EnclaveTree：基于 TEE 的隐私保护数据流训练与推理
密码学与安全
2022-03-04 v1
摘要
基于数据流的分类服务正成为云服务商的一项重要业务，但用户可能因隐私顾虑而在提供敏感数据时遇到障碍。尽管可信执行环境（TEE）是保护私有数据的有前景方案，它们仍易受到由数据相关访问模式引发的侧信道攻击。我们提出一种称为 EnclaveTree 的隐私保护数据流训练与推理方案，可针对被攻陷的云服务商为用户数据及目标模型提供机密性保护。我们设计了一种基于矩阵的训练与推理流程，在 TEE 的可信区域内训练 Hoeffding 树（HT）模型并利用训练所得模型进行推理，该流程可证明地防止基于访问模式攻击的利用。性能评估表明，EnclaveTree 在处理特征数量较少或中等的数据流时具有实用性。当二值特征数少于 63 时，EnclaveTree 在训练和推理上分别比朴素的 oblivious 方案快约 和约 。
引用
@article{arxiv.2203.01438,
title = {EnclaveTree: Privacy-preserving Data Stream Training and Inference Using TEE},
author = {Qifan Wang and Shujie Cui and Lei Zhou and Ocean Wu and Yonghua Zhu and Giovanni Russello},
journal= {arXiv preprint arXiv:2203.01438},
year = {2022}
}
备注
15 pages, 12 figures