MACS项目会议，2018年1月

日期:
Monday, January 29, 2018

地点:
波士顿大学, Hariri Seminar Room, MCS建筑 room 180

时间表:

选定的摘要:

Yossi吉拉德, 体育场：一个分布式元数据私有消息传递系统

互联网上的私人通信仍然是一个具有挑战性的问题。 即使消息是加密的，也很难在不暴露有关哪对用户正在通信的元数据的情况下传递消息。 可扩展的匿名系统，如Tor，很容易受到流量分析攻击，泄漏元数据。 相比之下，具有元数据隐私的最大规模系统需要通过少数提供程序传递所有消息，这对每个提供程序要求很高的操作成本，并且在实践中限制了它们的可部署性。

本文介绍了Stadium，一个点对点消息传递系统，它提供元数据和数据隐私，同时在不同组织运营的数百个低成本提供商之间有效地扩展其工作。 就像目前最大的元数据专用系统Vuvuzela一样，Stadium通过差异隐私和增加噪声覆盖流量来实现其可证明的保证。 Stadium面临的关键挑战是，在不需要大量噪音的情况下，限制从高度分布式系统的许多可观察交通链路中显示的信息。 为了解决这一挑战，Stadium引入了分布式噪声生成和差分私有路由技术，以及可验证的并行mixnet设计，其中服务器协作检查其他服务器是否遵循协议。 我们表明，使用比Vuvuzela节点成本低一个数量级的服务器，Stadium可以扩展到支持比Vuvuzela多4倍的用户。

Vinod Vaikuntanathan, Gazelle：一个用于安全神经网络推理的低延迟框架

基于云计算的机器学习越来越受欢迎，这自然引发了一个澳门威尼斯人注册在这种环境下可以提供的隐私保证的问题。 我们的工作解决了这个问题，客户希望使用服务器训练的卷积神经网络（CNN）对私人图像进行分类。 Our goal is to build efficient protocols whereby the client can acquire the classification result without revealing their input to the server, while guaranteeing the privacy of the server’s neural network.

为此，我们设计了GAZELLE，一个可扩展和低延迟的安全神经网络推理系统，使用同态加密和传统的两方计算技术（如乱码电路）的复杂组合。 GAZELLE做出了三个贡献。 首先，我们设计了GAZELLE同态加密库，该库为SIMD（单指令多数据）加法、SIMD乘法和密文排列等基本同态运算提供了快速算法。 其次，我们实现了GAZELLE同态线性代数核，将神经网络层映射到优化的同态矩阵向量乘法和卷积例程。 第三，我们设计了优化的加密交换协议，在同态和乱码电路编码之间无缝转换，以实现完整的神经网络推理。

我们在MNIST和CIFAR-10数据集上训练的基准神经网络上评估了我们的协议，并表明GAZELLE在在线运行时比现有的最佳系统（如MiniONN）高出20倍，Chameleon高出30倍。 同样，与完全同态的方法（如CryptoNets）相比，我们证明了在线运行时间快了三个数量级。

马尔特施瓦茨科普夫, 秘会：大数据下的安全多方计算

Secure multi-party computation (MPC) allows mutually distrusting parties
to run joint computations without revealing any private data.
Unfortunately, current MPC algorithms scale poorly with the size of the
data processed. This makes MPC on “big data” prohibitively slow and
inhibits many use cases.

Most analytics queries, however, can maintain the end-to-end security
guarantee without running entirely under MPC’s cryptographic
techniques. Conclave is a query compiler that 自动
accelerates such queries by transforming a relational query into a
combination of scalable, local, cleartext processing and small, isolated
MPC steps. For further speedups, Conclave introduces new hybrid
MPC-cleartext protocols that rely on existing trust relationships
between parties to run additional steps outside MPC.

Our Conclave prototype generates code for local, scalable cleartext
processing in Spark, and for secure MPC using the Sharemind framework,
and manages its execution. In experiments, Conclave scales to data sets
between three and six orders of magnitude larger than state-of-the-art
MPC frameworks can support, and delivers results in minutes.