深度解读隐语密态计算设备 SPU
SPU 是 Secretflow Processing Unit 的简称,它作为隐语平台的密态计算单元,为隐语提供安全计算服务。
1.SPU 概念理解
密态计算单元这个概念听起来比较晦涩,我们用一个实际的例子介绍一下 SPU 的作用。假设要用 JAX 写逻辑回归(SPU 不依赖 JAX,选择 JAX 因为简单),代码如下:
【注】L15 使用了 JAX 的自动求导功能,对 loss function 进行了求导
对于上述程序,JAX 提供了 jit(全称 Just In Time,是编译技术的一种)方法,在不用任何算法改动的前提下将上述程序编译到 GPU 上,从而加速执行。
JAX 本质解决了两个问题
降低开发成本,在用户无感的情况下,利用 GPU/TPU 进行加速
降低学习成本,通过兼容 numpy API 并提供自动求到来吸引开发者
沿着这个思路,对安全计算做个类比
JAX 可以利用并行设备进行计算加速,我们可否用安全设备进行安全加固?
JAX 可以复用 numpy API,我们是否可以复用其他 AI 框架 API?
带着这两个问题 ,SPU 的核心 API 就是这样一个函数,将 AI 模型翻译到安全设备上执行
为了实现这个函数,我们需要两个子模块
SPU (Jit) Compiler: 将原生的 AI 程序翻译成 SPU 字节码
SPU VM:一个带安全语义的虚拟机,解释和执行 SPU 字节码
实际中实现稍微复杂一些
将 Tensorflow/PyTorch/JAX 翻译成 SPU 字节码本身是个复杂繁琐的工作
SPU 字节码使用的是密文类型系统,譬如没有 f32/f64 等,类型系统需要重新设计
SPU 后端是 MPC,本质上是个分布式系统,需要处理分布式系统的通信和协作
上述程序中,变量
x, y
可能由不同的参与方提供,所以 IO 模块有些特别
细节会在后续部分进行简单介绍,在此不再复述。
2.SPU 的功能作用
介绍完 SPU 是什么,我们再来理一下为什么。市面上的隐私计算框架有很多,比如 TFE,CrypTen,MP-SPDZ 等,为什么我们要重新造一套轮子呢?
领域之间的距离
安全机器学习是一个交叉领域,其实 AI 和安全之间有相当的距离。比如
安全开发者更关注基础算子,比如加减乘除的安全性
AI 开发者更关注高阶算子,比如 conv,tensordot
高阶算子和基础算子之间,有很大一段距离,譬如:机器学习编译器处理的 lowering/tiling/fusing 等运行时处理的的调度,并发等
无论是基于 AI 框架(TFE/CrypTen),还是从安全计算出发的框架(SPDZ),都有自己的问题。前者往往难部署,难做安全领域特定的优化。后者往往会需要写一些 Toy AI 框架,学习成本高。
SPU 试图缝合这两个领域之间的间隙,使得:
向上,SPU 原生对接 AI 框架(TF/JAX/PyTorch),降低 AI 开发者的学习和开发成本。
向下,SPU 提供纯粹安全语义接口,只需要实现很少的安全协议(比如加乘与或)就能跑起来复杂的模型,让目光更聚焦安全本身。
算力和需求的距离
近些年,密态计算(MPC/HE)在算力上都巨大的进步,但是密态算力和 AI 的算法需求还是难以匹配。在算力无法匹配算法的时候,一个直观的想法就是“明密文混合” ,用来做安全和性能的 tradeoff。比如联邦学习,将算法的某一个子步骤使用安全计算实现,牺牲局部安全性以换取更高的性能。
隐语提供了非常自由的明密文混合编程范式, 我们不限制明文的引擎,也不限制密文引擎,开发者可以用他自己熟悉的框架开发,然后标记其中的某一部分用明文引擎跑,另一部分用 SPU 跑。比如:
【注】图中 MPC Device 就是 SPU 实现的
作为对比,从安全和性能这种的角度,无论 TFE/CrypTen/SPDZ 等都很难进行这种 tradeoff。
理论和落地的距离
多方安全计算天然是一个分布式的系统,部署模式非常多样,比如:
论文中经常假设计算方和数据提供方分离(outsourcing)
真正进行业务落地时,数据提供方往往同时也是计算方(colocated)
在一个复杂的隐私计算网络里,计算方和数据方可以是任意组合的(hybrid)
如图,我们用三角形表示计算节点,圆形表示数据提供节点(不同颜色表示互不信任)
SPU 被设计成部署模式透明的,不用修改任何一行代码,你的模型都可以在上述任何一种部署场景上被安全且正确的执行。并且(相对于基于 AI 平台的隐私计算框架)SPU 运行时非常的轻量级,不需要 Python runtime,可以方便的进行部署和集成。
所以,Why SPU?
