优化隐私保护的外包卷积神经网络预测
密码学与安全
2020-06-30 v3 机器学习
摘要
卷积神经网络是一种广泛应用于各种预测任务（如计算机视觉和医学图像分析）的机器学习模型。其强大的预测能力需要大量计算，这促使模型所有者将预测服务托管于云平台。近期研究关注查询与结果的隐私，但它们未提供针对模型托管服务器的模型隐私保护，并可能泄露关于结果的部分信息。其中部分方案进一步需要与查询者频繁交互或带来沉重计算开销，从而阻碍查询者使用预测服务。本文提出一种外包设置下隐私保护神经网络预测的新方案，即服务器无法获知查询、（中间）结果及模型。类似于提供模型隐私的代表性工作SecureML（S&P'17），我们利用两个不共谋服务器与秘密共享及三元组生成来最小化重量级密码学的使用。此外，我们采用异步计算以提升吞吐量，并设计用于非多项式激活函数的乱码电路以保持与底层网络相同的精度（而非近似它）。我们在MNIST数据集上的实验表明，与SecureML、MiniONN（CCS'17）和EzPC（EuroS&P'19）相比，我们的方案在延迟上分别平均实现了122倍、14.63倍和36.69倍的降低。对于通信成本，我们的方案平均优于SecureML 1.09倍、MiniONN 36.69倍、EzPC 31.32倍。在CIFAR数据集上，与MiniONN和EzPC相比，我们的方案分别实现了7.14倍和3.48倍的更低延迟。我们的方案在CIFAR数据集上还比MiniONN和EzPC分别提供了13.88倍和77.46倍的更低通信成本。
引用
@article{arxiv.2002.10944,
title = {Optimizing Privacy-Preserving Outsourced Convolutional Neural Network Predictions},
author = {Minghui Li and Sherman S. M. Chow and Shengshan Hu and Yuejing Yan and Chao Shen and Qian Wang},
journal= {arXiv preprint arXiv:2002.10944},
year = {2020}
}