跨边到云连续体的 AI 驱动机密计算
分布式、并行与集群计算
2023-01-04 v1 密码学与安全
摘要
随着技术的飞速发展，个人与组织广泛采用云服务以缓解维护负担。尽管云具有可扩展性与易用性，许多拥有敏感数据的用户因机密性顾虑而未充分利用云服务。静态与传输中数据的机密性已得到广泛研究，但数据在云中使用时仍易受攻击。一旦计算范围扩展至边到云连续体，该脆弱性进一步加剧。因此，本学位论文的目标是通过在连续体中采用机密计算来实现数据机密性。为实现该目标，我们探索的一种途径是将数据处理的智能方面与模式匹配方面相分离。我们提出在云上进行机密数据聚类的方法，并进而开发跨边到云的非结构化文本数据机密搜索服务。我们提出的聚类方案 ClusPr 对静态与动态数据集执行基于主题的聚类，与其他基于加密的聚类技术相比，将簇内聚性提升了 30% 至 60%。我们提出的受信企业搜索服务 SAED 在连续体上提供基于上下文且个性化的语义搜索。我们认识到，实现跨边到云的机密计算需要来自边缘层的重要贡献，尤其是并发运行多个深度学习（DL）服务。这在边缘层引发了内存争用。为此，我们开发了 Edge-MultiAI 框架来管理 DL 应用的神经网络（NN）模型，从而在不牺牲推理精度的前提下满足 DL 应用的延迟约束。
引用
@article{arxiv.2301.00928,
title = {AI-Driven Confidential Computing across Edge-to-Cloud Continuum},
author = {SM Zobaed},
journal= {arXiv preprint arXiv:2301.00928},
year = {2023}
}
备注
PhD Dissertation advised by Dr. Mohsen Amini Salehi