XONN：基于XNOR的茫然深度神经网络推理
密码学与安全
2019-09-17 v2
摘要
深度学习的进步使云服务器能够为客户端提供推理即服务。在此场景中，客户端将其原始数据发送给服务器以运行深度学习模型并传回结果。该设置中的一个突出挑战是确保客户端敏感数据的隐私。茫然推理（oblivious inference）是在客户端输入上运行神经网络而不向服务器泄露输入或结果的任务。本文介绍XONN，一种基于姚氏混淆电路（Yao's Garbled Circuits, GC）协议的新型端到端框架，在茫然推理的概念和实际实现上提供了范式转变。在XONN中，深度学习模型中代价高昂的矩阵乘法运算被XNOR运算替代，而后者在GC中本质上是免费的。我们进一步提出了一种新算法，在不牺牲推理精度的前提下定制神经网络，使GC协议的运行时间最小化。我们为XONN设计了用户友好的高级API，以空前水平的抽象表达深度学习模型架构。在各种神经网络架构上的大量概念验证评估表明，XONN优于先前工作，如Gazelle（USENIX Security'18）达7倍、MiniONN（ACM CCS'17）达93倍、SecureML（IEEE S&P'17）达37倍。最先进的框架对神经网络的每一层都需要客户端与服务器之间一轮交互，而XONN对任意层数仅需常数轮交互。XONN首个在多达21层的Fitnet架构上执行茫然推理，相比最先进水平提出了新的可扩展性。此外，我们在四个数据集上评估XONN以进行隐私保护医疗诊断。
引用
@article{arxiv.1902.07342,
title = {XONN: XNOR-based Oblivious Deep Neural Network Inference},
author = {M. Sadegh Riazi and Mohammad Samragh and Hao Chen and Kim Laine and Kristin Lauter and Farinaz Koushanfar},
journal= {arXiv preprint arXiv:1902.07342},
year = {2019}
}
备注
To appear in USENIX Security 2019