安全高效地外包决策树推理
Published:
安全高效地外包决策树推理
将机器学习推理服务外包到云端越来越受欢迎。 但是,这也会给提供商的专有模型和客户的敏感数据带来隐私风险。 本文着眼于决策树推理,提出了一个安全高效外包决策树推理的框架。 针对隐私和效率,我们提出了一种在安全推理的在线执行中仅使用轻量级密码学的定制协议。加性秘密共享并解决各个组件中的问题,包括安全输入特征选择、决策节点评估和推理结果生成。 我们的协议在在线安全推理过程中不需要提供者和客户端的交互,这与之前的实际部署工作相比具有明显的优势,因为它们都在需要同步和连续交互的客户端-提供者设置下运行。 性能评估展示了我们的安全设计的效率,以及为客户带来的实质性性能优势,与非外包环境中的现有技术相比。 为了促进满足更多服务需求的实际使用,我们还研究了随机森林和基于分类特征的决策树的安全外包推理的扩展。
使用机器学习来支持自动化数据分析在各种应用领域越来越受欢迎,例如医疗诊断、信用风险评估、人脸识别和 更多的。 有了训练有素的模型,机器学习推理就可以自动预测新的输入。 随着云计算的广泛采用,将此类推理服务外包到云中变得越来越流行 [7]、[8],这是由于云计算的好处广为人知。 然而,这种做法引起了严重的隐私问题。 首先,提供商的模型通常是专有的,因为训练有效的模型需要对数据集、资源和专业技能进行大量投资。 提供者自然不愿意将模型以明文形式暴露给云。 其次,作为模型输入的客户数据也可能是敏感数据,例如医疗数据或财务数据。 直接以明文形式提供输入可能很容易侵犯客户的隐私。 因此,有必要从一开始就在推理外包设计中嵌入安全性,以确保专有模型和敏感客户数据的隐私。