DistPrivacy：物联网监控系统中隐私感知的分布式深度神经网络
网络与互联网体系结构
2020-10-27 v1 分布式、并行与集群计算
摘要
随着智慧城市的出现，物联网（IoT）设备以及深度学习技术日益普及。为支持该范式在内存与计算方面的需求，引入了具备IoT协同的联合实时深度协同推理框架。然而，深度神经网络（DNN）的分布引发了对于敏感数据隐私保护的关注。在此背景下，出现了多种威胁，包括黑盒攻击，即恶意参与者可精确恢复输入其设备的任意输入。本文中，我们引入一种方法，旨在通过重新思考分布策略来保护敏感数据，且不增加任何计算开销。首先，我们考察使模型结构易受隐私威胁影响的特征。我们发现，将模型特征图划分到越多设备中，越能隐藏原始图像属性。我们将此方法（即DistPrivacy）表述为一个优化问题，在协同推理延迟、数据隐私级别与IoT参与者的有限资源之间建立权衡。由于该问题为NP难，我们引入一种在线启发式算法，支持异构IoT设备以及多种DNN和数据集，使该普适系统成为面向隐私感知且低决策延迟应用的通用平台。
引用
@article{arxiv.2010.13234,
title = {DistPrivacy: Privacy-Aware Distributed Deep Neural Networks in IoT surveillance systems},
author = {Emna Baccour and Aiman Erbad and Amr Mohamed and Mounir Hamdi and Mohsen Guizani},
journal= {arXiv preprint arXiv:2010.13234},
year = {2020}
}
备注
Accepted in Globecom conference 2020