基于虚拟机的可信执行环境在机密性联邦学习中的性能分析
密码学与安全
2025-01-22 v1 性能
摘要
联邦学习（Federated Learning, FL）是一种分布式机器学习方法，因能有效应对近期隐私问题而逐渐流行。然而，联邦学习本身仍面临模型和数据投毒、推理攻击等漏洞，需额外的安全措施。密集型计算（Confidential Computing, CC）通过利用基于硬件的可信执行环境（Trusted Execution Environments, TEEs）来保护机器学习模型和数据的保密性和完整性，从而成为联邦学习应用的有力盟友。典型的 TEEs 提供应用级别的隔离，但存在诸多缺点，如可用内存有限、调试和编码困难等。新一代 TEEs 提供虚拟机（VM）级别的隔离，从而降低了现有应用的移植工作量。本文比较了基于虚拟机的 TEEs 与应用级别 TEEs 在机密性联邦学习（CFL）应用中的性能。在本研究中，我们评估了 TEEs 以及用于加密通信通道的 TLS 等额外安全机制的影响。结果通过三个数据集和两种深度学习模型获得，表明新的基于虚拟机的 TEEs 引入的开销有限（最多为 1.5 倍），为在不损失性能的前提下利用公共和不可信计算环境（如高性能计算设施或公共云）铺平了道路。
引用
@article{arxiv.2501.11558,
title = {A performance analysis of VM-based Trusted Execution Environments for Confidential Federated Learning},
author = {Bruno Casella},
journal= {arXiv preprint arXiv:2501.11558},
year = {2025}
}