基于 TEE 的去中心化推荐系统：原始数据共享的救赎
分布式、并行与集群计算
2022-06-02 v2 密码学与安全
信息检索
机器学习
摘要
推荐系统在当今许多应用中处于核心地位。最有效的推荐方案，例如基于协同过滤（CF）的方案，利用用户画像之间的相似性进行推荐，但可能暴露隐私数据。联邦学习和去中心化学习系统通过让数据保留在用户机器上以保护隐私来解决此问题：每个用户在本地数据上训练，仅共享模型参数。然而，在网络中共享模型参数仍可能导致隐私泄露。在本文中，我们提出 REX，首个基于安全区的去中心化 CF 推荐系统。REX 利用可信执行环境（TEE），如英特尔软件防护扩展（SGX），在处理器内提供隔离环境，以在保护隐私的同时改善收敛性。首先，REX 支持原始数据共享，最终加速收敛并降低网络负载。其次，REX 完全保护隐私。我们分析了原始数据共享在深度神经网络（DNN）和矩阵分解（MF）推荐系统中的影响，并在 REX 的完整实现中展示了可信环境的优势。我们的实验结果表明，通过原始数据共享，与仅共享参数的标准去中心化方法相比，REX 利用可信硬件安全区以极小开销完全保护隐私的同时，将训练时间显著减少 18.3 倍，网络负载降低两个数量级。
引用
@article{arxiv.2202.11655,
title = {TEE-based decentralized recommender systems: The raw data sharing redemption},
author = {Akash Dhasade and Nevena Dresevic and Anne-Marie Kermarrec and Rafael Pires},
journal= {arXiv preprint arXiv:2202.11655},
year = {2022}
}