DarKnight：一种利用可信硬件实现隐私与完整性保护深度学习的加速框架
密码学与安全
2022-07-04 v1 硬件体系结构
机器学习
摘要
随着机器学习进入多样化应用领域，隐私与安全相关担忧日益增长。数据持有者希望在利用托管于云端的加速器（如GPU）的同时，使用私有数据进行训练或推理。云系统易受攻击者的威胁，后者会破坏数据隐私与计算完整性。应对此类挑战需要将理论隐私算法与硬件安全能力相统一。本文提出DarKnight，一种在保护输入隐私与计算完整性的同时进行大型DNN训练的框架。DarKnight依赖可信执行环境（TEE）与加速器之间的协同执行，其中TEE提供隐私与完整性验证，而加速器执行大部分线性代数计算以优化性能。具体而言，DarKnight使用基于矩阵掩码的定制数据编码策略，在TEE内实现输入混淆。混淆后的数据随后卸载至GPU进行快速线性代数计算。DarKnight的数据混淆策略在云服务器中提供可证明的数据隐私与计算完整性。先前工作仅解决推理隐私且无法用于训练，而DarKnight的编码方案设计用于支持训练与推理两者。
引用
@article{arxiv.2207.00083,
title = {DarKnight: An Accelerated Framework for Privacy and Integrity Preserving Deep Learning Using Trusted Hardware},
author = {Hanieh Hashemi and Yongqin Wang and Murali Annavaram},
journal= {arXiv preprint arXiv:2207.00083},
year = {2022}
}
备注
MICRO-54: 54th Annual IEEE/ACM International Symposium on Microarchitecture. arXiv admin note: text overlap with arXiv:2105.00334