UniHENN：无需 im2col 设计更快且更多样的同态加密 CNN
密码学与安全
2024-08-27 v3
摘要
同态加密（HE）通过允许在不解密的情况下对加密数据进行计算，实现了隐私保护的深度学习。然而，由于需要使用 im2col 技术将输入数据转换为二维矩阵以进行卷积运算（该技术重排输入以实现高效计算），部署基于 HE 的卷积神经网络（CNN）面临挑战。这限制了可使用的 CNN 模型类型，因为加密数据结构必须与特定模型兼容。UniHENN 是一种新颖的基于 HE 的 CNN 架构，它消除了对 im2col 的需求，从而增强了其通用性并与更广泛的 CNN 模型兼容。UniHENN 在不使用 im2col 的情况下将输入数据展平为一维。核函数通过遍历图像执行卷积，利用增量旋转和结构化乘法作用于展平的输入，结果按步长间隔分布。实验结果表明，在推理时间方面，UniHENN 显著优于名为 PyCrCNN 的最先进（SOTA）2D CNN 推理架构。例如，在 LeNet-1 模型上，UniHENN 的平均推理时间为 30.089 秒，比 PyCrCNN 的 800.591 秒快约 26.6 倍。此外，在并发图像处理方面，UniHENN 的表现优于经过 im2col 优化的 CNN 模型 TenSEAL。对于十个样本，UniHENN（16.247 秒）比 TenSEAL（63.706 秒）快约 3.9 倍，这归功于其支持高达 10 个样本的批处理。我们展示了 UniHENN 对各种 CNN 架构的适应性，包括 1D CNN 和六个 2D CNN，突显了其在隐私保护的基于云的 CNN 服务中的灵活性和效率。
引用
@article{arxiv.2402.03060,
title = {UniHENN: Designing Faster and More Versatile Homomorphic Encryption-based CNNs without im2col},
author = {Hyunmin Choi and Jihun Kim and Seungho Kim and Seonhye Park and Jeongyong Park and Wonbin Choi and Hyoungshick Kim},
journal= {arXiv preprint arXiv:2402.03060},
year = {2024}
}
备注
20 pages, 15 figures, Accepted by IEEE ACCESS