SSNet：面向云端实用隐私保护机器学习服务的轻量级多方计算方案
密码学与安全
2024-06-06 v1 机器学习
摘要
随着隐私保护在深度学习（DL）开发中日益重要，多方计算（MPC）因其高效和强安全性而受到青睐。然而，当前 MPC 框架的实际应用受限，尤其是在处理大型神经网络时，例如在 ResNet-152 上进行安全推断需要 25.8 秒。主要挑战在于当前 MPC 方法依赖加法共享，导致在非线性操作（如比较）方面的通信开销显著。此外，加法共享在 party 规模方面表现不佳。相比之下，演进中的 MPC 场景需要容纳更多的计算方，并确保对恶意活动或计算故障的稳健性能。在这些挑战下，我们提出了 SSNet，该方案首次采用萨米尔秘密共享（Shamir's secret sharing, SSS）作为 MPC 基于 ML 框架的 backbone。我们细致开发了所有框架原语和操作，以安全地 DL 模型为 SSS 方案定制。SSNet 能够轻松扩展 party 数量，并嵌入策略来在不产生显著性能开销的情况下对计算正确性进行身份验证。此外，SSNet 引入了掩码策略，以减少非线性操作相关的通信开销。我们在来自亚马逊 AWS 的商业云计算基础设施上，以及在多样化的主流 DNN 模型和数据集上进行了全面实验评估。SSNet 实现了显著的性能提升，相较于 SOTA MPC 框架实现了 3 倍至 14 倍的加速。此外，SSNet 也是首个在五方计算 setup 中评估的框架，置于安全 DL 推断上下文中。
引用
@article{arxiv.2406.02629,
title = {SSNet: A Lightweight Multi-Party Computation Scheme for Practical Privacy-Preserving Machine Learning Service in the Cloud},
author = {Shijin Duan and Chenghong Wang and Hongwu Peng and Yukui Luo and Wujie Wen and Caiwen Ding and Xiaolin Xu},
journal= {arXiv preprint arXiv:2406.02629},
year = {2024}
}
备注
16 pages, 9 figures