TBNet: A Neural Architectural Defense Framework Facilitating DNN Model Protection in Trusted Execution Environments

简介

本文介绍了一种名为TBNet的TEE（Trusted Execution Environments）基础防御框架，旨在从神经架构的角度保护DNN模型，既考虑了安全性，又兼顾了性能。具体而言，TBNet生成了一种新颖的双分支替代模型，分别利用（1）不受信任的Rich Execution Environment（REE）中的计算资源以减少延迟和（2）物理隔离的TEE以保护模型。在树莓派上进行的实验结果表明，TBNet在各种DNN模型架构和数据集上均实现了高效的模型保护，且成本低廉。
作者讲解

目前尚无作者解读视频，你可点击下方【许愿开讲】按钮，许愿作者开讲~
图表
解决问题

本论文旨在解决如何在保证性能的前提下，使用可信执行环境（TEE）保护边缘设备上的深度神经网络模型的问题。
关键思路

TBNet提出了一种新的双分支替换模型，利用不受信任的富执行环境（REE）的计算资源以减少延迟，并利用物理隔离的TEE保护模型。
其它亮点

实验结果表明，TBNet在多种DNN模型架构和数据集上实现了高效的模型保护。
相关研究

在相关研究方面，最近的研究包括“DeepSecure：A Scalable Approach to Security Testing of Deep Learning Systems”和“SecureML: A System for Scalable Privacy-Preserving Machine Learning”等。