[논문 리뷰] Lightweight and Unobtrusive Data Obfuscation at IoT Edge for Remote Inference

Dixing Xu, Mengyao Zheng외 4명|arXiv (Cornell University)|2019. 12. 20.

Privacy-Preserving Technologies in Data참고 문헌 32인용 수 6

한 줄 요약

이 논문은 원격 딥러닝 추론 환경에서 원시 추론 데이터의 기밀성을 보호하기 위해 IoT 엣지 장치에서 경량이며 비차별적인 신경망 기반 데이터 가로막기 기법(ObfNet)을 제안한다. 전송 이전에 소규모 비가역적 신경 변환을 적용함으로써, 백엔드 추론 정확도를 유지하면서도 원본 데이터를 효과적으로 은폐할 수 있으며, 엣지 장치에서의 계산 및 에너지 오버헤드는 최소화되고 고대역폭 네트워크에서의 지연 영향도 극히 미미하다.

ABSTRACT

Executing deep neural networks for inference on the server-class or cloud backend based on data generated at the edge of Internet of Things is desirable due primarily to the limited compute power of edge devices and the need to protect the confidentiality of the inference neural networks. However, such a remote inference scheme incurs concerns regarding the privacy of the inference data transmitted by the edge devices to the curious backend. This paper presents a lightweight and unobtrusive approach to obfuscate the inference data at the edge devices. It is lightweight in that the edge device only needs to execute a small-scale neural network; it is unobtrusive in that the edge device does not need to indicate whether obfuscation is applied. Extensive evaluation by three case studies of free spoken digit recognition, handwritten digit recognition, and American sign language recognition shows that our approach effectively protects the confidentiality of the raw forms of the inference data while effectively preserving the backend's inference accuracy.

연구 동기 및 목표

• 엣지 장치가 클라우드 백엔드로 원시 데이터를 전송하는 원격 추론 시스템에서 기밀성 유출 문제를 해결하기 위해.
• 백엔드 모델의 정확도를 훼손하지 않으면서도 원시 추론 데이터의 기밀성을 보호하기 위해.
• 자원이 제한된 IoT 엣지 장치에 최소한의 계산 및 에너지 오버헤드를 유발하는 솔루션을 설계하기 위해.
• 신호 전달이나 기존 추론 파이프라인의 수정 없이도 작동하는 비차별적인 가로막기 메커니즘을 확보하기 위해.
• 음성, 필기체, 수어 인식을 포함한 다양한 실세계 응용 분야에 대해 접근법을 평가하기 위해.

제안 방법

• 소규모 신경망인 ObfNet을 IoT 엣지에 구현하여 원시 추론 데이터를 전송 전에 가로막힌 형태로 변환한다.
• ObfNet은 백엔드 추론 모델(InfNet)에서 원본 데이터의 클래스 예측을 유지하도록 훈련되며, 대부분의 입력에 대해 I(O(x)) ≈ I(x)를 만족시킨다.
• 가로막기는 비가역적이고 비선형적이므로, 호기심을 가진 백엔드에서 원본 데이터를 복원하기가 어렵다.
• 신호 전달이나 백엔드 추론 파이프라인의 수정 없이도 작동하여 비차별적인 운영을 보장한다.
• 자연어 음성 인식(FSD), MNIST 필기 숫자 인식, 미국 수어(ASL) 인식을 포함한 세 가지 실세계 사례 연구를 통해 접근법을 평가한다.
• 성능은 추론 정확도 유지도, 에너지 소비, 실행 시간, 데이터 전송 오버헤드 측면에서 측정된다.

실험 결과

연구 질문

• RQ1 엣지에서 경량 신경가로막기 네트워크를 통해 원격 딥러닝 추론의 정확도를 유지하면서도 원시 데이터 기밀성을 보호할 수 있는가?
• RQ2 제안된 가로막기 방법은 엣지 장치에서 계산 및 에너지 오버헤드 측면에서 어떻게 성능을 발휘하는가?
• RQ3 가로막기 방법이 호기심을 가진 백엔드에서 원본 데이터의 복원 또는 추론을 어느 정도 방지하는가?
• RQ4 원격 추론의 지연 시간과 에너지 효율성은 엣지 장치에서의 로컬 추론과 비교해 어떻게 되는가?
• RQ5 이 방법은 음성, 이미지, 제스처 인식과 같은 다양한 감지 모odalities에 효과적으로 적용될 수 있는가?

주요 결과

• 제안된 ObfNet 접근법은 FSD, MNIST, ASL의 세 사례 연구 전반에서 원시 데이터 가로막기에도 불구하고 백엔드 추론 정확도를 유지한다.
• Coral TPU에서 ObfNet은 FSD, MNIST, ASL에 대해 각각 20 mJ, 2 mJ, 9.5 mJ의 샘플당 에너지 소비를 기록하여 극도로 낮은 에너지 오버헤드를 입증한다.
• Jetson에서의 샘플당 추론 시간은 FSD 14.318 ms, MNIST 8.351 ms, ASL 100.467 ms로 고성능 엣지 하드웨어에서 낮은 지연을 보였다.
• 데이터 전송 시간은 15 Mbps에서 1 ms 미만이었으며, 네트워크 속도가 15 Mbps를 초과하면 원격 추론이 로컬 추론보다 빠르게 작동했다.
• 고대역폭 연결(예: 4G > 100 Mbps)을 사용할 경우 원격 추론은 총 지연 시간과 에너지 효율성 측면에서 엣지 장치의 로컬 추론보다 뛰어난 성능을 보였다.
• 참가자들은 귀로 듣기로 가로막힌 오디오 샘플을 구분하지 못했으며, 시각적 검토 결과 원본 이미지의 의미 있는 복원이 이루어지지 않아 강력한 기밀성 보호가 확인되었다.