基于安全多方计算的隐私保护语音分类
密码学与安全
2021-02-01 v2 机器学习
声音
音频与语音处理
摘要
音频信号处理中的深度学习（如人声音频信号分类）是机器学习的一个丰富应用领域。合法用例包括声纹认证、枪声检测与情绪识别。尽管自动化人声分类具有明显优势，但应用开发者可能从不受保护的音频信号处理中获取超出声明范围的知识。本文提出了首个可证明安全的、基于深度学习的音频分类隐私保护方案。我们的方法基于安全多方计算（Secure Multiparty Computation），使得一方（Alice）的语音信号可由另一方（Bob）的深度神经网络进行分类，而 Bob 始终无法以明文方式看到 Alice 的语音信号。作为威胁模型，我们同时考虑了被动安全（即半诚实方遵循密码协议指令）与主动安全（即恶意方偏离协议）。我们在一个基于卷积神经网络的隐私保护语音情绪检测用例中评估了所提方案在效率-安全-精度之间的权衡。在半诚实情形下，我们可在 0.3 秒以内完成语音信号分类；在恶意情形下耗时约 1.6 秒。两种情形下均无信息泄露，且分类精度与在明文数据上计算时相同。
引用
@article{arxiv.2007.00253,
title = {Private Speech Classification with Secure Multiparty Computation},
author = {Kyle Bittner and Martine De Cock and Rafael Dowsley},
journal= {arXiv preprint arXiv:2007.00253},
year = {2021}
}