Falcon：加速同态加密卷积以实现高效私有移动网络推理
密码学与安全
2023-08-28 v1 人工智能
摘要
高效网络（如MobileNetV2、EfficientNet等）以轻量计算实现了最先进的(SOTA)精度。然而，现有基于同态加密(HE)的两方计算(2PC)框架未针对这些网络优化，且存在较高的推理开销。我们观察到低效主要源于打包算法，其忽略了同态加密深度可分离卷积的计算特征与通信瓶颈。因此，本文提出Falcon，一种用于基于HE的2PC框架的有效密集打包算法。Falcon具有零感知贪心打包算法与通信感知算子分块策略，以提升深度可分离卷积的打包密度。与SOTA基于HE的2PC框架（如CrypTFlow2、Iron和Cheetah）相比，Falcon在算子级别分别实现了超过15.6倍、5.1倍和1.8倍的延迟降低。同时，在网络级别，Falcon在同等通信量下于CIFAR-100和TinyImagenet数据集上分别比Cheetah精度提升1.4%和4.2%。
引用
@article{arxiv.2308.13189,
title = {Falcon: Accelerating Homomorphically Encrypted Convolutions for Efficient Private Mobile Network Inference},
author = {Tianshi Xu and Meng Li and Runsheng Wang and Ru Huang},
journal= {arXiv preprint arXiv:2308.13189},
year = {2023}
}
备注
8 pages. ICCAD 2023