深度解读隐语密态计算设备SPU

原创
2022/11/18 11:24
阅读数 172

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:

import jax
import jax.numpy as jnp

def sigmoid(x):
    return 1 / (1 + jnp.exp(-x))

def loss(x, y, w):
    pred = sigmoid(jnp.dot(x, w))
    label_prob = pred * y + (1 - pred) * (1 - y)
    return -jnp.sum(jnp.log(label_prob))

def logit_regression(x, y, epochs=3, step_size=0.1):
    w = jnp.zeros(x.shape[1])
    for _ in range(epochs):
        grad = jax.grad(loss, 2)(x, y, w)
        w -= grad * step_size
    return w

x, y = load_full_dataset()
w = fit(x, y)

【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.jit(logit_regression)(x, y)  # jax.jit将logit_regression翻译到GPU执行

JAX 本质解决了两个问题

  1. 降低开发成本,在用户无感的情况下,利用GPU/TPU进行加速
  2. 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

spu.jit(logit_regression)(x, y)

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:

  1. 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。
  2. SPU compiler将XLA IR编译成SPU IR(SPU字节码)
  3. 参与方(Alice/Bob/Charlie) 将数据 infeed 给SPU VM
  4. SPU VM执行字节码,接收输入,安全计算,并且产生输出
  5. 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:https://github.com/secretflow

了解更多关于隐语的信息可访问官网:https://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!

展开阅读全文
加载中
点击引领话题📣 发布并加入讨论🔥
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部