相关文章：隐私计算 9
原标题《Enc2:Privacy-Preserving Inference for Tiny IoTs via Encoding and Encryption》
发表平台：ACM MobiCom ‘23
摘要
本文介绍了名为Orient的新框架，该框架旨在为资源受限的小型物联网设备提供一种轻量级的隐私保护机器学习方法。通过结合编码和加密技术，Orient在保证数据隐私的同时显著降低了推断延迟，并且消除了对边缘设备进行编码的需求。实验结果显示，Orient相比现有的隐私保护方法，在执行复杂的深度学习任务如目标检测和图像分类时，能够提供更好的性能和更高的隐私保护水平。
解决的主要问题
本文主要关注于解决小型物联网设备上隐私保护机器学习（PPML）面临的挑战，特别是当这些设备需要将计算任务卸载到云端时如何平衡计算效率和隐私保护的问题。传统的PPML技术虽然可以实现远程私有推断，但由于加密过程中的计算开销导致推断延迟严重增加。此外，对于计算能力非常有限的设备来说，编码过程也成为了负担。
主要方法和技术
Orient提出了一种混合方法来解决上述问题，即利用编码和加密相结合的方式。其核心思想是通过同态加密技术在云端实现编码功能，从而避免了在资源受限的IoT设备上进行编码处理的需要。由于大多数计算是在明文状态下完成的，因此该方法能够享受到比现有基于加密的技术更好的延迟表现。此外，Orient还设计了一种新的调度算法，以进一步扩展其应用场景和适用范围。
总结
本文的重要贡献在于设计并实现了适用于资源受限的小型物联网设备的新型轻量级隐私保护机器学习框架——Orient。通过引入云侧编码机制，Orient不仅提高了推断速度，还加强了数据的隐私保护，解决了传统方法中编码负担过重的问题。此外，文中通过实验证明了Orient在处理复杂深度学习任务时的有效性和优越性，特别是在移动设备如机器人、无人机和自动驾驶车辆上的应用前景广阔。这些贡献对于推动隐私保护技术在物联网领域的应用具有重要意义。