CKKS를 사용한 개인 정보 보안 규칙 유도 = Privacy-Preserving Rule Induction using CKKS

다국어 초록 (Multilingual Abstract)

Rule learning is the use of rules to identify or classify data. Rule learning can be broadly divided into two types: decision tree and rule induction. Decision Tree is a popular and widely used rule learning method due to its advantages of high explanatory power because it can be viewed visually and the model is easy to interpret. However, decision trees also have disadvantages. They are The irrelevant condition problem. Irrelevant conditions that are not related to the model can make it difficult to interpret the model and reduce accuracy. Rule induction, in contrast, does not have this problem. On the other hand, data privacy is becoming increasingly important in systems that perform training and inference based on data. In particular, data privacy is important in fields such as finance and healthcare, where the data itself contains a lot of individual information, and data leakage can lead to privacy violations or criminal issues. Data privacy is also necessary when the input itself should not be exposed, and when the model itself has a financial value. In this study, we propose homomorphic rule induction to use rule induction in environments where data privacy is important. To this end, we consider the fol- lowing three issues that arise from using homomorphic ciphers: efficient rule generation using modified-gini, efficient training using only one variable, and efficient inference by collecting all rules in one ciphertext. The proposed training method can be trained on encrypted data without decryption, providing high data piracy. The learning time of homomorphic rule induction is on average 1,120 times slower for ciphertext training than for plaintext training, and the inference time is on average 64 times slower for ciphertext inference than for plaintext inference. This is a very efficient implementation compared to homomorphic algorithms, which are typically over 2,000 times slower than plaintext algorithms. In addition, when comparing the accuracy of encrypted data and unencrypted plaintext data using the homomorphic rule induction method, the average difference is 0.018, which shows that the accuracy of plaintext and ciphertext is not significantly different, indicating that homomorphic rule induction can be used in practice.

국문 초록 (Abstract)

규칙 학습은 규칙을 사용하여 대상을 식별하거나 분류하는 작업이다. 규칙 학습은 크게 decision tree와 rule induction으로, 두 가지로 나눌 수 있다. 그중 decision tree는 시각적으로 볼 수 있고, 모델의 해석이 쉬워 설명력이 높다는 장점 때문에 인기
있고, 많이 사용되는 규칙 학습 방법이다. 하지만 decision tree에도 단점이 존재한다. 바로 무관한(irrelevant) 조건 문제이다. 모델과 상관없는 무관한 조건이 모델의 해석을 어렵게 하고, 정확도를 하락시킬 수 있다. 이에 반하여 rule induction 이런 단점이
없는 특징이 있다. 한편, 데이터를 기반으로 학습과 추론을 수행하는 시스템에서의 data privacy의 중요성이 높아지고 있다. 특히 금융, 의료같이 데이터 자체가 개인 정보를 많이 포함하고 있어 데이터의 유출이 사생활 침해나 법적 문제로 이어질 수 있는 분야에는 data privacy가 중요하다. 입력 자체가 노출되면 안 될 때, 모델 자체가 금전적인 가치를 지닐 때도 data privacy가 필요하다. 본 연구에서는 rule induction을 data privacy가 중요한 환경에서 사용하기 위해 동형 rule induction을 제안한다. 이를 위해 우리는 동형 암호를 사용함으로써 발생하는 다음의 세 가지를 고려하였다. 즉, 이것은 modified-gini를 사용한 효율적인 규칙선택, 1개의 변수만 사용한 효율적인 학습, 모든 규칙을 하나의 암호문에 모아 효율적인 추론이 가능하게 함이다. 제안 학습 방법은 암호화된 데이터에 대해 복호화없이 학습이 가능하여 높은 data privacy를 제공한다. 동형 rule induction의 학습 시간은 평문 학습 시간 대비 암호문 학습 시간이 평균 1,120배 느리고, 추론 시간은 평문 추론 시간 대비 암호문 추론 시간이 평균 64배 느리다. 이는 일반적인 평문 알고리즘 대비 동형 알고리즘이 일반적으로 2,000배 이상 느린 것에 비교하면 상당히 효율적인 구현이라 할 수 있다. 또한, 동형 rule induction 방법을 사용해 암호화된 데이터와 암호화되지 않은 평문 데이터의 정확도를 비교했을 때 차이의 평균은 0.018이며, 이는 평문과 암호문의 정확도가 큰 차이를 보이지않으므로, 동형 rule induction이 실제 사용이 가능함을 보여준다.

목차 (Table of Contents)

• Summary 1
• List of Tables iii
• List of Figures v
• List of Algorithms vi
• 1. Introduction 1
• 2. Related Work . 5
• 3. Backgrounds 7
• 3.1 Notation & Pre-processing . 7
• 3.2 Rule Induction 9
• 3.3 CKKS . 15
• 3.4 Modified-Gini 19
• 4. Models 21
• 5. Algorithms 23
• 5.1 Training 23
• 5.2 Inference 38
• 6. Experimental result 42
• 6.1 CKKS . 43
• 6.2 Rule learning 44
• 7. Conclusion 52
• References 53
• 국문초록 . 57