[论文解读] Chameleon: A Hybrid Secure Computation Framework for Machine Learning Applications

M. Sadegh Riazi, Christian Weinert+4 more|arXiv (Cornell University)|Jan 10, 2018

Cryptography and Data Security参考文献 74被引用 51

一句话总结

Chameleon 是一个快速的两方安全计算框架，它将 GC、GMW 与加法秘密共享混合，并引入一个离线的半诚实第三方，以实现私有机器学习，包括高效的向量点积和神经网络。

ABSTRACT

We present Chameleon, a novel hybrid (mixed-protocol) framework for secure function evaluation (SFE) which enables two parties to jointly compute a function without disclosing their private inputs. Chameleon combines the best aspects of generic SFE protocols with the ones that are based upon additive secret sharing. In particular, the framework performs linear operations in the ring $\mathbb{Z}_{2^l}$ using additively secret shared values and nonlinear operations using Yao's Garbled Circuits or the Goldreich-Micali-Wigderson protocol. Chameleon departs from the common assumption of additive or linear secret sharing models where three or more parties need to communicate in the online phase: the framework allows two parties with private inputs to communicate in the online phase under the assumption of a third node generating correlated randomness in an offline phase. Almost all of the heavy cryptographic operations are precomputed in an offline phase which substantially reduces the communication overhead. Chameleon is both scalable and significantly more efficient than the ABY framework (NDSS'15) it is based on. Our framework supports signed fixed-point numbers. In particular, Chameleon's vector dot product of signed fixed-point numbers improves the efficiency of mining and classification of encrypted data for algorithms based upon heavy matrix multiplications. Our evaluation of Chameleon on a 5 layer convolutional deep neural network shows 133x and 4.2x faster executions than Microsoft CryptoNets (ICML'16) and MiniONN (CCS'17), respectively.

研究动机与目标

• 推动面向私有机器学习和 MLaaS 场景的高效安全函数评估（SFE）。
• 使两方在私有输入下使用混合协议组合来计算函数，以提升可扩展性和性能。
• 扩展 ABY 以支持用于 ML 任务的顺序电路和带符号定点数。
• 通过将大量运算下放到离线阶段的半诚实第三方来减少在线加密工作。

提出的方法

• 在混合框架中结合 Yao 的 Garbled Circuits、Goldreich–Micali–Wigderson 协议和加法秘密共享。
• 利用离线半诚实第三方（STP）预计算 OT 扩展、乘法三元组和种子扩展以提高效率。
• 将函数表示为顺序电路（用于 GC/GMW）和在 Z2l 的加法共享下的线性运算的混合形式。
• 实现基于 Du-Atallah 乘法的快速向量点积协议，以实现高效的矩阵乘法。
• 允许在运行时在协议之间切换，以优化电路深度和在线通信，且具有受 ABY 启发的共享类型转换。

实验结果

研究问题

• RQ1 两方安全计算框架如何通过混合 GC、GMW 和加法秘密共享，在 ML 工作负载上实现高效？
• RQ2 哪些下放策略（离线 STP、种子扩展、预计算）能够实现安全 ML 任务在线阶段的实用性能？
• RQ3 Chameleon 能否支持顺序电路和带符号的定点算术，以更好地适应深度学习和 ML 应用？
• RQ4 相较于现有的 SFE 框架和基于 HE 的方法，在 ML 工作负载上有哪些对比的性能提升？

主要发现

• 与 ABY 相比，Chameleon 在算术和布尔乘法三元组的在线通信量上分别达到最多 321x 和 256x 的降低。
• 相较于 Microsoft CryptoNets，Chameleon 在一个五层卷积神经网络上实现了 133x 的加速性能。
• 在可比配置下，与 MiniONN 相比，Chameleon 提供了 4.2x 的加速性能。
• 该框架支持带符号定点算术，具备 16、32、64 位表示，能够实现依赖于矩阵乘法的 ML 任务。
• 离线预计算和基于 STP 的协议显著减少在线的加密工作量和通信量。
• Chameleon 提供一个实用的两方安全计算模型，离线第三方生成相关的随机性和种子。