SPOILER：基于投毒学习的 TEE 防护 DNN 边缘分区推理
密码学与安全
2026-03-09 v1
摘要
在边缘设备上部署深度神经网络（DNN）会暴露宝贵的知识产权以供模型窃取攻击。虽然TEE防护DNN分区（TSDP）通过隔离敏感计算来缓解这一问题，但现有方案未能同时满足隐私和效率。训练前分区方案存在固有的隐私泄露问题，而分区前训练方案则因结构依赖导致严重延迟，难以实现并行执行。为克服这些限制，我们提出了SPOILER，一种基于硬件感知神经网络架构搜索（NAS）的搜索-训练框架，根本上通过硬件感知神经网络架构搜索（NAS）将TEE子网络与主干网络解耦。SPOILER识别轻量级TEE架构，严格针对硬件约束进行优化，以最大化并行效率。此外，我们引入自投毒学习以强制逻辑隔离，使暴露的主干网络在没有TEE组件时功能上不连贯。大量实验表明，SPOILER在CNN和Transformer上实现了安全性、延迟和准确率的业界最佳权衡。
引用
@article{arxiv.2603.06263,
title = {SPOILER: TEE-Shielded DNN Partitioning of On-Device Secure Inference with Poison Learning},
author = {Donghwa Kang and Hojun Choe and Doohyun Kim and Hyeongboo Baek and Brent ByungHoon Kang},
journal= {arXiv preprint arXiv:2603.06263},
year = {2026}
}
备注
17 pages