面向去中心化 AI 的隐私保护技术：基于保密计算
密码学与安全
2024-10-21 v2 人工智能
摘要
本文聚焦于在去中心化人工智能 (AI) 场景下的数据隐私保护问题，具体研究如何在 Atoma Network 平台内集成保密计算 (Confidential Computing, CC) 技术。去中心化 AI 通过分布式架构在多个实体之间提供 AI 服务，无需中心化监控，从而提升了透明度和鲁棒性。然而，这种架构也带来了显著的隐私风险，敏感资产（如专有模型和个人数据）可能暴露于不可信参与方。传统基于密码学的隐私保护方法，如零知识机器学习 (zero-knowledge machine learning, zkML)，因计算开销巨大而难以实际应用。为此，本文提出利用保密计算技术，通过硬件级受信执行环境 (Trusted Execution Environments, TEEs) 为数据处理提供隔离机制，确保模型参数和用户数据在去中心化、 potentially 不可信环境下仍能保持安全。尽管 TEEs 存在局限性，但我们认为其可为去中心化 AI 填补隐私保护的空白。本文进一步探讨如何将 TEEs 集成到 Atoma 的去中心化框架中。
引用
@article{arxiv.2410.13752,
title = {Privacy-Preserving Decentralized AI with Confidential Computing},
author = {Dayeol Lee and Jorge António and Hisham Khan},
journal= {arXiv preprint arXiv:2410.13752},
year = {2024}
}