FOBNN: 通过二值化神经网络实现快速不经意推理
密码学与安全
2025-08-12 v2
摘要
深度学习的卓越性能推动了深度学习即服务（DLaaS）的兴起，允许客户将个人数据发送给服务提供商进行模型预测。在此背景下，保护客户敏感数据的隐私是一个持续挑战。不经意推理允许在客户端输入上执行神经网络，而不会向服务提供商透露输入或结果。本文提出FOBNN，一种通过二值化神经网络实现的快速不经意推理框架。在FOBNN中，通过神经网络二值化，我们将线性操作（如卷积和全连接操作）转换为异或非（XNOR）和不经意比特计数（OBC）问题。对于安全多方计算技术（如混淆电路或比特秘密共享），XNOR操作不产生通信成本，使得OBC问题成为线性操作的主要瓶颈。为解决此问题，我们首先提出比特长度边界（BLB）算法，最小化比特表示以减少冗余计算。随后，我们开发逐层比特累积（LBA）算法，逐层利用纯比特操作进一步提升性能。我们还通过链接优化和结构探索增强二值化神经网络结构。前者在给定网络结构下优化链接连接，后者在相同安全计算成本下探索最优网络结构。理论分析表明，BLB算法比最先进的OBC算法提升17%至55%，而LBA提升近100%。全面的概念验证评估表明，FOBNN在流行基准上优于先前技术，并在新兴生物信息学中显示出有效性。
引用
@article{arxiv.2405.03136,
title = {FOBNN: Fast Oblivious Inference via Binarized Neural Networks},
author = {Xin Chen and Zhili Chen and Shiwen Wei and Junqing Gong and Lin Chen},
journal= {arXiv preprint arXiv:2405.03136},
year = {2025}
}