基于GPU的加密数据隐私保护神经网络推理
密码学与安全
2019-11-27 v1 计算机与社会
机器学习
摘要
机器学习即服务(MLaaS)近年来已成为一种日益增长的趋势,目前已有若干此类服务可供使用。MLaaS本质上是一组将机器学习工具与能力作为云计算服务一部分提供的服务。在此类场景中,云拥有已部署的预训练模型与巨大计算能力,而客户端可使用这些模型进行预测,无需操心模型与服务的维护。然而,MLaaS的主要问题在于客户端数据的隐私。尽管文献中已提出多种在加密数据上运行机器学习模型的方法,其实用性能仍远不能令人满意。本文旨在利用全同态加密(FHE)、卷积神经网络(CNN)与图形处理单元(GPU)的结合来加速加密数据上机器学习的运行性能。我们采用若干优化技术以及高效的基于GPU的实现以获得高性能。我们评估了一个架构类似于AlexNet的CNN,用于对来自Cars Overhead With Context (COWC)数据集的同态加密样本进行分类。据我们所知,这是首次在加密数据上评估如此复杂的网络与大规模数据集。我们的方法对COWC数据集取得了95%的合理分类准确率。在性能方面,结果表明当我们在加密浮点数上实现GPU加速的FHE运算时,可获得数千倍的加速。
引用
@article{arxiv.1911.11377,
title = {Privacy preserving Neural Network Inference on Encrypted Data with GPUs},
author = {Daniel Takabi and Robert Podschwadt and Jeff Druce and Curt Wu and Kevin Procopio},
journal= {arXiv preprint arXiv:1911.11377},
year = {2019}
}