Key points are not available for this paper at this time.
Uma maneira comum de melhorar o desempenho de aplicações para processadores multi-core é explorar o paralelismo. No aprendizado profundo (DL), o treinamento ou ajuste de parâmetros utiliza dados sensíveis do usuário, e, portanto, preservar a privacidade é crítico. Mecanismos de proteção assistidos por hardware (ou seja, ambientes de execução confiáveis - TEEs) oferecem uma solução prática para preservação da privacidade, atualmente disponíveis tanto em centros de dados privados quanto públicos. Apresentamos o SGX-OmpSs, uma nova abordagem que combina um modelo de programação baseado em tarefas (ou seja, OmpSs) com TEEs (ou seja, Intel Software Guard Extensions). SGX-OmpSs suporta paralelismo assíncrono de tarefas e heterogeneidade de hardware utilizando as dependências de dados entre as tarefas da aplicação, facilmente especificadas por anotações de código. Avaliamos o SGX-OmpSs por meio de vários microbenchmark e aplicações e conjuntos de dados DL de ponta (por exemplo, YOLO e MNIST). O SGX-OmpSs alcança um ganho de 94% na velocidade, ao mesmo tempo em que oferece garantias adicionais de segurança.
Rocha et al. (Mon,) estudaram esta questão.