Quelltext der Seite Kristin Dahnken

Master Thesis, Hochschule Wismar, September 2024

Autor: Kristin Dahnken

Titel: '''Privacy-Preserving Machine Learning in the Cloud: An Evaluation of Garbled Circuits for Secure Multi-Party Computation'''

Abstrakt

Machine Learning hat sich zu einem wichtigen Werkzeug verschiedenster Forschungs-
bereiche entwickelt, wie etwa der Medizin oder der Informationssicherheit. Dennoch
bringt die Verwendung von Cloud-Diensten zum Machine Learning noch einige Prob-
leme mit sich, beispielsweise bei der Verwendung von sensiblen Trainingsdaten, da
die Kontrolle über den Schutz dieser oft in den Händen des Cloud-Anbieters liegt.
Auch sollen nicht alle Parteien die an einem kollaborativen Training eines Modells
beteiligt sind, die Daten der jeweils anderen Parteien einsehen können.
Um diesem Problem zu begegnen und sensible Daten während des Trainingsprozesses
zu schützen, stellt diese Masterarbeit einen Proof of Concept vor, der Garbled Cir-
cuits in diesen Prozess integriert. Ziel ist es, sowohl die Machbarkeit als auch die
Sicherheit dieser Integration anhand einer beispielhaften Implementierung eines ein-
fachen linearen Regressionsmodells zu zeigen. Darüber hinaus werden auch Limi-
tierungen, Vorteile und mögliche zukünftige Anwendungen dieser Implementierung
diskutiert.

Abstract

Machine learning has become an important tool in research across various domains,
from medicine to cybersecurity. However, the use of cloud services for machine
learning poses challenges when dealing with sensitive data, as control over data
privacy is in the hands of the cloud provider. Additionally, not all parties involved
in developing or training a model should have access to the full training data.
To address this problem and protect sensitive data during the training process of a
machine learning model, this master’s thesis presents a proof of concept that incor-
porates garbled circuits into the aforementioned process. The aim is to demonstrate
that the usage of garbled circuits is both feasible and secure by detailing an ex-
emplary implementation of a simple linear regression model. This work will also
discuss limitations, advantages and possible future applications.

[[Media:MT_kdahnken.pdf.pdf|Download PDF-Dokument]] 

[[Media:MTP_kdahnken.pdf|Download Folien-PDF-Dokument]]