DeepSecure：可扩展且可证明安全的深度学习框架
密码学与安全
2017-05-26 v1
摘要
本文提出 DeepSecure，一种新颖的框架，能够在隐私保护设定下实现最先进深度学习（DL）模型的可扩展执行。DeepSecure 针对的场景是，所涉各方——包括持有 DL 模型参数的云服务器以及拥有数据的委托客户端——均不愿泄露自身信息。我们的框架是首个在不牺牲安全性以维持效率的前提下，实现对分布式客户端生成数据进行准确且可扩展的 DL 分析的方案。DeepSecure 中的安全 DL 计算通过姚氏混淆电路（GC）协议执行。我们为 DL 中使用的各种组件设计了 GC 优化的实现。与已知的最佳先前方案相比，我们的优化实现使每样本吞吐量提升了 58 倍以上。除优化的 GC 实现外，我们还引入了一组新颖的低开销预处理技术，在深度学习语境下进一步降低了 GC 的总体运行时间。对各种 DL 应用的广泛评估表明，我们的预处理方法使运行时间额外提升了高达两个数量级。本文还提供了在资源受限的嵌入式环境中将 GC 计算安全委托给第三方的机制。
引用
@article{arxiv.1705.08963,
title = {DeepSecure: Scalable Provably-Secure Deep Learning},
author = {Bita Darvish Rouhani and M. Sadegh Riazi and Farinaz Koushanfar},
journal= {arXiv preprint arXiv:1705.08963},
year = {2017}
}