代码改动两三行,AI数据秒换隐身衣!隐私计算+AI?中科院博士实践分享一键切换_创事记

来源:网络采摘    作者:果子整理    人气:    发布时间:2020-08-01    

位来 发自 凹非寺
量子位 报道 | 公众号 QbitAI

位来 发自 凹非寺

量子位 报道 | 公众号 QbitAI

脱了马甲我照样儿认识你!

这句在2000春晚赵本山的经典台词,放在隐私圈有了新的解释:在不看到数据“真面目”的情况下,照样能得到答案。

数据的进击与人工智能的野望

随着人工智能(AI)技术的不断发展和各种产品落地,数据作为各种人工智能算法的原材料,其价值已经普遍得到大家认可。各个公司能够采集到的数据毕竟有限,想得到更精准的训练模型,就需要将数据联合起来挖掘更大的价值。

但真正让数据“流动”并不简单,对于拥有数据的各个企业来说,面临着很大的矛盾:通过数据分享和交互显然可以提升AI算法的效果,但同时又必须要保障自己的数据不泄露出去。

Rosetta让隐私计算与AI攻守结合

而解决数据的动态使用、分享中的安全问题,正是“隐私计算+AI”技术的专长。其融合在数据的使用、处理过程之中,保障计算过程本身(广义的讲,还包括计算结果)不会泄露原始明文数据本身的信息。

国内首个自主研发的基于主流TensorFlow框架的隐私AI框架可以解决以上种种问题:Rosetta(https://github.com/LatticeX-Foundation/Rosetta)

“Rosetta”名称取自古埃及的罗塞塔石碑(Rosetta Stone)。其上记载着古埃及象形文字、埃及草书和古希腊文三种文字。

这里寓意着Rosetta框架将承载和结合AI、隐私AI和区块链三种典型的技术。这使得Rosetta的发展方向聚焦在以下三个方面:

面向AI需求,服务AI开发者

完全开源,透明开放

持续集成高效、可扩展的隐私保护技术后端

目前开源的 Rosetta 0.2.0版本中,以TensorFlow这一流行AI框架为基础,深度改造其python前端和后端kernel,融合了最前沿的安全多方计算(MPC)算法协议。

那么让我们揭开Rosetta的神秘面纱,先睹为快,举一个简单的“硬核”例子:

假设现在有三个个体A,B和C各自都具有自己采集到的一批私有数据,并且已经各自经过标准的特征工程等方式将其表达为三个矩阵

,正如大部分的AI算法(比如推荐系统)那样,某一个步骤中需要执行矩阵乘法这样的算子操作。

显然为了保护数据的隐私,三方之间是不能将各自的数据直接明文的传输给其他参与者的,而这样的计算又必须要进行数据的交互,这时,用户可以引入Rosetta框架后很快的解决这一问题。

Rosetta框架实例分析

比如,各方在本地有一样的如下脚本rosetta_demo.py (这里为了更加直观的体验,我们以各方通过console输入简单的数据来示例,真实场景下可以调用隐私数据文件读取接口来输入):

#!/usr/bin/env python3

# Import rosetta package

import latticex.rosetta as rtt

import tensorflow as tf

# You can activate a backend protocol, here we use SecureNN

rtt.activate("SecureNN")

# Get private data from every party

matrix_a = tf.Variable(rtt.private_console_input(0, shape=(3, 2)))

matrix_b = tf.Variable(rtt.private_console_input(1, shape=(2, 1)))

matrix_c = tf.Variable(rtt.private_console_input(2, shape=(1, 4)))

# Just use the native tf.matmul operation.

cipher_result = tf.matmul(tf.matmul(matrix_a, matrix_b), matrix_c)

# Start execution

with tf.Session() as sess:

sess.run(tf.global_variables_initializer())

# Take a glance at the ciphertext

cipher_result = sess.run(cipher_result)

print('local ciphertext result:', cipher_result)

