RRNet：面向基于两方计算隐私推理的ReLU精简神经网络
密码学与安全
2023-02-24 v2 机器学习
摘要
深度学习（DL）的普及引发了隐私和安全方面的担忧。为解决这些问题，安全两方计算（2PC）被提出作为一种实现隐私保护DL计算的手段。然而，在实践中，2PC方法通常会产生高昂的计算和通信开销，这可能阻碍其在大规模系统中的应用。为应对这一挑战，我们引入了RRNet，这是一个系统框架，旨在共同减少MPC比较协议的开销并通过硬件加速来加速计算。我们的方法将密码学构建块的硬件延迟集成到DNN损失函数中，从而提高了能效、准确性和安全保证。此外，我们为现场可编程门阵列（FPGA）提出了一个密码学硬件调度器和相应的性能模型，以进一步增强我们框架的效率。实验表明，在CIFAR-10数据集上，RRNet实现了比所有现有最优工作高得多的ReLU精简性能。
引用
@article{arxiv.2302.02292,
title = {RRNet: Towards ReLU-Reduced Neural Network for Two-party Computation Based Private Inference},
author = {Hongwu Peng and Shanglin Zhou and Yukui Luo and Nuo Xu and Shijin Duan and Ran Ran and Jiahui Zhao and Shaoyi Huang and Xi Xie and Chenghong Wang and Tong Geng and Wujie Wen and Xiaolin Xu and Caiwen Ding},
journal= {arXiv preprint arXiv:2302.02292},
year = {2023}
}
备注
This is work is a updated version of arXiv:2209.09424, the original version has been withdrawn