Orion：面向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 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

全同态加密 (FHE) 通过对加密数据进行直接计算，有潜力显著提高隐私性和安全性。这一点在深度学习中尤为如此，因为如今许多流行的用户服务都是由云端的神经网络驱动的。除了众所周知的高计算成本之外，面向大规模部署 FHE 安全神经推理的主要挑战之一是有效地将这些网络映射到 FHE 原语。FHE 带来许多编程挑战，包括打包大型向量、管理累积噪声，以及将任意和通用程序转换为 FHE 提供的有限指令集。这些挑战使得使用现有工具构建大型 FHE 神经网络变得不可行。

在本文中，我们使用Orion来解决这些挑战，这是一个利用 FHE 进行私有神经推理的全自动框架。Orion 接受用 PyTorch 编写的深度神经网络，并将其转换为高效的 FHE 程序。我们通过一种新颖的单次复用打包策略来实现这一点，该策略在一个乘法级别内执行任意卷积。我们还结合了 einsum 表示法，让用户能够轻松地在 Orion 中表达通用张量收缩（例如矩阵 - 矩阵乘积、矩阵转置等），而无需被 FHE 的复杂性所困扰。此外，我们提出了一种高效的自动化自举放置技术，该技术可扩展到自注意力块等网络层，并推广到大多数现代前馈神经网络。我们在 FHE 深度学习社区常用的基准上评估了 Orion，并在他们报告的最大网络 ResNet-20 上以 2.38 倍的比率超越了最先进水平。Orion 的技术能够处理更深、更大的网络。我们通过评估 ImageNet 上的 ResNet-50 证明了这一点，并展示了使用具有 1.39 亿参数的 YOLO-v1 模型进行的首次高分辨率 FHE 目标检测实验。Orion 是开源的，供所有人使用，地址为：https://github.com/baahl-nyu/orion。

AI 摘要

AI 生成摘要（实验性）

此摘要使用自动化工具生成，未经本文作者撰写或审核。它旨在支持发现，帮助读者评估相关性，并协助来自邻近研究领域的读者理解这项工作。它旨在补充作者提供的摘要，后者仍然是本文的主要摘要。全文仍然是权威记录版本。点击此处了解更多。

点击此处对此摘要的准确性、清晰度和实用性发表评论。这样做将有助于了解改进意见和未来的重新生成版本。

要查看此 AI 生成的通俗摘要，您必须拥有高级访问权限。