[TSC 2023] SecGNN：隐私保护图神经网络训练和推理作为云服务

SecGNN: Privacy-Preserving Graph Neural Network Training and Inference as a Cloud Service | IEEE Journals & Magazine | IEEE Xplore

摘要

图被广泛用于对实体之间的复杂关系进行建模。作为图分析的强大工具，图神经网络（GNN）因其端到端的处理能力而最近受到广泛关注。随着云计算的普及，在云中部署复杂、资源密集型的模型训练和推理服务因其突出的优势而越来越流行。然而，GNN训练和推理服务如果部署在云中，将引发对信息丰富和专有图形数据（以及由此产生的模型）的关键隐私问题。虽然在安全神经网络训练和推理方面已经有一些工作，但它们都专注于处理图像和文本的卷积神经网络，而不是具有丰富结构信息的复杂图形数据。在本文中，我们设计、实现和评估了 SecGNN，这是第一个支持云中保护隐私的 GNN 训练和推理服务的系统。SecGNN建立在对轻量级密码学和机器学习技术的见解的协同作用之上。我们深入研究了GNN训练和推理的过程，并设计了一系列相应的安全定制协议来支持整体计算。大量实验表明，SecGNN实现了相当的明文训练和推理精度，并具有可观的性能。

核心内容：

SecGNN采用了一种基于图的机器学习方法来处理数据，并使用了基于差分隐私的机制来保护隐私。在训练过程中，SecGNN使用了一种称为高斯机制的差分隐私技术，将随机噪声添加到模型参数中。同时，SecGNN还使用了一种称为迭代隐私技术的方法，通过迭代添加噪声来进一步提高隐私保护的强度。

在推断过程中，SecGNN使用了一种称为同态加密的方法，将模型输出加密并传输到云服务商。在云服务商的端，模型输出被解密，并使用解密后的输出进行推断。这种方法保证了模型输出的隐私性，同时不需要在云端存储或处理原始数据。