Popcorn：Paillier 同态加密结合压缩以实现高效茫然神经网络推理
密码学与安全
2021-07-13 v2
摘要
茫然推理使云能够在既不泄露客户端数据也不暴露服务器模型的情况下提供神经网络推理即服务（NN-IaaS）。然而，茫然推理下的隐私保证通常以效率和准确性的沉重代价为代价。我们提出 Popcorn，一个完全基于 Paillier 同态加密方案的简洁茫然推理框架。我们设计了一套新颖的协议来计算非线性激活和最大池化层。我们利用神经网络压缩技术（即神经权重剪枝和量化）来加速推理计算。为实现 Popcorn 框架，我们只需将现有网络的代数运算替换为其对应的 Paillier 同态运算，这对工程开发极为友好。我们首先基于 MNIST 和 CIFAR-10 分类任务进行性能评估与比较。与现有方案相比，Popcorn 带来了显著的通信开销削减，且运行时间仅有适度增加。随后，我们在 ImageNet 上基准测试了茫然推理的性能。据我们所知，这是基于商业级数据集的首份报告，向生产部署迈出了一步。
引用
@article{arxiv.2107.01786,
title = {Popcorn: Paillier Meets Compression For Efficient Oblivious Neural Network Inference},
author = {Jun Wang and Chao Jin and Souhail Meftah and Khin Mi Mi Aung},
journal= {arXiv preprint arXiv:2107.01786},
year = {2021}
}
备注
This version corrects a naive but significant typo in Table 8 in our previous version. Previously, we mistakenly indicated the communication cost in COM(g), i.e., communication bandwidth in gigabyte. In fact, it should be COM as in this version, and COM presents the communication bandwidth in megabyte. It is megabyte, not gigabyte