Säkra enklaver för federerad maskininlärning

Viktiga resultat som projektet gav

Projektets mål har varit att utvärdera möjligheten att med så små insatser som möjligt från slutanvändaren möjliggöra integritetsbevarande maskininlärning på hårdvara som garanterar dataintegritet såväl som applikationens integritet, och därigenom möjliggöra samarbeten på klientnivå som annars inte hade varit möjliga. Målet har uppnåtts genom utvecklandet av öppen mjukvara som komplementerar den befintliga sviten av öppen mjukvara för fedML. Användare av FEDn kan nu själva utvärdera TEEs som ett alternativ för ytterligare garantier kring säkerhet och integritet.

Långsiktiga effekter som förväntas

Resultatet tillgängligörs som öppen källkod på Scaleouts Githubsida. Det publiceras även en teknisk rapport över projekt och resultat. Vi förväntar oss att projektets resultat dels kan användas i utbildningssyfte, där användare och presumtiva kunder kan ta del av den tekniska rapport som förbereds, men även själva använda den mjukvara som skrivits, dels förväntar vi oss att vi själva i kundprojekt kan använda den metodik som utvecklats i fall där vi måste kunna garantera dataintegritet och att modeller tränats precis enligt specifikation.

Upplägg och genomförande

Fas 1: Förberedelser. Planering och undersökning av lämpliga teknikval. Fas 2: Implementation. Utveckling av den mjukvara som krävs för att köra alla nödvändiga komponenter i en TEE. Utveckling av attesteringstjänst. Fas 3: Benchmarking och rapportskrivande. En noggrann undersökning av de begränsningar som denna teknik har när det kommer till prestanda och minne, och vilken data och modeller som är lämpliga. Författande av teknisk rapport.

Externa länkar

En länk till vår Githubsida med all vår öppna mjukvara, inkluderande FEDn. Länk till teknisk rapport, publicerad på Scaleouts hemsida En länk där man kan se de repositorier specifikt tillhörande detta projekt.