Slalom 项目使用教程

Slalom 项目使用教程

slalom Fast, Verifiable and Private Execution of Neural Networks in Trusted Hardware 项目地址: https://gitcode.com/gh_mirrors/sla/slalom

1. 项目介绍

Slalom 是一个用于在可信硬件中加速深度神经网络评估的框架。它通过选择性地将计算外包给不受信任（但速度更快）的同地设备，同时保持计算的完整性和隐私性。当前实现中，Slalom 在 Intel SGX enclave 中运行神经网络的评估，并将所有线性层的计算委托给同一机器上的不受信任的 GPU。

该项目基于以下论文：

• Slalom: Fast, Verifiable and Private Execution of Neural Networks in Trusted Hardware
  • 作者：Florian Tramèr 和 Dan Boneh
  • 链接：arXiv:1806.03287

免责声明：此软件仅用于 Slalom 框架的性能测试，不适合用于任何真实世界的数据或计算。它包含许多安全漏洞，便于测试、调试和性能测量。

2. 项目快速启动

2.1 环境准备

在开始之前，请确保您已经安装了以下依赖：

• Intel SGX 驱动和 SDK for Linux
• TensorFlow (版本 1.8.0)，并支持 GPU
• CUDA 安装

2.2 克隆项目

git clone https://github.com/ftramer/slalom.git
cd slalom

2.3 安装依赖

pip install -r requirements.txt

2.4 构建项目

2.4.1 构建自定义 TensorFlow Ops

cd slalom/App
make
make -f Makefile_cu

2.4.2 构建 SGXDNN 库

cd slalom/SGXDNN
make

2.4.3 构建 SGX 应用程序

cd slalom
make

2.5 运行 Slalom

2.5.1 完整性评估

python -m python.slalom.scripts.eval [vgg_16 | mobilenet | mobilenet_sep] sgxdnn --batch_size=8 --max_num_batches=4 [--verify] [--verify_batched] [--verify_preproc] [--use_sgx]

2.5.2 隐私和完整性评估

python -m python.slalom.scripts.eval_slalom [vgg_16 | mobilenet | mobilenet_sep] --batch_size=8 --max_num_batches=4 [--blinding] [--integrity] [--use_sgx]

3. 应用案例和最佳实践

3.1 应用案例

Slalom 主要用于需要在可信硬件中执行深度神经网络评估的场景，特别是在需要保证计算的完整性和隐私性的情况下。例如：

• 金融行业：在处理敏感交易数据时，确保计算的完整性和隐私性。
• 医疗行业：在处理患者数据时，确保数据不被泄露。

3.2 最佳实践

• 性能优化：通过调整 --batch_size 和 --max_num_batches 参数，优化计算性能。
• 安全性增强：在真实世界部署中，确保所有安全漏洞已被修复，并实现必要的额外安全措施，如安全通信通道和可验证的证明。

4. 典型生态项目

• Intel SGX：Slalom 依赖 Intel SGX 提供的可信执行环境。
• TensorFlow：Slalom 使用 TensorFlow 进行神经网络的构建和评估。
• CUDA：Slalom 使用 CUDA 加速 GPU 上的计算。

通过以上步骤，您可以快速启动并使用 Slalom 项目，确保在可信硬件中安全地执行深度神经网络评估。

slalom Fast, Verifiable and Private Execution of Neural Networks in Trusted Hardware 项目地址: https://gitcode.com/gh_mirrors/sla/slalom