CECILIA：面向隐私保护机器学习的综合安全计算框架
机器学习
2024-10-17 v4 密码学与安全
摘要
由于 ML 算法已在许多不同应用中证明了其成功，人们对用于在敏感数据上构建模型的隐私保护（PP）ML 方法也有很大兴趣。此外，数据源数量的增加以及这些算法所需的高计算能力迫使个人将 ML 模型的训练和/或推理外包给提供此类服务的云。为此，我们提出了一个安全的 3-party 计算框架 CECILIA，提供 PP 构建模块以私下实现复杂操作。除了经过适配的加法、乘法等常见操作外，它还提供多路复用器、最高有效位和模数转换。前两者在方法上是新颖的，最后一项在功能和方法的双重意义上都是新颖的。CECILIA 还有两种复杂的新方法，即公开底数的幂（指数为秘密值）的精确指数运算，以及秘密 Gram 矩阵的逆平方根。我们利用 CECILIA 在预训练 RKNs 上实现私有推理，该模型所需操作比大多数其他 DNN 更复杂，应用于蛋白质结构分类，这是首个在 RKNs 上完成 PP 推理的研究。除了成功私有计算基本构建模块外，结果表明我们实现了精确且完全私有的指数计算，而此前文献中均通过近似完成。此外，结果还表明我们在特定隐私级别下计算了秘密 Gram 矩阵的精确逆平方根，这是文献中从未涉及的问题。我们还在合成数据集上分析了 CECILIA 在不同设置下的可扩展性。该框架展现出巨大潜力，可使其他 ML 算法及进一步计算借助其构建模块实现私有计算。
引用
@article{arxiv.2202.03023,
title = {CECILIA: Comprehensive Secure Machine Learning Framework},
author = {Ali Burak Ünal and Nico Pfeifer and Mete Akgün},
journal= {arXiv preprint arXiv:2202.03023},
year = {2024}
}
备注
Preprint version of "A privacy-preserving approach for cloud-based protein fold recognition" paper published in Patterns, ~8 pages of the main paper, ~5 pages of Supplement