基于差分隐私的云边协同隐私保护安全推理
密码学与安全
2022-12-14 v1
摘要
云边协同推理方法将深度神经网络（DNNs）拆分为两部分，在资源受限的边缘设备与云服务器上协同运行，旨在最小化推理延迟并保护数据隐私。然而，即便来自边缘设备的原始输入数据不直接暴露于云端，针对协同推理的现有最优攻击仍能从暴露的本地模型的中间输出重建原始隐私数据，带来严重隐私风险。本文提出一种称为 CIS 的云边协同安全隐私推理框架，其支持依据动态变化的网络带宽自适应划分网络，并充分释放边缘设备的计算能力。为缓解隐私扰动带来的影响，CIS 提供一种通过对卸载至云端的中间层特征图添加精细噪声来实现差分隐私保护的方法。同时，在给定总隐私预算下，依据不同卷积滤波器生成的特征图秩大小合理分配预算，使云端推理对扰动数据具有鲁棒性，从而有效权衡隐私与可用性之间的冲突问题。最后，我们构建真实云边协同推理计算场景，验证推理延迟与模型划分在资源受限边缘设备上的有效性。此外，利用现有最优云边协同重建攻击评估 CIS 所提供端到端隐私保护机制的实际可用性。
引用
@article{arxiv.2212.06428,
title = {Privacy-preserving Security Inference Towards Cloud-Edge Collaborative Using Differential Privacy},
author = {Yulong Wang and Xingshu Chen and Qixu Wang},
journal= {arXiv preprint arXiv:2212.06428},
year = {2022}
}