Citadel：基于 SGX 的协作学习数据与模型隐私保护系统
密码学与安全
2021-11-09 v2 分布式、并行与集群计算
机器学习
摘要
随着机器学习（ML）的发展及其受关注度的提升，许多拥有数据但缺乏 ML 专业知识的组织（数据方）希望汇聚其数据，并与那些具备专业知识但需要来自多样来源的数据以训练真正具泛化性模型的组织（模型方）协作。在此类协作式 ML 中，数据方希望保护其训练数据的隐私，而模型方则要求模型及可能包含知识产权的训练方法的机密性。然而，现有的私有 ML 方案（如联邦学习与拆分学习）无法同时满足数据与模型方的隐私需求。本文提出 Citadel，一种可扩展的协作式 ML 系统，借助 Intel SGX 在不被信任的基础设施中保护数据方与模型方的隐私。Citadel 代表数据方在多个训练 enclave 上以及代表模型方在一个聚合 enclave 上执行分布式训练。Citadel 进一步通过零和掩码与分层聚合在这些 enclave 间建立强信息屏障，以防止协作训练期间的数据/模型泄露。与现有 SGX 保护的训练系统相比，Citadel 为协作式 ML 提供了更好的可扩展性与更强的隐私保障。采用多种 ML 模型的云端部署表明，Citadel 可扩展至大量 enclave，由 SGX 引起的减速小于 1.73 倍。
引用
@article{arxiv.2105.01281,
title = {Citadel: Protecting Data Privacy and Model Confidentiality for Collaborative Learning with SGX},
author = {Chengliang Zhang and Junzhe Xia and Baichen Yang and Huancheng Puyang and Wei Wang and Ruichuan Chen and Istemi Ekin Akkus and Paarijaat Aditya and Feng Yan},
journal= {arXiv preprint arXiv:2105.01281},
year = {2021}
}