（阅读笔记）ABY3: A Mixed Protocol Framework for Machine Learning

代码在这里

引言

机器学习被广泛用于为图像分类、生物特征匹配等应用生成模型，越来越多的技术公司，例如微软、谷歌，为客户提供基于云的机器学习模型推理和训练服务。然而，这些数据通常是敏感的，并可能具有不同等级的隐私要求。在通用数据保护条例等法规的约束下，不同实体之间难以共享数据和协同训练模型。
基于安全多方计算的隐私保护机器学习是一个活跃的研究领域，有助于解决这些问题。探索基于三方服务器的隐私保护机器学习框架，现有工作存在的挑战包含以下几个方面：
（1）在机器学习中，参数和中间计算结果都是以小数的形式存在，不能直接应用到模运算的代数系统上，例如整数环。目前有两种解决方案，一是将小数乘上一个大因子使其成为整数，同时使用一个大的模数来避免绕环，这样的弊端就是当计算大量浮点乘法的时候将不满足结果的正确性，同时采用了更大的模数增加了计算和通信的复杂度；二是使用基于布尔电路和混淆电路的定点小数乘法方法，但是其通信轮数又大大增加。
（2）机器学习涉及大量的算术计算与布尔运算，往往使用混合协议的方式比使用单一协议的方法要更高效，例如，可以使用算术秘密共享实现加法和乘法，使用布尔秘密共享或Yao共享实现比较。然而，在不同共享类型之间进行转换的标准方法代价高昂，并很快成为主要的性能瓶颈。
（3）如果攻击者存在恶意的行为，那么有效地解决上述挑战将更加困难，因此需要考虑恶意安全模型下的安全计算协议设计。
为了解决上述问题，本文[18]作出了如下贡献。
（1）设计了一种用于共享小数的近似定点乘法协议，其计算开销接近于标准的秘密共享模乘法，可以应用于半可信模型和恶意模型（三方中有一方是恶意的）。
（2）设计了一种通用的三方计算框架，用于实现在算术共享、布尔共享、和Yao共享之间进行转换。
（3）面对半可信安全模型，甚至是恶意模型（本文考虑安全三方计算，至多存在一台服务器被腐蚀）。

三方秘密共享

算术共享

布尔共享

姚式共享

ABY3框架

• 三种秘密共享类型：算术加法秘密共享；二进制秘密共享；姚式电路秘密共享；不同类型的秘密共享切换通信开销：
  
• 安全三方计算
  秘密$x=x_1+x_2+x_3$，三方分别拥有$(x_1,x_2),(x_2,x_3),(x_3,x_1)$，显然任意两方可以重构出秘密$x$，且允许且仅允许一个参与方被腐蚀（即任意少于两方不能重构出秘密），相当于（3，2）门限秘密共享，3为参与方总数量，2为可重构秘密参与方数量（重构门限）。
  注意，任意一方拥有两份秘密份额！（是为了使得任意两方可以重构出秘密的前提）

共享转换

定点乘法与截断

• 定点数运算：表示为k比特，固定小数位长度为d，在${\mathbb{Z}}_{2^k}$内可以执行与整数类似的运算。
  1. 定点乘法协议有两个误差来源：①第d+1位小数被截断，导致$2^{-d}$的误差，可以通过增大d控制误差大小；②符号位溢出，例如负数误判为正数。
  2. ①本文方法1：分享截断值，最小化通信开销，其中$x_3=r=x_3^{\prime }/2^d$；
     ② 借助二进制秘密共享。
     
• 向量化运算
• 秘密共享类型转换
• 混合秘密共享运算