DarkneTZ：利用可信执行环境实现边缘端模型隐私
机器学习
2020-04-14 v1 密码学与安全
机器学习
摘要
我们提出 DarkneTZ，一个利用边缘设备的可信执行环境（TEE）并结合模型分区来限制针对深度神经网络（DNNs）攻击面的框架。边缘设备（智能手机与消费级 IoT 设备）正日益配备用于各类应用的预训练 DNN。这一趋势伴随隐私风险，因为模型可通过有效的成员推断攻击（MIAs）泄露其训练数据的信息。我们使用两个小型和六个大型图像分类模型评估了 DarkneTZ 的性能，包括 CPU 执行时间、内存使用和精确功耗。由于边缘设备 TEE 的内存有限，我们将模型层划分为更敏感的层（在设备 TEE 内执行）以及一组在操作系统不可信部分执行的层。我们的结果表明，即便仅隐藏单层，我们也能提供可靠的模型隐私并防御最先进的 MIA，仅带来 3% 的性能开销。在充分利用 TEE 时，DarkneTZ 以最高 10% 的开销提供模型保护。
引用
@article{arxiv.2004.05703,
title = {DarkneTZ: Towards Model Privacy at the Edge using Trusted Execution Environments},
author = {Fan Mo and Ali Shahin Shamsabadi and Kleomenis Katevas and Soteris Demetriou and Ilias Leontiadis and Andrea Cavallaro and Hamed Haddadi},
journal= {arXiv preprint arXiv:2004.05703},
year = {2020}
}
备注
13 pages, 8 figures, accepted to ACM MobiSys 2020