决策森林的向量化安全评估

随着对基于机器学习的推理的需求与对隐私的担忧同步增长，人们日益认识到对安全机器学习的需求，其中秘密模型可用于对私有数据进行分类而不泄漏模型或数据。全同态加密（FHE）允许对加密数据执行任意计算，为提供此类安全推理提供了一种有吸引力的方法。虽然这种计算通常比其明文对应项慢几个数量级，但FHE密码系统能够进行密文打包（ciphertext packing）——即加密整个明文向量，使得操作在向量上逐元素求值——有助于减轻此开销，有效创建可向量化以更高效求值的SIMD架构。该领域近期研究多针对规则、易向量化的神经网络模型。将类似技术应用于不规则ML模型（如决策森林）仍未被探索，因其复杂、难以向量化的结构。本文中我们提出COPSE，首个利用密文打包执行决策森林推理的系统。COPSE由一个暂存编译器组成，可自动重构并将决策森林模型编译为一组用于安全推理的新向量化原语。我们发现COPSE编译的模型在一系列决策森林模型上优于最先进水平，通常超过一个数量级，同时仍具良好可扩展性。