面向不可信云端的CNN推理高效可验证隐私保留卷积计算
密码学与安全
2025-08-20 v2 机器学习
摘要
卷积神经网络（CNNs）在资源受限场景中的广泛采用推动了机器学习即服务（MLaaS）系统的发展。然而，这种方法容易产生隐私泄露，因为从客户端发送到不可信云服务器的数据常常包含敏感信息。现有的CNN隐私保留方案虽然通过同态加密和密钥共享确保数据保密，但在卷积运算方面面临效率瓶颈。本文提出一种针对CNN卷积层的新型可验证隐私保留方案。我们的方案实现了高效的加密和解密，使资源受限的客户端能够安全地将计算卸载到不可信的云服务器。此外，我们提出了一种验证机制，能够以至少的成功概率检测结果的正确性。针对10个数据集和各种CNN模型进行的大量实验表明，本方案在保持准确性的同时，相较于原始明文模型实现了 ~ 的加速。
引用
@article{arxiv.2508.12832,
title = {Efficient and Verifiable Privacy-Preserving Convolutional Computation for CNN Inference with Untrusted Clouds},
author = {Jinyu Lu and Xinrong Sun and Yunting Tao and Tong Ji and Fanyu Kong and Guoqiang Yang},
journal= {arXiv preprint arXiv:2508.12832},
year = {2025}
}
备注
Conference link: [ICIC 2025](http://www.ic-icc.cn/2025/index.php) will provide further details