Kangaroo：面向大规模决策树评估的广域网隐私保护与摊销推理框架
密码学与安全
2025-09-12 v2
摘要
随着模型即服务的快速普及，数据和模型隐私问题变得日益关键。为解决这些问题，各种隐私保护推理方案被提出。特别是，由于决策树的高效性和可解释性，私有决策树评估（PDTE）获得了广泛关注。然而，现有PDTE方案存在显著局限：其通信和计算成本随树的数量、节点数或树深度扩展，使其在大规模模型上效率低下，尤其是在广域网（WAN）环境中。为解决这些问题，我们提出Kangaroo，一个基于打包同态加密的私有与摊销决策树推理框架。具体而言，我们设计了一种新颖的模型隐藏与编码方案，以及安全特征选择、无感知比较和安全路径评估协议，使得随着节点数或树数量的扩展实现完全摊销。此外，我们通过同模型同共享、延迟感知和自适应编码调整等优化策略增强了框架的性能与功能。Kangaroo在广域网环境中相比最先进的单轮交互方案实现了14倍至59倍的性能提升。对于大规模决策树推理任务，其速度相比现有方案提升了3倍至44倍。值得注意的是，Kangaroo能够在广域网环境下以约每棵树60毫秒（摊销）的时间评估包含969棵树和411825个节点的随机森林。
引用
@article{arxiv.2509.03123,
title = {Kangaroo: A Private and Amortized Inference Framework over WAN for Large-Scale Decision Tree Evaluation},
author = {Wei Xu and Hui Zhu and Yandong Zheng and Song Bian and Ning Sun and Hao Yuan and Dengguo Feng and Hui Li},
journal= {arXiv preprint arXiv:2509.03123},
year = {2025}
}