RL-DistPrivacy：面向低延迟物联网系统的隐私感知分布式深度推理
机器学习
2022-08-30 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
尽管深度神经网络（DNN）已成为多种普适应用的骨干技术，但其在资源受限机器（如物联网（IoT）设备）上的部署仍具挑战性。为满足该范式的资源需求，引入了具有 IoT 协同的协作深度推理。然而，DNN 网络的分布存在严重的数据泄露。已有多种威胁被提出，包括黑盒攻击，其中恶意参与者可恢复输入其设备的任意输入。尽管已设计许多对策以实现隐私保护 DNN，但大多数会带来额外计算并降低精度。本文中，我们提出一种通过重新思考分布策略来针对协作深度推理安全性的方法，且不牺牲模型性能。特别地，我们考察了使模型易受黑盒威胁的不同 DNN 划分，并推导出每设备应分配的数据量以隐藏原始输入的特征。我们将此方法表述为一个优化问题，在协同推理延迟与数据隐私级别之间建立权衡。接下来，为放宽最优解，我们将方法塑造为支持异构设备以及多种 DNN/数据集的强化学习（RL）设计。
引用
@article{arxiv.2208.13032,
title = {RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems},
author = {Emna Baccour and Aiman Erbad and Amr Mohamed and Mounir Hamdi and Mohsen Guizani},
journal= {arXiv preprint arXiv:2208.13032},
year = {2022}
}
备注
Published in IEEE Transactions on Network Science and Engineering