隐私保护机器学习推理中全同态加密与混淆电路技术的比较
密码学与安全
2025-10-10 v1 机器学习
摘要
机器学习（ML）正进入医疗保健、金融和自然语言处理（NLP）等领域，对数据隐私和模型保密性的关注持续增长。隐私保护机器学习（PPML）通过在不泄露敏感输入或专有模型的情况下对私有数据进行推理来解决这一挑战。利用密码学中的安全计算技术，该领域两种广泛研究的方法是全同态加密（FHE）和混淆电路（GC）。本工作对FHE和GC在安全神经网络推理中的表现进行了比较评估。使用Microsoft SEAL库中的CKKS方案（FHE）和IntelLabs的TinyGarble2.0框架（GC）实现了一个两层神经网络（NN）。两种实现均在半诚实威胁模型下进行评估，测量推理输出误差、往返时间、峰值内存使用、通信开销和通信轮次。结果揭示了一种权衡：模块化GC提供更快的执行速度和更低的内存消耗，而FHE支持非交互式推理。
引用
@article{arxiv.2510.07457,
title = {Comparison of Fully Homomorphic Encryption and Garbled Circuit Techniques in Privacy-Preserving Machine Learning Inference},
author = {Kalyan Cheerla and Lotfi Ben Othmane and Kirill Morozov},
journal= {arXiv preprint arXiv:2510.07457},
year = {2025}
}
备注
8 pages, 9 figures, 2 tables, 32 references