VeriML：为机器学习即服务提供完整性保证与公平支付
密码学与安全
2020-09-29 v1
摘要
机器学习即服务（MLaaS）使资源受限的客户端能够将其昂贵的 ML 任务外包给算力强大的服务器。尽管收益巨大，当前的 MLaaS 方案仍缺乏强有力的保证：1）服务正确性（即 MLaaS 是否按预期工作）；2）可信计费（即 MLaaS 资源消耗的账单是否被正确核算）；3）公平支付（即客户端是否在付款前获得完整的 MLaaS 结果）。若无这些保证，不诚实的服务提供商可能返回执行不当的 ML 任务结果或部分训练的 ML 模型，却索要虚高的报酬。此外，难以论证 MLaaS 在缺乏可信第三方的开放市场中为客户端和服务提供商双方所广泛采纳。本文提出 VeriML，一种新颖高效的框架，为 MLaaS 带来完整性保证与公平支付。借助 VeriML，客户端可确信 ML 任务在不可信服务器上被正确执行，且服务提供商所声称的资源消耗等于实际工作负载。我们策略性地在 ML 训练阶段对随机选取的迭代使用简洁非交互式知识论证（SNARK），以在可调概率保证下实现效率。我们还针对 SNARK 所需的算术电路开发了多项 ML 专用优化。我们的系统实现了六种常见算法：线性回归、逻辑回归、神经网络、支持向量机、Kmeans 和决策树。实验结果验证了 VeriML 的实用性能。
引用
@article{arxiv.1909.06961,
title = {VeriML: Enabling Integrity Assurances and Fair Payments for Machine Learning as a Service},
author = {Lingchen Zhao and Qian Wang and Cong Wang and Qi Li and Chao Shen and Xiaodong Lin and Shengshan Hu and Minxin Du},
journal= {arXiv preprint arXiv:1909.06961},
year = {2020}
}