HyPHEN：一种用于同态加密神经网络的混合打包方法及优化
密码学与安全
2024-01-02 v2 人工智能
摘要
使用全同态加密（FHE）进行卷积神经网络（CNN）推理是一种颇具前景的隐私推理（PI）解决方案，因为FHE的能力允许将整个计算过程卸载到服务器，同时保护敏感用户数据的隐私。先前基于FHE的CNN（HCNN）工作已证明使用FHE构建深度神经网络架构（如ResNet）的可行性。尽管取得了这些进展，HCNN仍因高昂的计算和内存开销而在实用性上面临重大挑战。为克服这些限制，我们提出了HyPHEN，这是一种深度HCNN构建方案，它融合了新颖的卷积算法（RAConv和CAConv）、数据打包方法（2D间隙打包和PRCR方案）以及为HCNN构建量身定制的优化技术。这些增强功能使HyPHEN能够大幅减少内存占用以及昂贵的同态运算（如密文旋转和自举）的数量。因此，HyPHEN将HCNN CIFAR-10推理的延迟降至1.4秒（ResNet-20）的实用水平，并首次展示了HCNN ImageNet推理，延迟为14.7秒（ResNet-18）。
引用
@article{arxiv.2302.02407,
title = {HyPHEN: A Hybrid Packing Method and Optimizations for Homomorphic Encryption-Based Neural Networks},
author = {Donghwan Kim and Jaiyoung Park and Jongmin Kim and Sangpyo Kim and Jung Ho Ahn},
journal= {arXiv preprint arXiv:2302.02407},
year = {2024}
}
备注
15 pages, 12 figures