PADER: Paillier 암호화를 기반으로 한 안전한 분산형 소셜 추천 시스템

PADER: Paillier-based Secure Decentralized Social Recommendation

추천 시스템의 확산은 사용자뿐만 아니라 판매자에게도 개인 정보 보호 문제를 야기합니다. 중앙 집중식 플랫폼은 사용자로부터 최대한 많은 데이터를 수집하기 때문입니다. 본 연구에서는 이러한 문제를 해결하기 위해 Paillier 암호화를 기반으로 한 안전한 분산형 소셜 추천 시스템인 PADER를 제안합니다. PADER 시스템에서 사용자와 판매자는 분산 네트워크의 노드로 구성됩니다. 추천 모델의 학습 및 추론은 중앙 집중식 플랫폼의 개입 없이 안전하게 분산 방식으로 수행됩니다. 이를 위해, 사용자 평점과 사회적 관계를 활용하는 SoReg 모델에 Paillier 암호화 방식을 적용했습니다. SoReg 모델을 두 당사자 간의 안전한 다항식 계산 문제로 간주했으며, 간단한 양방향 계산이 효율성이 떨어질 수 있음을 확인했습니다. 효율성을 개선하기 위해, 임의의 산술 회로에 대한 안전한 계산을 지원하는 안전한 덧셈 및 곱셈 프로토콜과, 실숫값 다항식 계산에 적합한 최적의 데이터 패킹 방식을 설계했습니다. 실험 결과, 제안하는 방법은 수백 개의 평점을 가진 한 명의 사용자를 처리하는 데 약 1초밖에 걸리지 않으며, 약 50만 개의 평점을 사용하여 한 에포크 동안 학습하는 데 3시간 미만이 소요되어, 실제 응용 분야에서 실용적인 성능을 보입니다. 관련 코드는 https://github.com/GarminQ/PADER 에서 확인할 수 있습니다.

The prevalence of recommendation systems also brings privacy concerns to both the users and the sellers, as centralized platforms collect as much data as possible from them. To keep the data private, we propose PADER: a Paillier-based secure decentralized social recommendation system. In this system, the users and the sellers are nodes in a decentralized network. The training and inference of the recommendation model are carried out securely in a decentralized manner, without the involvement of a centralized platform. To this end, we apply the Paillier cryptosystem to the SoReg (Social Regularization) model, which exploits both user's ratings and social relations. We view the SoReg model as a two-party secure polynomial evaluation problem and observe that the simple bipartite computation may result in poor efficiency. To improve efficiency, we design secure addition and multiplication protocols to support secure computation on any arithmetic circuit, along with an optimal data packing scheme that is suitable for the polynomial computations of real values. Experiment results show that our method only takes about one second to iterate through one user with hundreds of ratings, and training with ~500K ratings for one epoch only takes <3 hours, which shows that the method is practical in real applications. The code is available at https://github.com/GarminQ/PADER.