机器学习即服务中的隐私保护深度学习——全面综述

大数据和深度学习的指数级增长增加了社会中的数据交换流量。利用深度学习技术进行预测分析以增强决策能力的机器学习即服务（Machine Learning as a Service, MLaaS）已成为一种热门产品。然而，MLaaS 的采用给数据所有者带来了数据隐私挑战，同时也给深度学习模型所有者带来了安全挑战。数据所有者担心其在 MLaaS 平台上的数据安全与隐私，而 MLaaS 平台所有者则担心其模型可能会被伪装成客户的攻击者窃取。因此，隐私保护深度学习（Privacy-Preserving Deep Learning, PPDL）作为解决这一问题的可行方案应运而生。近期，已有数篇关于面向 MLaaS 的 PPDL 的论文发表。然而，据我们所知，此前尚无文献对现有 PPDL 相关研究及其在 MLaaS 环境下的具体适用性进行过系统总结。在本文中，我们对隐私保护技术进行了全面综述，从传统的隐私保护技术涵盖至广为人知的深度学习技术。此外，我们详细描述了 PPDL，并探讨了将 PPDL 应用于 MLaaS 的相关问题。同时，我们对当前最先进的 PPDL 方法进行了详细对比。随后，我们通过重点阐述可能的 PPDL 攻击方式及其潜在解决方案，对 PPDL 的对抗模型进行了分类。最终，本论文可为初入该领域及经验丰富的研究人员提供关于 PPDL 及其在 MLaaS 环境中适用性的详尽参考资料。