Orion：一种用于深度学习的完全同态加密框架

《ACM Transactions on Computer Systems》：Orion: A Fully Homomorphic Encryption Framework for Deep Learning

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

全同态加密技术有望通过直接在加密数据上进行处理来显著提升隐私性和安全性。在深度学习领域，这一优势尤为明显，因为如今许多流行的用户服务都是依靠云端的神经网络来运行的。除了众所周知的高计算成本之外，大规模应用全同态加密技术进行神经网络推理的另一个主要挑战在于如何将这些网络有效地转换为全同态加密的基本运算形式。全同态加密带来了诸多编程难题，包括如何处理大型向量、控制累积噪声，以及如何将通用程序转换成全同态加密所支持的有限指令集。这些难题使得利用现有工具构建大型全同态加密神经网络变得十分困难。

在本文中，我们提出了Orion这一全自动框架，用于借助全同态加密技术实现私密神经网络推理。Orion能够接受用PyTorch编写的深度神经网络，并将其转换为高效的全同态加密程序。我们通过一种新颖的一次性多路复用打包策略实现了这一点，该策略可在一次乘法操作中完成任意卷积运算。此外，我们还引入了einsum表示法，让用户无需担心全同态加密的复杂性，就能轻松地在Orion中表达各种张量运算（如矩阵乘法、矩阵转置等）。另外，我们还提出了一种高效的引导节点放置自动化技术，该技术可应用于自注意力块等网络层，并且可推广到大多数现代前馈神经网络。我们在全同态加密深度学习领域常用的测试基准上对Orion进行了评估，在他们报道的最大网络ResNet-20上，其性能比现有最佳算法高出2.38倍。Orion的技术使得处理更深、更大的网络成为可能。我们通过在ImageNet数据集上测试ResNet-50来证明这一点，同时还展示了首个使用具有1.39亿个参数的YOLO-v1模型进行的高分辨率全同态加密目标检测实验。Orion是开源的，欢迎大家访问https://github.com/baahl-nyu/orion使用。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章相关性，以及让相关领域的读者更好地理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结内容。完整文章才是最具权威性的版本。点击此处了解更多。

请点击此处，对这篇总结的准确性、清晰度及实用性发表意见。您的反馈将有助于进一步优化未来的总结版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。