Serdab：一种用于跨多个可信区划分神经网络计算的物联网框架
分布式、并行与集群计算
2020-05-14 v1 密码学与安全
机器学习
摘要
深度神经网络(DNN)与边缘计算的最新进展使得可通过包含靠近视频源的边缘设备以及远程云计算资源的分层集群，自动分析来自家庭/安防摄像头的视频流。然而，用户敏感数据在穿过不同设备时如何保护其隐私和机密性仍是大多数用户的关切。私有用户数据面临恶意攻击者的攻击，或被内部管理员滥用于未经用户明确批准的活动。为应对这一挑战，我们提出Serdab，一种用于将深度神经网络计算部署在多个安全可信区(如Intel SGX)上的分布式编排框架。安全可信区对其内部部署的数据/代码的隐私提供保证。然而，其有限的硬件资源使得仅在其上运行整个深度神经网络时效率低下。为弥补这一差距，Serdab提出了一种DNN划分策略，将神经网络的各层分布到多个可信区设备之间，或分布到一个可信区设备与其他硬件加速器之间。我们的划分策略相比在单个可信区中执行整个神经网络实现了高达4.7倍的加速。
引用
@article{arxiv.2005.06043,
title = {Serdab: An IoT Framework for Partitioning Neural Networks Computation across Multiple Enclaves},
author = {Tarek Elgamal and Klara Nahrstedt},
journal= {arXiv preprint arXiv:2005.06043},
year = {2020}
}