Fusion：抗恶意服务器的高效安全推理

在安全机器学习推理中，大多数方案假设服务器是半诚实的（诚实地遵循协议但试图推断额外信息）。然而在现实世界中，服务器可能是恶意的（例如使用低质量模型或偏离协议）。尽管少数研究考虑了偏离协议的恶意服务器，但它们忽略了在保护服务器模型和客户端输入隐私的同时对模型精度进行验证。为解决这些问题，我们提出了\textit{Fusion}，其中客户端将具有已知查询结果的公共样本与自身待查询样本混合，作为多方计算的输入来联合执行安全推理。由于使用低质量模型或偏离协议的服务器只能产生可被客户端轻易识别的结果，\textit{Fusion}迫使服务器诚实行为，从而在不借助昂贵密码学技术的情况下解决上述所有问题。我们的评估表明，\textit{Fusion}比现有的恶意安全推理协议（目前不支持模型精度验证）快48.06$\times$，通信量减少30.90$\times$。此外，为展示可扩展性，我们在实用的ResNet50模型上进行了ImageNet规模的推理，在WAN设置下耗时8.678分钟、通信量10.117 GiB，比半诚实协议快1.18$\times$、通信量少2.64$\times$。