CrypTen：安全多方计算与机器学习的结合
机器学习
2022-09-19 v2 密码学与安全
摘要
安全多方计算（MPC）允许各方在对数据保密的同时对数据执行计算。这种能力在机器学习应用中具有巨大潜力：它有助于在不同方拥有的私有数据集上训练机器学习模型、使用另一方的私有数据评估一方的私有模型等。尽管已有大量研究通过安全MPC实现机器学习模型，此类实现尚未成为主流。安全MPC的采用受到缺乏灵活的软件框架的阻碍，这些框架需要“说”机器学习研究人员和工程师的语言。为了促进安全MPC在机器学习中的采用，我们提出CrypTen：一个通过现代机器学习框架中常见的抽象（如张量计算、自动微分和模块化神经网络）来暴露流行的安全MPC原语的软件框架。本文描述了CrypTen的设计，并测量了其在文本分类、语音识别和图像分类等最先进模型上的性能。我们的基准测试表明，CrypTen的GPU支持以及（任意数量）各方之间的高性能通信使其能够在半诚实威胁模型下对现代机器学习模型进行高效的私有评估。例如，使用CrypTen的两方可以利用Wav2Letter以快于实时的速度安全地预测语音记录中的音素。我们希望CrypTen能刺激机器学习界对安全MPC的采用。
引用
@article{arxiv.2109.00984,
title = {CrypTen: Secure Multi-Party Computation Meets Machine Learning},
author = {Brian Knott and Shobha Venkataraman and Awni Hannun and Shubho Sengupta and Mark Ibrahim and Laurens van der Maaten},
journal= {arXiv preprint arXiv:2109.00984},
year = {2022}
}