基于轻量级可信硬件的高效隐私保护机器学习
密码学与安全
2024-10-30 v4
摘要
在本文中，我们提出了一种由小型专用安全处理器辅助的新型安全机器学习推理平台，与当今集成于高性能处理器中的 TEE 相比，该平台更易于保护和部署。我们的平台相较于最先进水平具有三个主要优势：(i) 我们相较于最先进的分布式隐私保护机器学习(PPML)协议取得了显著的性能提升，仅使用与可信平台模块(TPM)等离散安全芯片或类似 Apple enclave 处理器的 SoC 片上安全子系统相当的小型安全处理器。在半诚实设定下使用 WAN/GPU，我们的方案比 Falcon (PoPETs'21) 和 AriaNN (PoPETs'22) 快 4X-63X，且通信效率提高 3.8X-12X。在恶意设定下我们取得了更高的性能提升。(ii) 我们的平台在诚实多数假设下保证针对恶意敌手的可中止安全性。(iii) 我们的技术不受 TEE 中安全内存大小的限制，可支持 ResNet18 和 Transformer 等高容量现代神经网络。虽然先前工作研究了 PPML 中高性能 TEE 的使用，本工作首次表明，如果协议能为轻量级可信硬件精心设计并加以适配，即便是性能极其有限的小型安全硬件也能被用于显著加速分布式 PPML 协议。
引用
@article{arxiv.2210.10133,
title = {Efficient Privacy-Preserving Machine Learning with Lightweight Trusted Hardware},
author = {Pengzhi Huang and Thang Hoang and Yueying Li and Elaine Shi and G. Edward Suh},
journal= {arXiv preprint arXiv:2210.10133},
year = {2024}
}
备注
IEEE S&P'24 submitted