate and exchange secrets," Proceedings of 27th Annual Symposium on Foundations of Computer Science, pp. 162-167, Oct. 1986. 

  11. Y. Lindell and B. Pinkas, "A Proof of Security of Yao's Protocol for Two-Party Computation," Journal of Cryptology, vol. 22, no. 2, pp. 161-188, Apr. 2009. 

    상세보기 crossref

  12. Z. Brakerski, C. Gentry, and V. Vaikuntanathan, "(Leveled) fully homomorphic encryption without bootstrapping," ACM Transactions on Computation Theory, vol. 6, no. 13, July 2014. 

  13. HElib, "HElib", https://github.com/shaih/HElib, Last accessed 13 Dec. 2018. 

  14. I. Chillotti, N. Gama, M. Georgieva, and M. Izabachene, "Faster Fully Homomorphic Encryption: Bootstrapping in Less Than 0.1 Seconds," Advances in Cryptology, ASIACRYPT 2016, LNCS 10031, pp. 3-33, 2016. 

  15. C. Gentry, A. Sahai, and B. Waters, "Homomorphic Encryption from Learning with Errors: Conceptually - Simpler, Asymptotically-Faster, Attribute-Based," Advances in Cryptology, CRYPTO '13. LNCS 8042, pp. 75-92, 2013. 

  16. TFHE:Fast Fully Homomorphic Encryption over the Torus, "TFHE," https://tfhe.github.io/tfhe/, Last accessed 13 Dec. 2018. 

  17. B.K. Samanthula, Y. Elmehdwi, and W. Jiang, "k-Nearest Neighbor Classification over Semantically Secure Encrypted Relational Data," IEEE Transactions on Knowledge and Data Engineering, vol. 27, no. 5, pp. 1261-1273, May 2015. 

    상세보기 crossref

  18. H. Narumanchi, D. Goyal, N. Emmadi, and P. Gauravaram, "Performance Analysis of Sorting of FHE Data: Integer-Wise Comparison vs Bit-Wise Comparison," Proceedings of 2017 IEEE 31st International Conference on Advanced Information Networking and Applications, pp. 902-908, Mar. 2017. 

  19. J. MacQueen, "Some Methods for classification and Analysis of Multivariate Observations," Proceedings of Fifth Berkeley Symposium on Mathematical Statistics and Probability, pp. 281-297, Jan. 1967. 

  20. C. Peikert and S.Shiehian, "Multi-Key FHE from LWE, Revisited", IACR ePrint 2016-196, Aug. 2016. 

  21. V. Lyubashevsky, C. Peikert, and O. Regev, "On Ideal Lattices and Learning with Errors over Rings", Advances in Cryptology, EUROCRYPT 2010, LNCS 6110, pp. 1-23, 2010. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로