基于三元模型划分的机密推理
密码学与安全
2020-08-14 v3
摘要
当今云服务商竞相提供各类产品以简化和加速 AI 服务部署。然而，云用户始终担忧其运行时数据的机密性，这些数据需在第三方计算基础设施上处理。用户供给数据的信息泄露可能危及用户隐私并违反日益严格的数据保护法规。本文中，我们系统研究深度学习图像分类流水线中推理输入的生命周期，并理解信息可能如何泄露。基于所发现的洞见，我们开发了三元模型划分机制，并引入可信执行环境以缓解已识别的信息泄露。我们的研究原型由两个协作组件构成：（1）模型评估框架，一种协助云用户进行部署准备的本地模型评估与划分工具；（2）Infenclave，一种基于飞地的云上在线机密推理模型服务系统。我们在三个具有不同网络深度和架构复杂度的代表性 ImageNet 级别深度学习模型上进行了全面的安全性和性能评估。结果表明，以低性能代价实现最大化机密性保障的云上机密推理服务具有可行性。
引用
@article{arxiv.1807.00969,
title = {Confidential Inference via Ternary Model Partitioning},
author = {Zhongshu Gu and Heqing Huang and Jialong Zhang and Dong Su and Hani Jamjoom and Ankita Lamba and Dimitrios Pendarakis and Ian Molloy},
journal= {arXiv preprint arXiv:1807.00969},
year = {2020}
}