PASNet：面向基于两方计算的安全神经网络部署的多项式架构搜索框架
密码学与安全
2023-06-28 v1
摘要
两方计算 (2PC) 在实现隐私保护深度学习 (DL) 方面具有前景。然而，基于 2PC 的隐私保护 DL 实现因非线性算子带来较高的比较协议开销。本工作提出 PASNet，一种新颖的系统框架，通过将密码学构建块的硬件延迟集成到神经架构搜索损失函数中，实现低延迟、高能效与高精度且安全有保障的 2PC-DL。我们开发了用于现场可编程门阵列 (FPGA) 的密码学硬件调度器及相应性能模型作为案例研究。实验结果表明，我们的轻量级模型 PASNet-A 和重量级模型 PASNet-B 在 ImageNet 上的私有推理延迟分别为 63 ms 和 228 ms，比 SOTA CryptGPU 系统快 147 和 40 倍，并达到 70.54% 和 78.79% 的准确率以及超过 1000 倍的更高能效。
引用
@article{arxiv.2306.15513,
title = {PASNet: Polynomial Architecture Search Framework for Two-party Computation-based Secure Neural Network Deployment},
author = {Hongwu Peng and Shanglin Zhou and Yukui Luo and Nuo Xu and Shijin Duan and Ran Ran and Jiahui Zhao and Chenghong Wang and Tong Geng and Wujie Wen and Xiaolin Xu and Caiwen Ding},
journal= {arXiv preprint arXiv:2306.15513},
year = {2023}
}
备注
DAC 2023 accepeted publication, short version was published on AAAI 2023 workshop on DL-Hardware Co-Design for AI Acceleration: RRNet: Towards ReLU-Reduced Neural Network for Two-party Computation Based Private Inference