Slalom：在可信硬件中快速、可验证且私密地执行神经网络
机器学习
2019-02-28 v2 密码学与安全
机器学习
摘要
随着机器学习（ML）被应用于安全关键或敏感领域，对外包 ML 计算的完整性和隐私性需求日益增长。一种务实的解决方案来自可信执行环境（TEEs），其利用硬件和软件保护将敏感计算与不可信的软件栈隔离。然而，与不可信方案相比，这些隔离保证在性能上付出了代价。本文通过高效地在可信与不可信设备间划分 DNN 计算，开启了在 TEEs 中高性能执行深度神经网络（DNNs）的研究。基于一种高效的矩阵乘法外包方案，我们提出 Slalom，一个将 DNN 中所有线性层的执行从 TEE（如 Intel SGX 或 Sanctum）安全地委托给更快但不可信的同位处理器的框架。我们通过在 Intel SGX 飞地中运行 DNNs 来评估 Slalom，其有选择地将工作委托给不可信 GPU。对于典型 DNNs（VGG16、MobileNet 和 ResNet 变体），我们在可验证推理上获得了 6 倍至 20 倍的吞吐提升，在可验证且私密推理上获得了 4 倍至 11 倍的提升。
引用
@article{arxiv.1806.03287,
title = {Slalom: Fast, Verifiable and Private Execution of Neural Networks in Trusted Hardware},
author = {Florian Tramèr and Dan Boneh},
journal= {arXiv preprint arXiv:1806.03287},
year = {2019}
}
备注
Accepted as an oral presentation at ICLR 2019. OpenReview available at https://openreview.net/forum?id=rJVorjCcKQ