基于可信执行环境的隐私保护机器学习系统设计与安全推理.docxVIP

PAGE2

基于可信执行环境的隐私保护机器学习系统设计与安全推理

摘要

随着机器学习在医疗、金融等敏感领域的深度应用，推理阶段的数据隐私与模型安全保护成为亟待解决的关键问题。

传统方案中，数据或模型在内存中以明文形态存在，面临操作系统、云平台管理员等多重攻击面。

本文设计并实现了一套基于可信执行环境（TEE）的隐私保护机器学习推理系统，以IntelSGX为硬件根，构建隔离执行域，确保推理过程中原始数据与模型参数仅以密文形式在非可信区存储，仅在Enclave内部解密并使用。

全文按照“需求分析→总体设计→详细设计→实现→测试”的工程递进逻辑展开。

第一章分析ML推理的隐私痛点与TEE的适用性；第二章论证IntelSGX、TensorFlowLite与gRPC等技术选型；第三章以用例驱动方式梳理安全推理、远程证明等功能需求与非功能安全指标；第四章给出“客户端-网关-Enclave服务-加密存储”四层架构及模块划分；第五章深入设计Enclave内推理流水线、密钥协商与数据封装；第六章展示核心实现与SGX内存限制、模型分片加载等难点解决方法；第七章通过功能与性能测试验证系统有效性。

本设计的核心创新在于：将模型解密、推理计算与结果加密全流程封闭在TEE内，结合远程证明与安全信道，构建了“数据不出TEE、模型不解密至非可信内存”的推理边界，