DarKnight：一种用于深度神经网络训练与推理的数据隐私方案
密码学与安全
2020-10-19 v2
摘要
随着机器学习方法拓展至新的应用领域，保护输入数据的隐私日益重要。在本文中，我们提供了一个用于大型 DNN 的统一训练与推理框架，同时保护输入隐私与计算完整性。我们称为 DarKnight 的方法使用了一种新颖的数据盲化策略，利用矩阵掩蔽在可信执行环境（TEE）内创建输入混淆。我们严格的数学证明表明，该盲化过程通过限制信息泄露提供了信息论隐私保证。混淆后的数据可卸载至任意 GPU 以加速对盲化数据的线性运算。在 TEE 内执行非线性运算之前，先对盲化数据上的线性运算结果进行解码。这种协同执行使得 DarKnight 能够利用 GPU 的计算能力执行线性运算，同时利用 TEE 保护输入隐私。我们在配备 GPU 的 Intel SGX TEE 上实现了 DarKnight 以评估其性能。
引用
@article{arxiv.2006.01300,
title = {DarKnight: A Data Privacy Scheme for Training and Inference of Deep Neural Networks},
author = {Hanieh Hashemi and Yongqin Wang and Murali Annavaram},
journal= {arXiv preprint arXiv:2006.01300},
year = {2020}
}