SIMC 2.0：针对恶意客户端的改进安全机器学习推理
密码学与安全
2022-10-28 v2
摘要
在本文中，我们研究针对恶意客户端和半可信服务器的安全 ML 推理问题，使得客户端仅学习推理输出而服务器一无所知。该问题由 Lehmkuhl 等人首次提出并给出解决方案（MUSE，Usenix Security'21），其性能随后被 Chandran 等人的工作（SIMC，USENIX Security'22）大幅改进。然而，这些工作在实际应用方面仍存在不小的差距，面临着全面降低开销和加速安全推理的挑战。我们提出 SIMC 2.0，它遵循 SIMC 的底层结构，但显著优化了模型的线性层和非线性层。具体而言，(1) 我们设计了一种用于矩阵与向量之间同态并行计算的新编码方法。它通过洞察 SIMC 中密码学原语之间的互补性而定制构建。因此，它能最小化计算过程中引发的旋转操作数量，与其他同态操作（例如加法、乘法）相比，旋转操作计算开销非常大。(2) 我们将 SIMC 中用于计算非线性激活函数（例如 ReLU）的乱码电路（GC）大小减少了约三分之二。然后，我们设计了一种替代的轻量级协议来执行原本分配给昂贵 GC 的任务。与 SIMC 相比，我们的实验表明，SIMC 2.0 在线性层计算上实现了高达 的显著加速，并在不同数据维度下非线性层实现中计算和通信开销均至少减少 。同时，SIMC 2.0 在不同最先进 ML 模型上相比 SIMC 展现了 的令人鼓舞的运行时间提升。
引用
@article{arxiv.2207.04637,
title = {SIMC 2.0: Improved Secure ML Inference Against Malicious Clients},
author = {Guowen Xu and Xingshuo Han and Tianwei Zhang and Shengmin Xu and Jianting Ning and Xinyi Huang and Hongwei Li and Robert H. Deng},
journal= {arXiv preprint arXiv:2207.04637},
year = {2022}
}