面向模型保护的机密计算架构早期经验
密码学与安全
2025-12-02 v1 硬件体系结构
摘要
将机器学习(ML)模型部署到用户设备上可提升隐私(通过保留数据本地化)并降低推理延迟。受信任执行环境(TEEs)是保护专有模型的实用解决方案，但现有TEE方案存在架构限制，阻碍设备端模型部署。Arm机密计算架构(CCA)——一种新的Arm扩展——解决了其中一些限制，显示出作为设备端安全ML平台的潜力。本文评估了在CCA中部署模型的性能-隐私权衡，突出其潜在的以保密且高效方式应用ML的能力。我们的评估表明，CCA在不同大小和应用(包括图像分类、语音识别和聊天助手)的模型运行中最多产生22%的开销。这种性能开销伴随着隐私收益；例如，我们的框架可成功地通过8.3%的对手成功率降低来保护模型免受成员推断攻击。为支持进一步的研究和早期采用，我们将代码和方法公开 disponible。
引用
@article{arxiv.2504.08508,
title = {An Early Experience with Confidential Computing Architecture for On-Device Model Protection},
author = {Sina Abdollahi and Mohammad Maheri and Sandra Siby and Marios Kogias and Hamed Haddadi},
journal= {arXiv preprint arXiv:2504.08508},
year = {2025}
}
备注
Accepted to the 8th Workshop on System Software for Trusted Execution (SysTEX 2025)