聚合场景下隐私保护机器学习训练
密码学与安全
2020-09-22 v1
摘要
在智慧城市发展中，机器学习（ML）日益普及，其依赖由多样化物联网设备生成的高质量训练数据集，这自然引发了关于此类环境下所能提供隐私保障的疑问。聚合场景下的隐私保护 ML 训练使模型需求方能够利用从个人物联网设备收集的敏感物联网数据安全地训练 ML 模型。现有方案通常为服务器辅助，无法应对服务器之间或服务器与数据所有者之间的合谋威胁，且不匹配物联网的复杂环境。我们提出一个名为 Heda 的隐私保护 ML 训练框架，其包含基于部分同态加密（PHE）的构建模块库，可在无不可信服务器协助的情况下构建多种面向聚合场景的隐私保护 ML 训练协议，并在合谋情形下保障安全性。严格的安全性分析表明，所提协议在诚实但好奇模型下可保护各参与方隐私，并在大多数合谋情形下保障安全。大量实验验证了 Heda 的效率，其在不损失模型精度的前提下实现了隐私保护 ML 训练。
引用
@article{arxiv.2009.09691,
title = {Privacy-Preserving Machine Learning Training in Aggregation Scenarios},
author = {Liehuang Zhu and Xiangyun Tang and Meng Shen and Jie Zhang and Xiaojiang Du},
journal= {arXiv preprint arXiv:2009.09691},
year = {2020}
}