Panther：面向云环境中 GNN 训练与推理服务的高性价比隐私保护框架
密码学与安全
2025-11-24 v1 机器学习
摘要
图神经网络 (GNN) 在交通状态预测、社交推荐、知识感知问答等方面发挥了重要作用。随着用户越来越多地转向云计算，如何在保护云环境隐私的同时发挥 GNN 的潜力成为关键问题。具体而言，GNN 的训练数据和推理数据需要受到外部对手窃取的保护。同时，云计算的财政成本是用户的主要关切。因此，尽管已有研究在云环境中提出了针对 GNN 的隐私保护技术，但其额外的计算和通信开销仍相对较高，导致高额财政成本，限制了其在用户中广泛采纳。为了在保护 GNN 隐私的同时降低额外的财政成本，我们引入 Panther，一个面向云环境中 GNN 训练和推理服务的高性价比隐私保护框架。技术上，Panther 利用四方计算异步执行安全数组访问协议，并随机填充 GNN 节点邻居信息。我们证明 Panther 能保护 GNN 模型的训练和推理隐私。我们的评估显示，Panther 将训练和推理时间分别降低 75.28% 和 82.80%，通信开销降低 52.61% 和 50.26%，相较于最先进技术，基于谷歌云平台按需定价模型，GNN 训练和推理过程的财政成本分别节省 55.05% 和 59.00%。
引用
@article{arxiv.2511.01654,
title = {Panther: A Cost-Effective Privacy-Preserving Framework for GNN Training and Inference Services in Cloud Environments},
author = {Congcong Chen and Xinyu Liu and Kaifeng Huang and Lifei Wei and Yang Shi},
journal= {arXiv preprint arXiv:2511.01654},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Services Computing (TSC)