作为 AI 开发者,你不需要任何安全背景, 就可以将你现有的模型安全的应用到多方数据上。
作为安全开发者,你不需要任何 AI 背景, 仅仅实现安全计算的基本算子,就可以支持多种前端框架。
并且,你可以方便的部署和运维,在安全和性能之间折中,找到最佳的落地方案。
3.SPU 的架构
介绍完是什么和为什么之后,我们简单介绍一下 SPU 的架构。
SPU 上层对接了 XLA-HLO,然后利用 MLIR 将 HLO 翻译成 SPU IR,最后交给 SPU VM 进行解释执行,如图:
工作流程
基本工作流程是:
开发人员用自己熟悉的框架建模,然后用 AI compiler 将模型编译成 XLA IR。
SPU compiler 将 XLA IR 编译成 SPU IR(SPU 字节码)
参与方(Alice/Bob/Charlie) 将数据 infeed 给 SPU VM
SPU VM 执行字节码,接收输入,安全计算,并且产生输出
参与方协商将结果解密输出到某处
Why XLA?
这里对于 XLA 不熟悉的同学进行一个简单介绍,XLA 是一种针对特定领域的线性代数编译器, 是 tensorflow 内部实现的一个子模块,使用编译器相关技术用来加速模型的执行。
我们可以将 SPU 理解成一个带安全语义的 Backend,对接 XLA 的理由是 Tensorflow/Jax/PyTorch 计算图最终都可以翻译到 XLA IR,只要 SPU 可以解释和执行 XLA IR,理论上就可以原生支持多种 AI 前端。所以理论上并不是选择了 XLA 编译器,而是选择了 XLA IR 作为 AI 和 MPC 的桥梁。
编译和执行过程
前端,我们依赖 AI 前端将 python 代码翻译成 XLA IR
编译器,我们使用 MLIR 技术栈对 HLO 进行优化并翻译成 PPHLO(SPU 字节码)
运行时,我们逐渐将 Tensor ops 拆解,经过 SPU HAL(硬件抽象层,处理 fxp/int),最终 dispatch 到协议层
协议层只需要实现 Ring or Field 上的基础运算即可
最终,通过编译时和运行时的层层翻译,SPU 将 AI 前端和 MPC 后端解耦,使得在 SPU 中扩展的任何安全协议都可以无感的支持多种前端。
优化
SPU 完全自主研发,所以我们可以针对安全计算的特点进行优化,比如
针对 MPC 延时敏感的计算类型进行并发调度
针对特定协议设计特殊的 VM 指令集
基于 C++语言,开发者可以得到 Low-level access,更有效的榨取性能
具体细节在此不再复述。SPU 依然在一个高速迭代过程中,隐语期待更多的 AI 专家、编译专家、安全专家参与共建。
获取隐语代码可访问以下地址:github.com/secretflow
了解更多关于隐语的信息可访问官网:www.secretflow.org.cn
扫码关注隐语微信公众号:隐语的小剧场,获取更多资讯!
版权声明: 本文为 InfoQ 作者【隐语SecretFlow】的原创文章。
原文链接:【http://xie.infoq.cn/article/baa4214a2e76ec15f2e51ea24】。
本文遵守【CC-BY 4.0】协议,转载请保留原文出处及本版权声明。
评论