不可信云中隐私保护机器学习的简易实现
密码学与安全
2020-09-10 v1 机器学习
摘要
我们提出一个基于可信执行环境(TEE)的实用框架,用于在不可信云中部署隐私保护机器学习(PPML)应用。具体而言,我们通过将未修改的 PyTorch ML 应用运行在 Intel SGX 飞地中,并使用加密的模型参数和加密的输入数据,来保护这些机密在静态和运行时期间的机密性与完整性。我们使用开源的 Graphene 库操作系统,其具备透明文件加密和基于 SGX 的远程证明,以最小化移植工作量并无缝地提供文件保护和证明。我们的方法对机器学习应用完全透明:开发者和终端用户无需以任何方式修改该 ML 应用。
引用
@article{arxiv.2009.04390,
title = {Privacy-Preserving Machine Learning in Untrusted Clouds Made Simple},
author = {Dayeol Lee and Dmitrii Kuvaiskii and Anjo Vahldiek-Oberwagner and Mona Vij},
journal= {arXiv preprint arXiv:2009.04390},
year = {2020}
}
备注
4 pages