slytHErin：一种用于加密深度神经网络推理的敏捷框架
密码学与安全
2023-05-02 v1
摘要
同态加密（HE）允许对加密数据进行计算，是机密云计算的一项赋能技术。一个值得注意的例子是隐私保护预测即服务（PaaS），即对加密数据执行机器学习预测。然而，开发基于 HE 的加密 PaaS 解决方案是一项繁琐的任务，需要细致的设计，且主要取决于部署场景以及现代 HE 方案特性的利用。先前关于隐私保护 PaaS 的工作仅专注于保护上传至远程模型提供方（例如提供预测 API 的云）的客户端数据机密性，并假设（或利用）模型以明文持有。此外，它们的目标要么是通过一次处理一个样本来最小化服务延迟，要么是在处理固定（大量）样本数时最大化每秒处理的样本数。本工作中，我们提出 slytHErin，一种敏捷框架，支持超越先前工作所考虑应用场景的隐私保护 PaaS。得益于其结合 HE 及其多方变体（MHE）的混合设计，slytHErin 通过加密数据、模型或两者实现了新颖的 PaaS 场景。此外，slytHErin 具备灵活的输入数据打包方法，可处理任意数量样本的批次，以及若干与模型和设置无关的 computation 优化。slytHErin 以 Go 语言实现，允许终端用户以几行代码对其包含全连接、卷积和池化层的自定义深度学习模型执行加密 PaaS，而无需担忧 HE 固有的繁琐实现与优化问题。
引用
@article{arxiv.2305.00690,
title = {slytHErin: An Agile Framework for Encrypted Deep Neural Network Inference},
author = {Francesco Intoci and Sinem Sav and Apostolos Pyrgelis and Jean-Philippe Bossuat and Juan Ramon Troncoso-Pastoriza and Jean-Pierre Hubaux},
journal= {arXiv preprint arXiv:2305.00690},
year = {2023}
}
备注
Accepted for publication at 5th Workshop on Cloud Security and Privacy (Cloud S&P 2023)