边缘节点上的高通量隐私友好硬件辅助机器学习制造技术

一种装置，其包括：存储器；处理器，其被配置成实现加密机器学习模型，所述加密机器学习模型被配置成：基于接收的数据评估所述加密学习模型，以产生加密机器学习模型输出；产生验证信息；防篡改硬件，其被配置成：基于所述验证信息验证所述加密机器学习模型输出；并且当验证所述加密机器学习模型输出时，解密所述加密机器学习模型输出。

High throughput privacy friendly hardware assisted machine learning on edge nodes

【技术实现步骤摘要】
边缘节点上的高通量隐私友好硬件辅助机器学习
本文公开的各个示例性实施例一般涉及边缘节点上的高通量隐私友好硬件辅助机器学习。
技术介绍
机器学习是一种能够实现预测或分类等广泛应用的技术。然而，在当前的物联网时代，当收集到的用户敏感数据被用作训练此种机器学习中使用的模型的输入时，隐私成为一个重要的主题。这既包括提供其数据的用户的隐私，又包括提供机器学习模型的实体的隐私，因为他们投入了大量时间和精力来训练该模型并采集模型所需的数据。
技术实现思路
以下呈现了各个示例性实施例的概述。在以下概述中可以进行一些简化和省略，其旨在突出和介绍各个示例性实施例的一些方面，而不是限制本专利技术的范围。适合于允许本领域普通技术人员制造和使用本专利技术构思的示例性实施例的详细描述将在后面的部分中阐明。各个实施例涉及一种装置，其包括：存储器；处理器，其被配置成实现加密机器学习模型，所述加密机器学习模型被配置成：基于接收的数据评估加密学习模型，以产生加密机器学习模型输出；产生验证信息；防篡改硬件，其被配置成：基于验证信息验证加密机器学习模型输出；并且当验证加密机器学习模型输出时，解密加密机器学习模型输出。描述了各个本文档来自技高网...

【技术保护点】
1.一种装置，其特征在于，包括：存储器；处理器，其被配置成为实现加密机器学习模型，所述加密机器学习模型被配置成：基于接收的数据评估所述加密机器学习模型，以产生加密机器学习模型输出；产生验证信息；防篡改硬件，其被配置成：基于所述验证信息验证所述加密机器学习模型输出；并且当验证所述加密机器学习模型输出时，解密所述加密机器学习模型输出。

【技术特征摘要】
2018.04.27 US 15/964,5361.一种装置，其特征在于，包括：存储器；处理器，其被配置成为实现加密机器学习模型，所述加密机器学习模型被配置成：基于接收的数据评估所述加密机器学习模型，以产生加密机器学习模型输出；产生验证信息；防篡改硬件，其被配置成：基于所述验证信息验证所述加密机器学习模型输出；并且当验证所述加密机器学习模型输出时，解密所述加密机器学习模型输出。2.根据权利要求1所述的装置，其特征在于，验证信息是签名，并且验证所述加密机器学习模型输出包括验证所述签名。3.根据权利要求1所述的装置，其特征在于，验证信息是签名，并且产生所述验证信息包括产生所述签名。4.根据权利要求1所述的装置，其特征在于，验证信息是工作量证明，并且验证所述加密机器学习模型输出包括验证...

【专利技术属性】
技术研发人员：乔普·威廉·波斯，马克·茹瓦，
申请(专利权)人：恩智浦有限公司，
类型：发明
国别省市：荷兰,NL