[논문 리뷰] TensorSCONE: A Secure TensorFlow Framework using Intel SGX

Roland Kunkel, Do Le Quoc외 4명|arXiv (Cornell University)|2019. 02. 12.

Security and Verification in Computing참고 문헌 45인용 수 34

한 줄 요약

TensorSCONE은 TensorFlow를 SCONE 방호 실행 프레임워크와 통합하여 Intel SGX를 사용하는 신뢰되지 않는 클라우드 인프라에서 수정 없이 보안적인 TensorFlow 계산을 가능하게 하며, CPU에서 학습하고 TensorFlow Lite를 통한 안전한 분류를 제공합니다.

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.

연구 동기 및 목표

• TEEs(Intel SGX)를 사용하여 신뢰하지 않는 인프라에서 기계 학습 계산을 안전하게 실행합니다.
• 정확도를 희생하지 않고 보호된 엔클레이브 내에서 수정 없이 TensorFlow 애플리케이션 실행을 가능하게 합니다.
• 학습과 분류를 모두 지원하면서 기밀성, 무결성 및 성능의 균형을 맞춥니다.
• 증명 및 Docker 기반 배포를 통한 엔드투엔드 보안 통신과 신뢰할 수 있는 배포 워크플로를 제공합니다.

제안 방법

• TensorFlow를 SCONE과 통합하여 SGX 엔클레이브 내부에서 수정 없이 TensorFlow 애플리케이션을 실행합니다.
• SCONE 방호(파일 시스템, 네트워크, 사용자 수준 쓰레딩)를 사용하여 신뢰되지 않는 호스트에서 IO 및 데이터를 보호합니다.
• 엔드투엔드 TLS를 사용하여 엔클레이브와 클라이언트 간의 보안 통신을 보장합니다.
• Docker를 통해 보안 배포를 제공하고 원격 무결성 증명을 위해 SCONE attestation를 활용합니다.
• CPU에서의 학습(SGX 제한)과 더 작은 메모리 사용을 위한 TensorFlow Lite를 이용한 분류를 지원합니다.
• SCONE-enabled 환경에서 TensorFlow와 TensorFlow Lite를 컴파일하고 실행하기 위한 커스텀 도구 체인을 개발합니다.

실험 결과

연구 질문

• RQ1 최소한의 성능 오버헤드로 SGX를 사용하여 신뢰되지 않는 클라우드 인프라에서 TensorFlow 워크로드의 보안 실행이 달성될 수 있습니까?
• RQ2 정확도를 저하시키지 않으면서 TensorFlow 애플리케이션을 SGX 엔클레이브 내부에서 투명하게(수정 없이) 실행할 수 있는 방법은?
• RQ3 보호된 환경에서 학습과 추론을 안전하게 지원하기 위해 어떤 아키텍처 조정이 필요합니까?
• RQ4 보안 분산 ML 워크로드를 가능하게 하는 실용적인 배포 단계(attestation, TLS, Docker)는 무엇입니까?

주요 결과

• TensorSCONE은 기존 TensorFlow 애플리케이션의 SGX 내 안전한 실행을 낮은 신뢰 컴퓨팅 기반(TCB)으로 제공합니다.
• 학습은 CPU에서 수행되며(이 설계에는 SGX 기반 GPU 지원 없음), 분류는 메모리 사용량을 줄이기 위해 TensorFlow Lite를 활용할 수 있습니다.
• 방호가 파일 시스템 및 네트워크 I/O를 보호하고 엔드투엔드 TLS 및 무결성 검사를 가능하게 하여 Iago 스타일의 공격 및 메모리 조작 공격을 방지합니다.
• Docker, SCONE attestation, 그리고 SCONE 내에서 TensorFlow를 빌드하기 위한 전용 도구 체인을 통해 실용적인 배포 경로가 존재합니다.
• 평가 결과 CIFAR-10 및 마이크로벤치마크에서 보안 ML 워크로드에 대한 합리적인 성능 오버헤드를 보이면서 정확도와 데이터 기밀성을 유지합니다.