亚洲报业网免费收录优秀网站,为共同发展免费收录需做上本站友情链接,我们才会审核收录,不做链接提交一律不审核,为了不浪费时间:收录必看!!!

  • 收录网站:298
  • 快审网站:10
  • 待审网站:1
  • 文章:27895
当前位置:主页 > 新闻中心 > “基于云的机器学习的更高效安全性”

“基于云的机器学习的更高效安全性”

发布日期:2021-05-22 18:36:02 浏览:

由麻省理工学院的研究人员设计的新加密方法可以保护在线神经互联网上使用的数据,而不会显着减慢数据的速度。 该方法期望将基于云的神经互联网用于分析医学图像和使用敏感数据的其他应用程序。

外包机器学习是领域上升的趋势。 大型科技公司推出了一个云平台,可以执行计算密集型任务,如基于卷积神经互联网( cnn )的数据图像分类。 资源不足的中小企业和其他客户可以向这些服务收取费用,并在几小时内收回结果。

“基于云的机器学习的更高效安全性”

但是,如果有个人数据泄露该怎么办呢? 近年来,研究者为了保护这些机密数据探索了各种安全计算技术。 但是,这些方法存在性能缺陷,神经网络判断(测试和验证)慢,有时慢数百万倍,限制了广泛使用。

在本周的usenix安全会议上发表的论文中,麻省理工学院的研究人员解释了融合了两种以前流传的技术的系统,即同型加密和乱码电路,提供了互联网运行速度比以前流传的方法快几个数量级的系统

研究者在两个图像分类任务中都测试了这个叫做gazelle的系统。 客户将加密的图像数据发送到判断运行在gazelle上的cnn的在线服务器。 然后,双方共享加密新闻,对客户的图片进行分类。 系统永远不会学习服务器输入的数据,客户也永远不会学习任何有关互联网参数的新闻。 但是,与传统系统相比,gazelle以20~30倍的速度运行,减少了1位数的所需互联网带宽。

“基于云的机器学习的更高效安全性”

该系统有前景的应用之一是训练cnn诊断疾病。 例如,医院可以通过训练cnn,从磁共振成像( mri )中学习某些医学状况的特征,并通过入住的mri识别这些特征。 医院可以在云中为其他医院提供这种模式。 但是,该模型是由个人患者数据训练的,依赖于个人患者数据。 由于没有比较有效的加密模型,这个应用还没有做好黄金时代的准备。

“基于云的机器学习的更高效安全性”

在这项事业中,展示了通过巧妙地结合这两种技术,更有效地进行这种安全双方的通信的方法,第一作者chiraag juvekar先生说,他是电气工程和计算机科学系( eecs )的博士生。 “是”。 下一步是收集实际的医疗数据,并根据实际客户关心的应用程序进行扩展,以提供可接受的性能。

“基于云的机器学习的更高效安全性”

这篇论文的共同作者是欧洲经济共同体副教授,计算机科学和人工智能实验室成员vinod vaikuntanathan,以及工程学院院长和vannevar bush电气工程和计算机科学教授anantha chandrakasan,

“基于云的机器学习的更高效安全性”

性能最大化

cnn用多个线性计算层和非线性计算层解决图像数据。 线性图层执行许多称为线性代数的复杂数学运算,并为数据指定一点值。 在一个阈值中,将数据输出到非线性层,这些非线性层执行一些简单的计算,进行决策(例如,识别图像的特征),并将数据发送到下一个线性层。 最终得到指定类别的图像,包括车辆、动物、人和解剖学特征。

“基于云的机器学习的更高效安全性”

最近对cnn的保护包括应用准同态加密或加扰电路来解决全网中的数据。 这些技术可以比较有效地保护数据。 在纸面上,这似乎处理了这个问题。 尤文说。 但是,许多复杂的神经互联网效率低下,因此不能用于现实世界的应用。

“基于云的机器学习的更高效安全性”

云计算采用的同构加密通过加密数据(称为密文)接收和执行所有计算,生成加密结果,然后由客户解密。 该技术在应用于神经互联网时,在计算线性代数时特别高速有效。 但是,需要在各层的数据中引入噪声。 在多个层中,在累积噪声的同时,过滤噪声所需的计算越来越多,从而降低了计算速度。

“基于云的机器学习的更高效安全性”

乱码电路是安全双方的计算形式。 该技术接受来自双方的输入,进行一些计算,分别发送两个单独的输入。 这样,各方互相发送数据,但他们没有看过对方的数据,只看过他们周围的相关输出。 但是,在各当事方之间传播数据所需的带宽与输入的大小不是成比例的,计算量多并与复杂性成比例。 在线神经网络中,该技术在非线性层中运行良好,其中计算量最小,但在数学重线性层中带宽难以解决。

“基于云的机器学习的更高效安全性”

相反,麻省理工学院的研究者将这两种技术结合起来,以应对效率低下的问题。

在他们的系统中,客户将密文放入基于云的cnn中。 客户必须在自己的计算机上运行乱码电路技术。 cnn完成线性层的所有计算,然后将数据发送到非线性层。 此时,cnn与客户机共享数据。 客户计算一点乱码电路并将数据发送回cnn。 通过分割和共享业务负载,系统将同一状态的加密一次限制为多个复杂的数学运算。 这是因为这个数据不会太有杂音。 另外,乱码电路与非线性层的通信也受到限制,可以在非线性层最佳执行。

“基于云的机器学习的更高效安全性”

我们只是把技术用在最有效的地方,尤文说。

秘密分享

最后一步是维持同一状态和乱码电路层共同的随机化方案,被称为秘密共享。 在该方案中,数据被分割为单独的部分,这些部分提供给单独的缔约方。 各方将同步他们的部分以重建数据。

在gazelle中,客户向基于云的服务发送加密数据时,会在两者之间进行分配。 被添加到各个共享中的是只有所有者知道的密钥(随机数)。 在计算过程中,各方总是将随机数加在数据的一部分上。 因为这看起来完全随机。 计算结束后,双方将使他们的数据同步。 只有这样,客户才会向基于云的服务询问密钥。 然后,客户机可以从所有数据中减去私钥,从而得到结果。

“基于云的机器学习的更高效安全性”

计算结束后,希望第一者得到分类结果,绝对没有第二者,尤文卡说。 另外,第一方对模型的参数一无所知。

免责声明:亚洲报业网是一个完全人工审核编辑的开放式分类目录网站,本篇文章是在网络上转载的,本站不为其真实性负责,只为传播网络信息为目的,非商业用途,如有异议请及时联系btr2031@163.com,本站将予以删除。