面向分层服务的卷积神经网络概率选择性加密
密码学与安全
2021-05-27 v1 人工智能
摘要
由于训练卷积神经网络（CNNs）的成本巨大，在将其部署于商业服务时，模型保护至关重要。本文提出一种选择性加密（SE）算法，以保护 CNN 模型免遭未授权访问，并具有向用户提供分层服务的独特特性。我们的算法首先通过所提出的概率选择策略（PSS）筛选重要模型参数。随后使用所设计的称为保分布随机掩码（DPRM）的加密方法对最重要的参数进行加密，从而仅通过加密极小部分模型参数即可最大化性能退化。我们还设计了一组访问权限，利用不同数量的最重要模型参数可被解密。因此可自然地为用户提供不同级别的模型性能。实验结果表明，所提方案仅通过加密卷积层 8% 的参数即可有效保护分类模型 VGG19。我们还将所提模型保护方案应用于去噪模型 DnCNN 中，展示了分层去噪服务。
引用
@article{arxiv.2105.12344,
title = {Probabilistic Selective Encryption of Convolutional Neural Networks for Hierarchical Services},
author = {Jinyu Tian and Jiantao Zhou and Jia Duan},
journal= {arXiv preprint arXiv:2105.12344},
year = {2021}
}