GuaranTEE：利用CCA实现可证明且私有的机器学习
密码学与安全
2024-04-02 v1
摘要
机器学习模型越来越多地部署在边缘设备上以提供各种服务。然而，它们的部署伴随着模型隐私和可审计性方面的挑战。模型提供者希望确保（i）他们的专有模型不会暴露给第三方；（ii）能够获得证明，证明他们的真实模型正在边缘设备上按照与用户的服务协议运行。现有的应对这些挑战的措施受到边缘设备上高开销和有限能力（处理/安全内存）等问题的阻碍。在这项工作中，我们提出了GuaranTEE，一个在边缘上提供可证明的私有机器学习的框架。GuaranTEE使用机密计算架构（CCA），这是Arm最新的架构扩展，允许创建和部署动态可信执行环境（TEE），模型可以在其中执行。我们通过开发、评估和公开发布原型来评估CCA部署ML模型的可行性。我们还建议对CCA进行改进，以促进其在保护边缘设备上整个ML部署管道中的应用。
引用
@article{arxiv.2404.00190,
title = {GuaranTEE: Towards Attestable and Private ML with CCA},
author = {Sandra Siby and Sina Abdollahi and Mohammad Maheri and Marios Kogias and Hamed Haddadi},
journal= {arXiv preprint arXiv:2404.00190},
year = {2024}
}
备注
Accepted at the 4th Workshop on Machine Learning and Systems (EuroMLSys '24)