pvCNN：隐私保护且可验证的卷积神经网络测试
密码学与安全
2023-05-30 v3 机器学习
摘要
本文提出一种隐私保护且可验证的卷积神经网络（CNN）测试新方法，使 CNN 模型开发者能够在尊重模型隐私的同时，就基于多位测试者非公开数据的真实 CNN 性能向用户作出说服。为平衡安全性与效率问题，通过恰当地将同态加密（HE）和零知识简洁非交互知识论证（zk-SNARK）原语与 CNN 测试相集成，做出了三项新努力。首先，将待测试的 CNN 模型策略性地划分为由模型开发者本地保留的私有部分和外包给外部服务器的公共部分。然后，私有部分在测试者发送的 HE 保护测试数据上运行，并将其输出传输至公共部分以完成 CNN 测试的后续计算。其次，上述 CNN 测试的正确性通过生成基于 zk-SNARK 的证明来强制保证，重点优化二维（2-D）卷积操作的证明开销，因为该操作在证明生成过程中主导性能瓶颈。我们专门提出了一种基于二次矩阵程序（QMPs）的算术电路，其具有单个乘法门，用于以批处理方式表达多个滤波器与输入之间的 2-D 卷积操作。第三，我们将针对同一 CNN 模型但不同测试者测试数据（即不同陈述）的多个证明聚合成一个证明，并确保聚合证明的有效性蕴含原始多个证明的有效性。最后，我们的实验结果表明，对于高维矩阵乘法，我们基于 QMPs 的 zk-SNARK 在证明时间上比现有的基于 QAPs 的 zk-SNARK 快近 13.9，在 Setup 时间上快 17.6。
引用
@article{arxiv.2201.09186,
title = {pvCNN: Privacy-Preserving and Verifiable Convolutional Neural Network Testing},
author = {Jiasi Weng and Jian Weng and Gui Tang and Anjia Yang and Ming Li and Jia-Nan Liu},
journal= {arXiv preprint arXiv:2201.09186},
year = {2023}
}