Google Research, Katharine Daly ve Daniel Ramage imzasıyla dışarıdan doğrulanabilir gizlilik vaat eden yeni bir federated learning sistemi duyurdu. Hesaplama sunucuya kaydırılarak eğitim hızı, doğruluk ve cihaz kapsamı iyileştiriliyor. Sistem, tek makine düzeyindeki Trusted Execution Environment (TEE) özelliklerini uçtan uca doğrulanabilir bir federated learning düzenine bağlıyor: üçüncü taraflar çalışan mantığı uzaktan doğrulayabiliyor; iç durum gözlenemiyor ve mantık bozulamıyor. Bu güvenceler, Google’ın yazdığı gibi, güncel TEE tehdit modeline bağlı.
Akış
İstemci cihazlar eğitim örneklerini yerelde şifreleyip yüklüyor ve bu veriyi işleyebilecek TEE hesaplarının listesini önceden yetkilendiriyor. Bu hesaplar yalnızca anonimleştirilmiş sonuç bırakıyor. Erişim ilkeleri herkese açık bir şeffaflık günlüğüne yazılıyor. Anahtar yönetim sistemi, şifre çözme anahtarını yalnızca ilkedeki iş yüküyle eşleşen sunucu TEE’lerine veriyor. Kök TEE bir Python eğitim döngüsü çalıştırıp paralel işi işçi TEE’lere dağıtıyor; orkestrasyon açık kaynak bir dille ifade ediliyor. Tur sonunda KMS ile şifreli bir kurtarma durumu saklanıyor. Ayrıntı, aynı başlıklı teknik raporda.
Gboard
Gboard bu sistemi kullanmaya başlamış. İngilizce ve Japonca sonraki kelime tahmini modelleri, önceki federated learning sistemine göre daha güçlü gizlilik güvenceleri ve daha iyi doğrulukla açılmış. Google, hesap sürelerinin de önemli ölçüde kısaldığını yazıyor; yazı belirli bir kat sayısı vermiyor. Eski sistemlerde cihaz verisinin anında toplandığı ama dış gözlemcinin verinin kayda geçmediğini doğrulayamadığı belirtiliyor. Yeni düzen, bu boşluğu TEE uzaktan doğrulamasıyla kapatmayı amaçlıyor.
Kaynak: Google Research — Toward provably private learning from federated data
Henüz yorum yok. İlk yorumu siz yapın!