边缘计算中模型的一种新型访问控制与隐私增强方法
密码学与安全
2024-11-07 v1 人工智能
摘要
随着边缘计算技术的广泛采用以及这些环境中深度学习模型日益普及，模型和数据面临的安全风险和隐私威胁变得更加严峻。攻击者可以利用各种技术非法获取模型或滥用数据，导致知识产权侵犯和隐私泄露等严重问题。现有的模型访问控制技术主要依赖传统的加密和认证方法；然而，这些方法在动态环境中的灵活性和适应性方面表现出显著的局限性。尽管模型水印技术在标记模型所有权方面取得了进展，但它们在主动保护知识产权和防止未授权访问方面的能力仍然有限。为了解决这些挑战，我们提出了一种专为边缘计算环境设计的新型模型访问控制方法。该方法利用图像风格作为许可机制，将风格识别嵌入到模型的运行框架中，以实现固有的访问控制。因此，部署在边缘平台上的模型被设计为仅对具有特定风格的许可数据做出正确推断，而对其他任何数据均无效。通过限制输入数据到边缘模型，该方法不仅防止攻击者获得对模型的未授权访问，还增强了终端设备上数据的隐私。我们在包括 MNIST、CIFAR-10 和 FACESCRUB 在内的基准数据集上进行了广泛实验，结果表明我们的方法在保持准确性的同时有效防止了对模型的未授权访问。此外，该模型对伪造许可和微调等攻击表现出强大的抵抗力。这些结果强调了该方法的可用性、安全性和鲁棒性。
引用
@article{arxiv.2411.03847,
title = {A Novel Access Control and Privacy-Enhancing Approach for Models in Edge Computing},
author = {Peihao Li},
journal= {arXiv preprint arXiv:2411.03847},
year = {2024}
}