ERASER:通过推理服务感知方法在MLaaS中实现机器遗忘
密码学与安全
2025-02-10 v3 人工智能
摘要
过去几年,机器学习即服务(MLaaS)因支持机器学习驱动的服务以在多样化应用领域提供革命性用户体验而需求激增。MLaaS基于使用从众多个体数据所有者收集的数据集训练的ML模型提供低推理延迟的推理服务。近来,出于数据所有者隐私考虑并遵守数据保护立法所颁布的“被遗忘权(RTBF)”,已提出许多机器遗忘方法,以在数据所有者的遗忘请求下从其训练模型中移除数据。然而,尽管现有机器遗忘方法效率可观,几乎所有方法都独立于推理请求处理遗忘请求,这不幸引入了推理服务过时这一新安全问题以及MLaaS中机器遗忘的不当暴露隐私漏洞。本文中,我们提出ERASER框架,通过推理服务感知方法在MLaaS中实现机器遗忘。ERASER策略性地选择适当的遗忘执行时机以解决推理服务过时问题。提出一种新颖的推理一致性认证机制,以避免因推迟的遗忘执行导致的RTBF原则违反,从而缓解不当暴露漏洞。ERASER提供三组设计选择,以允许量身定制的变体最适合各种MLaaS系统的特定环境和偏好。跨多种设置的广泛实证评估证实了ERASER的有效性,例如,与推理无感知基线相比,它可有效节省高达99%的推理延迟和31%的计算开销。
引用
@article{arxiv.2311.16136,
title = {ERASER: Machine Unlearning in MLaaS via an Inference Serving-Aware Approach},
author = {Yuke Hu and Jian Lou and Jiaqi Liu and Wangze Ni and Feng Lin and Zhan Qin and Kui Ren},
journal= {arXiv preprint arXiv:2311.16136},
year = {2025}
}
备注
Accepted by CCS'24