TBNet: 用于可信执行环境中深度神经网络模型保护的神经结构防御框架
内容提要
DarkneTZ是一个结合可信执行环境（TEE）和模型分区的框架，旨在优化深度神经网络（DNN）的执行，提升性能并保护隐私。研究表明，该框架在推理速度上提高了3.13倍，功耗降低超过66.5%。此外，提出了GradSec和TEE-Shielded DNN等新方法，增强了模型的安全性，减少了训练时间和开销。
延伸解读
TEE 与模型分区：性能与隐私的平衡
文章介绍了 DarkneTZ 等框架，通过将 DNN 模型分区，仅将敏感部分放入 TEE，从而在保护隐私的同时提升性能。例如，DarkneTZ 在 Raspberry Pi 3B+ 上实现了推理速度提高 3.13 倍、功耗降低超过 66.5%。这种设计避免了将整个模型放入 TEE 带来的高昂开销，为边缘设备上的隐私保护推理提供了可行方案。
模型保护新方法：GradSec 与 TEE-Shielded DNN
GradSec 和 TEE-Shielded DNN 是两种新兴的模型保护方法。GradSec 通过仅保护敏感层，减少了 TEE 大小和训练时间，并能防止推理攻击泄露隐私。TEE-Shielded DNN 则将模型划分为两部分，将隐私敏感部分置于 TEE 内，提供与全模型保护相同的安全性，但开销降低 10 倍且无准确度损失。这些方法在安全与效率之间取得了更好平衡。
安全威胁：比特翻转攻击与神经特洛伊
文章提到，利用比特翻转攻击（如行锤）可以翻转几个易受攻击的比特，将功能完好的 DNN 模型转化为特洛伊感染的模型，实现高达 92% 的目标类分类率。这种攻击凸显了 DNN 模型在部署中的脆弱性，尤其是在不可信硬件上。因此，在 TEE 等安全环境中运行模型时，也需考虑此类硬件层面的攻击。
Q&A
DarkneTZ框架的主要功能是什么？
DarkneTZ框架结合可信执行环境（TEE）和模型分区，旨在优化深度神经网络（DNN）的执行，提升性能并保护隐私。
使用DarkneTZ框架后，推理速度和功耗的变化如何？
使用DarkneTZ框架后，推理速度提高了3.13倍，功耗降低超过66.5%。
GradSec方法的主要优势是什么？
GradSec方法能够有效防止推理攻击泄露的隐私数据，同时减少TEB大小和总体训练时间。
TEE-Shielded DNN解决方案是如何工作的？
TEE-Shielded DNN通过将DNN模型划分为两部分，保护隐私敏感的部分在TEE内，从而提供与将整个模型放入TEE相同的安全保护，且开销减少了10倍。
比特翻转攻击对DNN模型的影响是什么？
比特翻转攻击可以将功能完好的DNN模型转化为特洛伊感染的模型，达到高达92%的目标类分类率。
DarkneTZ框架在训练时间上有什么改进？
DarkneTZ框架通过GradSec方法减少了总体训练时间，提升了训练效率。
