HawkEye: 静态且精确地刻画多方学习中模型的通信代价
摘要
基于多方计算（MPC）的机器学习——称为多方学习（MPL）——已成为一种利用多方数据并保护隐私的重要技术。近年来，为了将 MPL 应用于更多实际场景，各种 MPC 友好模型被提出以减少 MPL 的巨大通信开销。在 MPC 友好模型的优化中，一个关键的挑战是刻画模型的通信代价。然而，现有解决方案主要依赖于人工建立模型通信代价画像，以识别模型的通信瓶颈，这一过程通常涉及单调且繁重的人工劳动。在本文中，我们提出 HawkEye，一个静态模型通信代价刻画框架，使模型设计者无需在特定 MPL 框架上动态运行安全模型训练或推理过程，即可获得 MPL 框架中模型的精确通信代价。首先，为刻画具有复杂结构的模型的通信代价，我们提出一种基于前缀结构的静态通信代价刻画方法，该方法记录了静态分析期间的函数调用链。其次，HawkEye 采用自动微分库辅助模型设计者在 PyTorch 中刻画模型的通信代价。最后，我们将 HawkEye 的静态刻画结果与在五个流行 MPL 框架——CryptFlow2、CrypTen、Delphi、Cheetah 和 SecretFlow-SEMI2K——上动态运行安全模型训练与推理过程获得的刻画结果进行了对比。实验结果表明，HawkEye 能够在无需动态刻画的情况下精确刻画模型的通信代价。
引用
@article{arxiv.2502.11029,
title = {HawkEye: Statically and Accurately Profiling the Communication Cost of Models in Multi-party Learning},
author = {Wenqiang Ruan and Xin Lin and Ruisheng Zhou and Guopeng Lin and Shui Yu and Weili Han},
journal= {arXiv preprint arXiv:2502.11029},
year = {2025}
}
备注
This paper has been accepted for publication at USENIX Security 2025. Please cite this paper as 'Wenqiang Ruan, Xin Lin, Ruisheng Zhou, Guopeng Lin, Shui Yu, Weili Han, HawkEye: Statically and Accurately Profiling the Communication Cost of Models in Multi-party Learning. In Proceedings of the 34th USENIX Security, August 13-15, 2025, Seattle, WA, USA.'