2P-DNN：基于同态密码体制的隐私保护深度神经网络
密码学与安全
2018-07-24 v1 机器学习
摘要
机器学习即服务（MLaaS），如微软 Azure、亚马逊 AWS，为受限于数据和算力不足的小型企业和个人提供了有效的 DNN 模型以完成机器学习任务。然而，这里出现了一个问题：用户隐私暴露于 MLaaS 服务器，因为用户需要将其敏感数据上传至 MLaaS 服务器。为保护隐私，用户可在上传前对数据加密。这使得 DNN 模型难以运行，因其并非为密文域运行而设计。本文利用 Paillier 同态密码体制提出了一种称为 2P-DNN 的隐私保护深度神经网络新模型。该模型可在密文域完成机器学习任务。通过使用 2P-DNN，MLaaS 能够为用户提供隐私保护机器学习服务。我们基于 LeNet-5 构建 2P-DNN 模型，并使用加密的 MNIST 数据集进行测试。分类准确率超过 97%，接近 LeNet-5 在 MNIST 数据集上的准确率，且高于其他现有隐私保护机器学习模型。
引用
@article{arxiv.1807.08459,
title = {2P-DNN : Privacy-Preserving Deep Neural Networks Based on Homomorphic Cryptosystem},
author = {Qiang Zhu and Xixiang Lv},
journal= {arXiv preprint arXiv:1807.08459},
year = {2018}
}