FALCON：用于私有深度学习的诚实多数恶意安全框架
密码学与安全
2020-09-09 v2 机器学习
摘要
我们提出 Falcon，一个用于高效私有训练与推理大型机器学习模型的端到端三方协议。Falcon 具有四个主要优势——（i）具有高表达能力，支持 VGG16 等高容量网络；（ii）支持批归一化，这对训练如 AlexNet 的复杂网络十分重要；（iii）在诚实多数假设下，Falcon 保证针对恶意敌手的可中止安全性；（iv）最后，Falcon 为协议设计提供了新理论见解，使其高效并能超越现有安全深度学习方案。与先前私有推理工作相比，我们在平均上比 SecureNN（PETS'19）快约 8 倍，并与 ABY3（CCS'18）相当。我们的通信效率比这两者高约 16–200 倍。对于私有训练，我们比 SecureNN 快约 6 倍，比 ABY3 快 4.4 倍，且通信效率高约 2–60 倍。我们在 WAN 设置下的实验表明，在大型网络与数据集上，计算操作主导了 MPC 的总体延迟，而非通信。
引用
@article{arxiv.2004.02229,
title = {FALCON: Honest-Majority Maliciously Secure Framework for Private Deep Learning},
author = {Sameer Wagh and Shruti Tople and Fabrice Benhamouda and Eyal Kushilevitz and Prateek Mittal and Tal Rabin},
journal= {arXiv preprint arXiv:2004.02229},
year = {2020}
}
备注
Revised version, contains some more experiments and fixes minor typos in the paper