LEP-CNN：一种面向物联网的轻量级边缘设备辅助隐私保护 CNN 推理方案
密码学与安全
2019-01-15 v1
摘要
及时地在资源受限的 IoT 设备上支撑卷积神经网络（CNN）推理，一直是新兴智能系统面临的突出挑战。为减轻 IoT 设备负担，主流方案是将通常由数十亿次运算构成的 CNN 推理任务卸载至公有云。然而，“卸载至云”方案在将敏感数据移至云端时可能导致隐私泄露。出于隐私保护，研究界已借助先进密码原语与近似技术来支撑加密数据上的 CNN 推理。但这些尝试给 IoT 设备带来不实用的计算开销，并降低 CNN 性能。此外，依赖远端云还会引起额外网络延迟，甚至在网络断开时使系统失效。我们提出一种极轻量的边缘设备辅助私有 CNN 推理方案，即 LEP-CNN，面向 IoT 设备。LEP-CNN 的主要设计基于一种新颖的在线/离线加密方案。LEP-CNN 的解密利用 CNN 最耗时操作的线性性质离线预计算。因此，LEP-CNN 允许 IoT 设备安全卸载超过 99% 的 CNN 运算，并让边缘设备如同在明文上一样高效地在加密数据上执行 CNN 推理。LEP-CNN 还提供完整性校验选项，以助 IoT 设备以超过 99% 的成功率检测错误结果。在 AlexNet 上的实验表明，LEP-CNN 可为资源受限 IoT 设备加速 CNN 推理 35 倍以上。我们实现了基于同态加密的 CryptoNets 版 AlexNet 与 LEP-CNN 比较，以表明在时间敏感场景下 LEP-CNN 优于基于同态加密的隐私保护神经网络。
引用
@article{arxiv.1901.04100,
title = {LEP-CNN: A Lightweight Edge Device Assisted Privacy-preserving CNN Inference Solution for IoT},
author = {Yifan Tian and Jiawei Yuan and Shucheng Yu and Yantian Hou},
journal= {arXiv preprint arXiv:1901.04100},
year = {2019}
}