[论文解读] 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 34

一句话总结

TensorSCONE 将 TensorFlow 与 SCONE 受保护执行框架结合起来，使在不受信任的云基础设施上能进行安全、未修改的 TensorFlow 计算，使用 Intel SGX，训练在 CPU 上，且通过 TensorFlow Lite 进行安全分类。

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.

研究动机与目标

• 在不受信任的基础设施上使用TEE（Intel SGX）安全执行机器学习计算。
• 在受保护的 enclaves 中运行未修改的 TensorFlow 应用，而不牺牲准确性。
• 在支持训练和分类的同时，平衡机密性、完整性和性能。
• 通过 attestation（证明）和基于 Docker 的分发，提供端到端的安全通信和可信部署工作流。

提出的方法

• 将 TensorFlow 与 SCONE 集成，在 SGX enclaves 内运行未修改的 TensorFlow 应用。
• 使用 SCONE shields（文件系统、网络和用户级线程）来保护在不可信主机上的 I/O 与数据。
• 采用端到端 TLS 实现 enclave 与客户端之间的安全通信。
• 通过 Docker 分发安全部署，并利用 SCONE 的 attestation 进行远程完整性证明。
• 在 CPU 上支持训练（受 SGX 限制）并使用 TensorFlow Lite 进行分类，以实现更小的内存占用。
• 开发自定义工具链，在 SCONE-使能的环境中编译并运行 TensorFlow 与 TensorFlow Lite。

实验结果

研究问题

• RQ1 是否能够在不可信云基础设施上使用 SGX 实现 TensorFlow 工作负载的安全执行，同时带来最小的性能开销？
• RQ2 如何在 SGX enclaves 内透明地（未修改地）运行 TensorFlow 应用，而不降低准确性？
• RQ3 为在屏蔽环境中安全地支持训练和推理所需的架构改造是什么？
• RQ4 实现安全分布式 ML 工作负载的实际部署步骤（attestation、TLS、Docker）有哪些？

主要发现

• TensorSCONE 在 SGX 内对现有 TensorFlow 应用提供安全执行，具有较低的可信计算基线（TCB）。
• 训练在 CPU 上进行（本设计不提供基于 SGX 的 GPU 支持），而分类可以利用 TensorFlow Lite 以降低内存占用。
• Shields 保护文件系统和网络 I/O，使端到端 TLS 和完整性检查成为可能，以防止 Iago 式和内存操纵攻击。
• 通过 Docker、SCONE attestation 以及用于在 SCONE 内构建 TensorFlow 的专用工具链，存在一种实际的部署路径。
• 评估表明在 CIFAR-10 和微基准测试上，安全 ML 工作负载的性能开销是合理的，同时保持准确性和数据机密性。