PrivSpike：基于同态加密的深度脉冲神经网络私有推理
密码学与安全
2025-10-07 v1 人工智能
摘要
深度学习已成为现代机器学习的基石。它依赖于大量数据和巨大的计算资源才能实现高性能。这种数据常包含敏感信息，使得隐私成为深度学习中的主要关切。脉冲神经网络（SNN）作为传统深度学习方法的能效替代方案日益流行。然而，SNN 仍然依赖大量数据，继承了深度学习的所有隐私挑战。同态加密通过在加密数据上执行计算，确保整个处理流程的数据保密性。本文介绍了 PRIVSPIKE，一种基于 CKKS 同态加密方案的 SNN 私有推理框架。PRIVSPIKE 支持任意深度的 SNN，并引入两项关键算法来评估 Leaky Integrate-and-Fire 激活函数：（1）为高性能 SNN 推理设计的多项式近似算法；（2）一种新颖的方案切换算法，在计算成本较高的情况下优化精度。我们在 MNIST、CIFAR-10、Neuromorphic MNIST 和 CIFAR-10 DVS 上对 PRIVSPIKE 进行了评估，使用 LeNet-5 和 ResNet-19 架构构建的模型，分别实现了 98.10%、79.3%、98.1% 和 66.0% 的加密推理准确率。在消费级 CPU 上，SNN LeNet-5 模型在 MNIST 上的推理时间为 28 秒，在 Neuromorphic MNIST 上的推理时间为 212 秒。对于 SNN ResNet-19 模型，CIFAR-10 上的推理耗时 784 秒，CIFAR-10 DVS 上的推理耗时 1846 秒。这些结果表明 PRIVSPIKE 是一种可行且高效的解决方案，用于安全的 SNN 推理，弥补了能效深度神经网络与强密码学隐私保证之间的差距，同时在性能上超越了现有的加密 SNN 解决方案。
引用
@article{arxiv.2510.03995,
title = {PrivSpike: Employing Homomorphic Encryption for Private Inference of Deep Spiking Neural Networks},
author = {Nges Brian Njungle and Eric Jahns and Milan Stojkov and Michel A. Kinsy},
journal= {arXiv preprint arXiv:2510.03995},
year = {2025}
}
备注
13 pages, 5 figures