ShadowNet：一种用于卷积神经网络的安全高效片上模型推理系统
密码学与安全
2023-07-07 v4 机器学习
摘要
随着移动和边缘设备上 AI 加速器的使用增加，片上机器学习 (ML) 正日益普及。如今数以千计的专有 ML 模型被部署在数十亿不可信设备上，这引发了关于模型隐私的严重安全担忧。然而，在不失去对不可信 AI 加速器访问的前提下保护模型隐私是一个具有挑战性的问题。本文提出一种新颖的片上模型推理系统 ShadowNet。ShadowNet 利用可信执行环境 (TEE) 保护模型隐私，同时将模型的重型线性层安全地外包给不可信硬件加速器。ShadowNet 通过在外包前对线性层权重进行变换，并在 TEE 内恢复结果来实现这一点。非线性层也保持在 TEE 内安全。ShadowNet 的设计确保了权重的高效变换及后续结果恢复。我们基于 TensorFlow Lite 构建了 ShadowNet 原型，并在五种流行 CNN（即 MobileNet、ResNet-44、MiniVGG、ResNet-404 和 YOLOv4-tiny）上进行了评估。评估表明，ShadowNet 以合理性能实现了强安全保证，为安全片上模型推理提供了实用方案。
引用
@article{arxiv.2011.05905,
title = {ShadowNet: A Secure and Efficient On-device Model Inference System for Convolutional Neural Networks},
author = {Zhichuang Sun and Ruimin Sun and Changming Liu and Amrita Roy Chowdhury and Long Lu and Somesh Jha},
journal= {arXiv preprint arXiv:2011.05905},
year = {2023}
}
备注
17 pages, 12 figures, IEEE Security & Privacy, Oakland'23