使用可信硬件的隐私与完整性保护训练
密码学与安全
2021-05-04 v1 硬件体系结构
机器学习
摘要
随着机器学习进入多样化应用领域，隐私与安全相关担忧日益增长。数据持有者希望利用托管在云端的GPU等加速器，使用私有数据进行训练。然而，云系统易受攻击者的攻击，这些攻击者会破坏数据隐私与计算完整性。本工作提出DarKnight，一个在保护输入隐私与计算完整性的同时进行大型DNN训练的框架。DarKnight依赖可信执行环境（TEE）与加速器之间的协同执行，其中TEE提供隐私与完整性验证，而加速器执行计算密集的线性代数操作。
引用
@article{arxiv.2105.00334,
title = {Privacy and Integrity Preserving Training Using Trusted Hardware},
author = {Hanieh Hashemi and Yongqin Wang and Murali Annavaram},
journal= {arXiv preprint arXiv:2105.00334},
year = {2021}
}