SPDZCoder：结合专家知识与大语言模型生成隐私计算代码
密码学与安全
2025-04-01 v2 人工智能
软件工程
摘要
隐私计算日益受到关注，但由于受限的库函数、需要从零实现函数以及数据不可知要求，开发人员编写隐私计算代码仍然具有挑战性，这些要求与程序员的直觉思维和常用实践相矛盾。使用大语言模型自动生成隐私计算代码可以简化开发工作并降低使用隐私计算框架的门槛。然而，现有的大语言模型在针对隐私保护计算的代码翻译（例如将 Python 翻译为 MP-SPDZ）时仍面临挑战，由于稀缺的 MP-SPDZ 数据导致有效的预训练或微调困难。此外，缺乏基准数据集进一步复杂化了翻译质量评估。为此，本工作提出了 SPDZCoder，一个结合大语言模型与专家知识的规则驱动框架，用于生成隐私计算代码，而无需额外的训练数据。具体而言，SPDZCoder 采用严格的程序来收集高质量的专家知识，以表征 Python 与 MP-SPDZ 之间的语义表达差异，并基于这些知识推导将 Python 翻译为 MP-SPDZ 的转换规则。然后，SPDZCoder 通过三阶段管道中的转换规则将 Python 代码逐步转换为 MP-SPDZ 代码。为评估 SPDZCoder，我们手动构建了一个基准数据集 SPDZEval，其中包含六个数据子集，每个子集代表 MP-SPDZ 实现中不同类别的具有挑战性的任务。大量实验表明，SPDZCoder 在性能上显著优于基线方法，在 pass@1 和 pass@2 中分别取得了 85.94% 和 92.01% 的优异成绩，而最佳基线方法分别为 63.58% 和 76.36%。
引用
@article{arxiv.2501.00363,
title = {SPDZCoder: Combining Expert Knowledge with LLMs for Generating Privacy-Computing Code},
author = {Xiaoning Dong and Peilin Xin and Jia Li and Wei Xu},
journal= {arXiv preprint arXiv:2501.00363},
year = {2025}
}