Privacy-preserving machine learning based on secure two-party computations

Статья посвящена анализу систем конфиденциального машинного обучения, основанных на концепции безопасных двусторонних вычислений. Приводятся общие сведения о конфиденциальном машинном обучении, анализируются цели и задачи его применения. Предлагается обобщенная модель архитектуры конфиденциального машинного обучения, отражающая основные функциональные блоки систем. Рассматривается постановка задачи безопасных многосторонних вычислений. Приводятся описания криптографических примитивов и протоколов, используемых для реализации двусторонних протоколов безопасных вычислений, включая гомоморфное шифрование, схемы разделения секрета, протоколы забывающей передачи, GC -схемы. Анализируются существующие системы конфиденциального машинного обучения на основе двусторонних протоколов безопасных вычислений. Основное внимание уделяется алгоритмическим аспектам организации систем, методам и протоколам защиты данных в них. Рассматриваются системы, стойкие к получестному и активному противнику, как основанные на универсальных модулях безопасных двусторонних вычислений, так и специализированные, предназначенные для обеспечения конфиденциальности конкретных технологий машинного обучения, таких как свёрточные нейронные сети. Подробно рассматриваются реализованные прототипы таких систем. Основываясь на результатах проведенного анализа, формулируются выводы о перспективах развития систем конфиденциального машинного обучения.