SecGNN：作为云服务的隐私保护图神经网络训练与推理
密码学与安全
2023-02-01 v2 机器学习
摘要
图被广泛用于建模实体间的复杂关系。作为图分析的强大工具，图神经网络（GNNs）因其端到端处理能力近来受到广泛关注。随着云计算的普及，由于其显著优势，将复杂且资源密集的模型训练与推理服务部署于云端日益流行。然而，若 GNN 训练与推理服务部署在云端，将会引发关于信息丰富且专有的图数据（及所得模型）的关键隐私问题。尽管已有一些关于安全神经网络训练与推理的工作，但它们都聚焦于处理图像与文本的卷积神经网络，而非具有丰富结构信息的复杂图数据。本文中，我们设计、实现并评估了 SecGNN——首个支持云端隐私保护 GNN 训练与推理服务的系统。SecGNN 建立于轻量级密码学与机器学习技术洞察的协同之上。我们深入考察 GNN 训练与推理流程，并设计了一系列相应的安全定制协议以支持整体计算。大量实验表明，SecGNN 取得了可与明文相媲美的训练与推理精度，且具有良好性能。
引用
@article{arxiv.2202.07835,
title = {SecGNN: Privacy-Preserving Graph Neural Network Training and Inference as a Cloud Service},
author = {Songlei Wang and Yifeng Zheng and Xiaohua Jia},
journal= {arXiv preprint arXiv:2202.07835},
year = {2023}
}
备注
Accepted in IEEE Transactions on Services Computing (TSC)