Chiron：隐私保护的机器学习即服务
密码学与安全
2018-03-19 v1
摘要
主要的云服务提供商提供机器学习（ML）即服务，使拥有数据但缺乏 ML 专业知识或基础设施的客户能够基于这些数据训练预测模型。现有的 ML 即服务平台要求用户向服务提供商公开所有训练数据。我们设计、实现并评估了 Chiron，一个隐私保护的机器学习即服务系统。首先，Chiron 对服务提供商隐藏了训练数据。其次，与许多现有 ML 即服务平台的工作方式一致，Chiron 既不向用户公开训练算法，也不公开模型结构，仅提供对训练好模型的黑盒访问。Chiron 使用 SGX 飞地实现，但仅靠 SGX 无法同时实现数据隐私和模型机密性的双重目标。Chiron 在飞地中运行标准的 ML 训练工具链（包括流行的 Theano 框架和 C 编译器），但来自服务提供商的不可信模型创建代码被进一步限制在 Ryoan 沙箱中，以防止其将训练数据泄露到飞地之外。为了支持分布式训练，Chiron 执行多个并发飞地，通过参数服务器交换模型参数。我们在流行的深度学习模型上评估了 Chiron，重点关注诸如 CIFAR 和 ImageNet 等基准图像分类任务，并表明其训练性能和所得模型的准确性对于 ML 即服务的常见用途是实用的。
引用
@article{arxiv.1803.05961,
title = {Chiron: Privacy-preserving Machine Learning as a Service},
author = {Tyler Hunt and Congzheng Song and Reza Shokri and Vitaly Shmatikov and Emmett Witchel},
journal= {arXiv preprint arXiv:1803.05961},
year = {2018}
}