迈向同态加密的 AlexNet 时刻：HCNN，首个基于 GPU 在加密数据上运行的同态 CNN
密码学与安全
2020-08-20 v3 机器学习
摘要
深度学习即服务（DLaaS）是云推理应用的一种有前景的解决方案。在此场景中，云拥有预训练模型，而用户拥有希望运行该模型的样本。DLaaS 最大的顾虑在于：当输入样本为敏感数据时，用户隐私会受到威胁。我们在此通过采用全同态加密（FHE）、卷积神经网络（CNN）与图形处理单元（GPU）等高端技术，提供了一种高效的隐私保护系统。FHE 以其广为人知的对加密数据进行计算的特性，赋能了广泛的隐私相关应用。其代价高昂，因为需要巨大的计算能力。本文中，我们展示了如何利用 GPU 加速在加密数据上运行 CNN 的性能。我们评估了两个 CNN 以对 MNIST 与 CIFAR-10 数据集进行同态分类。我们的方案对 MNIST 与 CIFAR-10 分别达到了足够的安全级别（> 80 bit）与合理的分类准确率（99%）和（77.55%）。在延迟方面，我们对 MNIST 与 CIFAR-10 分别能在 5.16 秒与 304.43 秒内分类一幅图像。我们的系统还能在不产生额外开销的情况下对一批图像（> 8,000）进行分类。
引用
@article{arxiv.1811.00778,
title = {Towards the AlexNet Moment for Homomorphic Encryption: HCNN, theFirst Homomorphic CNN on Encrypted Data with GPUs},
author = {Ahmad Al Badawi and Jin Chao and Jie Lin and Chan Fook Mun and Jun Jie Sim and Benjamin Hong Meng Tan and Xiao Nan and Khin Mi Mi Aung and Vijay Ramaseshan Chandrasekhar},
journal= {arXiv preprint arXiv:1811.00778},
year = {2020}
}