面向外包神经网络推理的实用隐私保护方案
密码学与安全
2022-06-07 v1
摘要
当神经网络模型和数据被外包给云服务器进行推理时，由于涉及的各方（即云服务器、提供模型的客户端和提供数据的客户端）可能互不信任，需要保护模型和数据的机密性。已有基于多方计算、可信执行环境（TEE）以及分层或全同态加密（LHE/FHE）的方案被提出，但其局限性阻碍了实际应用。我们提出了一种基于 LHE 与 TEE 协同集成的新框架，使得互不信任的三方能够协作，同时最小化（相对）资源受限的 TEE 的参与并允许充分利用服务器中不受信任但资源更丰富的部分。我们还提出了一种通用的、高效的基于 LHE 的推理方案，作为该框架中决定性能的重要组件。我们在一个中等规模平台上实现并评估了所提出的系统，结果表明，与最先进的基于 LHE 的方案相比，我们提出的方案对各种设置更具适用性/可扩展性，并且具有更好的性能。
引用
@article{arxiv.2206.02384,
title = {Towards Practical Privacy-Preserving Solution for Outsourced Neural Network Inference},
author = {Pinglan Liu and Wensheng Zhang},
journal= {arXiv preprint arXiv:2206.02384},
year = {2022}
}