BAYHENN：结合贝叶斯深度学习与同态加密的安全 DNN 推理
密码学与安全
2020-11-13 v2 机器学习
摘要
近来，深度学习即服务（DLaaS）已成为促进深度神经网络（DNNs）用于多种目的的一种有前景方式。然而，使用 DLaaS 也会导致来自客户端和云服务器的潜在隐私泄露。这一隐私问题激发了关于云服务中 DNN 模型隐私保护推理的研究兴趣。本文中，我们提出一种名为 BAYHENN 的实用方案用于安全 DNN 推理。它可同时保护客户端隐私与服务器隐私。我们方案的关键策略是结合同态加密与贝叶斯神经网络。具体而言，我们使用同态加密保护客户端的原始数据，并使用贝叶斯神经网络保护云服务器中的 DNN 权重。为验证方案有效性，我们在 MNIST 和真实临床数据集上开展实验。我们的方案在两项任务上均实现了稳定的延迟降低。特别地，就端到端延迟而言，我们的方法可比现有最佳方法（GAZELLE）快约 5 倍。
引用
@article{arxiv.1906.00639,
title = {BAYHENN: Combining Bayesian Deep Learning and Homomorphic Encryption for Secure DNN Inference},
author = {Peichen Xie and Bingzhe Wu and Guangyu Sun},
journal= {arXiv preprint arXiv:1906.00639},
year = {2020}
}
备注
accepted by IJCAI 2019; camera ready