Laminator：基于硬件辅助认证的可验证 ML 属性卡
密码学与安全
2025-03-06 v3
摘要
不断增长的法规要求机器学习（ML）模型提供者就其训练数据、训练过程以及模型行为提供各种保证。为提高透明度，行业（如 Huggingface 和 Google）已采用模型卡和数据表来描述训练数据集和模型的 various 属性。在此框架下，我们提出推理卡（inference cards）的概念，用于描述特定推理（例如将输出绑定到模型及其相应输入）的属性。我们提出术语 ML 属性卡（ML property cards）以统一称呼上述各种卡片。为防止恶意模型提供者在 ML 属性卡中包含虚假信息，这些卡片必须是可验证的。我们展示了如何通过属性认证（property attestation）构建可验证的 ML 属性卡，后者是一种技术机制，允许证明者（例如模型提供者）向验证者（例如审计员）证明各种 ML 属性。由于基于纯密码学的先前认证机制往往仅关注狭窄的属性（缺乏通用性）且效率低下，我们需要一种高效的机制来在整个 ML 模型管道中对不同类型的属性进行认证。日益广泛的保密计算支持使我们能够在硬件辅助受信任执行环境（TEEs）中运行甚至训练模型，这些环境提供高效的认证机制。我们提出 Laminator，该系统利用 TEEs 在硬件辅助 ML 属性认证方面提供首个可验证 ML 属性卡框架。Laminator 在开销、可扩展性（可扩展到大量验证者）以及可验证性方面具有优势，可证明在训练或推理期间的 various 属性。
引用
@article{arxiv.2406.17548,
title = {Laminator: Verifiable ML Property Cards using Hardware-assisted Attestations},
author = {Vasisht Duddu and Oskari Järvinen and Lachlan J Gunn and N Asokan},
journal= {arXiv preprint arXiv:2406.17548},
year = {2025}
}
备注
ACM Conference on Data and Application Security and Privacy (CODASPY), 2025