超越延迟：MPC和FHE用于隐私保护机器学习的系统级表征

隐私保护已成为现代机器学习应用中的一个日益关注的问题。隐私保护机器学习（PPML）已引起越来越多的研究关注，安全多方计算（MPC）和全同态加密（FHE）等方法正在被积极探索。然而，对这些方法的现有评估通常是在狭窄、碎片化的设置上进行的，并且仅关注特定的性能指标，如特定批次大小的在线推理延迟。从现有报告中，很难比较不同的方法，尤其是当考虑其他指标如能量/成本或更广泛的系统设置（各种超参数、离线开销、未来的硬件/网络配置等）时。我们对三种流行方法——基于算术/二进制共享转换和函数秘密共享的两种MPC变体以及FHE——在执行隐私保护推理时的性能和成本进行了统一表征。我们研究了多种局域网和广域网环境、模型大小、批次大小和输入序列长度。我们不仅评估了性能，还评估了在现实场景下部署的能耗和货币成本，考虑了它们的离线和在线计算/通信开销。我们为选择、优化和部署这些隐私保护计算范式提供了经验指导，并概述了不断发展的硬件和网络趋势如何可能改变两种MPC方案与FHE之间的权衡。本工作为寻求理解或加速PPML工作负载的研究人员和从业者提供了系统级见解。