将机器学习模型锁定到硬件中

现代机器学习模型是昂贵的知识产权，业务竞争力通常取决于保持此IP的机密性。这反过来限制了这些模型的部署方式；例如，如何在不不可避免地泄露底层模型的情况下将模型部署到设备上尚不清楚。同时，多方计算或同态加密等机密计算技术对于广泛采用仍不切实际。在本文中，我们采取了一种不同的方法，研究了ML特定机制的可行性，这些机制通过限制模型只能在特定硬件上使用来阻止未经授权的模型使用，从而使在未经授权的硬件上采用变得不便。这样，即使IP被泄露，如果没有专门的硬件或进行重大模型调整，也无法轻易使用。从某种意义上说，我们寻求实现廉价的“将机器学习模型锁定到特定硬件中”。我们证明了“锁定”机制是可行的，可以通过针对模型表示的效率，使此类模型与量化不兼容，或者将模型的操作与硬件的特定特性（例如算术运算的时钟周期数）绑定。我们证明锁定带来的开销可以忽略不计，同时显著限制了所得模型在未经授权硬件上的可用性。