[論文レビュー] TensorSCONE: A Secure TensorFlow Framework using Intel SGX

Roland Kunkel, Do Le Quoc+4 more|arXiv (Cornell University)|Feb 12, 2019

Security and Verification in Computing参考文献 45被引用数 34

ひとこと要約

TensorSCONEはTensorFlowをSCONE保護実行フレームワークと統合し、Intel SGXを用いた信頼されていないクラウド基盤上で未修正のTensorFlow計算を安全に実行、トレーニングはCPUで、TensorFlow Liteによる安全な分類を行う。

ABSTRACT

Machine learning has become a critical component of modern data-driven online services. Typically, the training phase of machine learning techniques requires to process large-scale datasets which may contain private and sensitive information of customers. This imposes significant security risks since modern online services rely on cloud computing to store and process the sensitive data. In the untrusted computing infrastructure, security is becoming a paramount concern since the customers need to trust the thirdparty cloud provider. Unfortunately, this trust has been violated multiple times in the past. To overcome the potential security risks in the cloud, we answer the following research question: how to enable secure executions of machine learning computations in the untrusted infrastructure? To achieve this goal, we propose a hardware-assisted approach based on Trusted Execution Environments (TEEs), specifically Intel SGX, to enable secure execution of the machine learning computations over the private and sensitive datasets. More specifically, we propose a generic and secure machine learning framework based on Tensorflow, which enables secure execution of existing applications on the commodity untrusted infrastructure. In particular, we have built our system called TensorSCONE from ground-up by integrating TensorFlow with SCONE, a shielded execution framework based on Intel SGX. The main challenge of this work is to overcome the architectural limitations of Intel SGX in the context of building a secure TensorFlow system. Our evaluation shows that we achieve reasonable performance overheads while providing strong security properties with low TCB.

研究の動機と目的

• 信頼されていないインフラストラクチャ上でTEEs（Intel SGX）を使用して機械学習計算を安全に実行する。
• 正確性を犠牲にすることなく、シールド化されたエンクレーブ内で未修正のTensorFlowアプリケーションを実行可能にする。
• 機密性、整合性、パフォーマンスのバランスを取りつつ、トレーニングと分類の両方をサポートする。
• attestationとDockerベースの配布を通じてエンドツーエンドの安全な通信と信頼されたデプロイメントワークフローを提供する。

提案手法

• TensorFlowをSCONEと統合して、SGXエンクレーブ内で未修正のTensorFlowアプリを実行する。
• SCONE shields（ファイルシステム、ネットワーク、ユーザーレベルのスレッド）を使用して、信頼できないホスト上のIOとデータを保護する。
• エンクレーブとクライアント間の安全な通信のためにエンドツーエンドTLSを用いる。
• Dockerを介して安全なデプロイを配布し、リモート整合性証明のためにSCONE attestationを活用する。
• CPUでのトレーニングをサポート（SGX制限あり）し、分類にはTensorFlow Liteを使用してメモリ使用量を抑える。
• SCONE対応環境内でTensorFlowとTensorFlow Liteをビルド・実行するカスタムツールチェーンを開発する。

実験結果

リサーチクエスチョン

• RQ1 SGXを用いた信頼できないクラウド基盤上でTensorFlowワークロードの安全な実行を最小のパフォーマンス overheadで達成できるか？
• RQ2 未修正の状態でTensorFlowアプリケーションをSGXエンクレーブ内で透過的に（Accuracyを犠牲にせず）実行するにはどうすればよいか？
• RQ3 シールド環境でトレーニングと推論を安全にサポートするためにどのようなアーキテクチャ的適応が必要か？
• RQ4 安全な分散MLワークロードを可能にする現実的なデプロイ手順（attestation、TLS、Docker）は何か？

主な発見

• TensorSCONEはSGX内で既存のTensorFlowアプリケーションの安全な実行を、低い信頼できる計算基盤（TCB）で提供する。
• トレーニングはCPU上で実行される（この設計にはSGX対応GPUサポートなし）、分類はメモリフットプリントを削減するためにTensorFlow Liteを活用可能。
• ShieldsはファイルシステムとネットワークI/Oを保護し、エンドツーエンドTLSと完全性チェックを可能にし、Iago型およびメモリ操作攻撃を防ぐ。
• Docker、SCONE attestation、およびTensorFlowをSCONE内で構築する専用ツールチェーンを用いた実用的デプロイパスが存在する。
• CIFAR-10とマイクロベンチマークでの安全なMLワークロードの評価は適切なパフォーマンスオーバーヘッドを示しつつ、精度とデータ機密性を維持。