利用零知识证明扩展无信任DNN推理
密码学与安全
2022-10-18 v1 机器学习
摘要
随着ML模型能力与准确性的提升，其部署复杂性也随之增加。模型消费者日益转向服务提供商，以ML即服务（MLaaS）范式提供ML模型。随着MLaaS的普及，一个关键需求浮现：面对恶意、懒惰或存在缺陷的服务提供商，模型消费者如何验证所服务的预测是否正确？本工作中，我们提出首个实用的ImageNet规模非交互式验证ML模型推理（即推理完成后验证）的方法。为此，我们利用ZK-SNARKs（零知识简洁非交互式知识论证，一种零知识证明）的最新进展。ZK-SNARKs使我们能够以非交互方式且仅基于标准密码学困难假设验证ML模型执行。特别地，我们提供了首个全分辨率ImageNet模型有效推理的ZK-SNARK证明，达到79%的top-5准确率。我们进一步利用这些ZK-SNARKs设计协议，以验证多种场景下的ML模型执行，包括验证MLaaS预测、验证MLaaS模型准确性，以及使用ML模型进行无信任检索。总之，我们的结果表明ZK-SNARKs有潜力使已验证的ML模型推理走向实用。
引用
@article{arxiv.2210.08674,
title = {Scaling up Trustless DNN Inference with Zero-Knowledge Proofs},
author = {Daniel Kang and Tatsunori Hashimoto and Ion Stoica and Yi Sun},
journal= {arXiv preprint arXiv:2210.08674},
year = {2022}
}