Tetrad：面向安全训练与推理的主动安全四方可计算隐私保护框架
密码学与安全
2022-02-17 v3 机器学习
摘要
混合算术与布尔电路以执行隐私保护机器学习已变得日益流行。为此，我们针对最多发生一处主动腐败的四方场景提出了一个称为 Tetrad 的框架。Tetrad 在环上工作，支持两级安全性：公平性与鲁棒性。公平乘法协议耗费 5 个环元素，优于当前最优的 Trident（Chaudhari 等人，NDSS'20）。Tetrad 的一个关键特性是鲁棒性在公平协议之上免费获得。两种变体的其他亮点包括 (a) 无开销的概率截断，(b) 多输入乘法协议，以及 (c) 用于在计算域之间切换的转换协议，以及一种量身定制的乱码电路方法。Tetrad 在 LeNet 和 VGG16 等深度神经网络上的训练与推理均进行了基准测试。我们发现 Tetrad 在机器学习训练中最高快 4 倍，在机器学习推理中最高快 5 倍。Tetrad 在部署成本上也很轻量，比 Trident 最高节省 6 倍成本。
引用
@article{arxiv.2106.02850,
title = {Tetrad: Actively Secure 4PC for Secure Training and Inference},
author = {Nishat Koti and Arpita Patra and Rahul Rachuri and Ajith Suresh},
journal= {arXiv preprint arXiv:2106.02850},
year = {2022}
}