Split HE：结合分割学习与同态加密的快速安全推理
密码学与安全
2022-03-01 v1 机器学习
摘要
本工作提出了一种用于计算机视觉应用中神经网络快速安全推理的新协议。它侧重于通过在客户端机器上以SplitNN的方式以明文部署部分模型权重来提升在线执行的整体性能。我们在使用SEAL经由TenSEAL训练的CIFAR-10数据集基准神经网络上评估了我们的协议，并讨论了运行时间与安全性表现。使用成员推断与模型提取攻击的实证安全评估表明，在相同攻击下该协议比同样基于SplitNN的类似方法更具鲁棒性。与相关工作相比，我们在推理时间上展示了2.5倍至10倍的提升，在通信成本上展示了14倍至290倍的提升。
引用
@article{arxiv.2202.13351,
title = {Split HE: Fast Secure Inference Combining Split Learning and Homomorphic Encryption},
author = {George-Liviu Pereteanu and Amir Alansary and Jonathan Passerat-Palmbach},
journal= {arXiv preprint arXiv:2202.13351},
year = {2022}
}