# Set only party a and c can get plain result

a_and_c_can_get_plain = 0b101

# Get the result of Rosetta matmul

print('plaintext matmul result:', sess.run(rtt.SecureReveal(cipher_result, a_and_c_can_get_plain)))

A 、B和C方在完成配置好网络拓扑配置文件后,分别运行

python rosetta_demo.py --party_id=0

python rosetta_demo.py --party_id=1

python rosetta_demo.py --party_id=2

然后,各方分别按照提示在终端中输入各自的私有数据,比如A方可以按照如下提示输入其对应的矩阵元素值:

[2020-07-2920:10:49.070] [info] Rosetta: Protocol [SecureNN] backend initialization succeeded!

please input the private data (float or integer, 6 items, separated by space): 231762

假设A方输入的私有矩阵为

 代码改动两三行,AI数据秒换隐身衣!隐私计算+AI?中科院博士实践分享一键切换_创事记

, B 方输入的私有矩阵为

, C 方输入的素有矩阵为

 代码改动两三行,AI数据秒换隐身衣!隐私计算+AI?中科院博士实践分享一键切换_创事记

我们先直接打印出算子计算的结果,此时各方本地输出的是各不相同的被编码后的密文信息,比如:

local ciphertext result: [[b'D\xa9P\xfeul\x00\x00#'b'\xcbj\x1c\x1f*D\x00\x00#'b'\xef\xdb\xa2\xddS\x90\xff\xff#'b'\xaa:\xbcD\x96\x83\xff\xff#']

[b'\x16\xb3\xf6\xa9@x\x00\x00#'b'4\xff/\x99\xc9\xbb\xff\xff#'b'8\x11\xfa\xa1Y<\x00\x00#'b'_9\x92>\xea6\x00\x00#']

[b'\xeb)\xf3\xa0\xfa\xc6\xff\xff#'b"\x1c'\xec\x80\xa1%\x00\x00#"b'\xf4\xcd\xc4\xb6\xfb\x1a\x00\x00#'b'B\x10\xeeNd\xe6\xff\xff#']]

在上述脚本的最后我们显式的调用了SecureReveal接口来将隐私AI的结果“解密”出来,且通过设定参数为5来要求只有A和C可以得到明文值,所以A方和C方将得到类似如下的正确明文结果:

plaintext matmul result: [[b'8.000000'b'14.000000'b'18.000000'b'4.000000']

[b'4.000000'b'7.000000'b'9.000000'b'2.000000']

[b'24.000000'b'42.000000'b'54.000000'b'12.000000']]

[2020-07-2920:11:06.452] [info] Rosetta: Protocol [SecureNN] backend has been released.

而B方则不会得到正确的明文计算结果,其输出是:

plaintext matmul result: [[b'0.000000'b'0.000000'b'0.000000'b'0.000000']

[b'0.000000'b'0.000000'b'0.000000'b'0.000000']

[b'0.000000'b'0.000000'b'0.000000'b'0.000000']]

[2020-07-2920:11:06.558] [info] Rosetta: Protocol [SecureNN] backend has been released.

可以看出除了必要的数据预处理接口外,我们完全的复用了TensorFlow中的算子,在更复杂的计算逻辑图中,你可以像这个trivial例子中的Matmul一样,直接使用native TensorFlow的算子即可,不需要感知任何后端复杂的隐私协议!

AI开发者能在不需要对隐私AI技术有任何了解的情况下,只需要改动三行代码即可将现有AI代码转换为具备数据隐私保护功能的程序,Rosetta可以说是AI开发者的“贴心小马甲”。

为了更相近了解这种隐私保护技术,量子位邀请到矩阵元算法科学家谢翔博士进行直播分享,Rosetta如何将隐私计算能力赋予人工智能,让我们的隐私更安全。

分享内容

隐私计算背景介绍

如何实现隐私保护

什么是Rosetta

Rosetta运行原理

Rosetta的应用场景

未来的规划

嘉宾介绍:

打赏

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码打赏,你说多少就多少

打开支付宝扫一扫,即可进行扫码打赏哦

责任编辑:果子整理