HE-CloudML：一种基于同态加密的隐私保护框架，用于在加密云数据上进行安全机器学习推理

《Scientific Reports》：HE-CloudML: a privacy-preserving framework for secure machine learning inference over encrypted cloud data using homomorphic encryption

　　

摘要

基于云的机器学习即服务（MLaaS）的广泛普及，使敏感用户数据在推理过程中面临严重的隐私风险，因为明文数据通常必须由不受信任的云服务器处理。本文提出了 HE-CloudML，这是一个利用同态加密（HE）在加密云数据上进行安全深度神经网络（DNN）推理的统一隐私保护框架。HE-CloudML 架构为三层系统，包括客户端 CKKS 加密模块、云端 HE 推理引擎和密钥管理层，确保原始输入数据在计算的任何阶段都不会暴露给服务器。该框架引入了通过 5 次切比雪夫极小极大多项式实现的 HE 兼容多项式激活函数近似，利用环学习带误差（RLWE）槽位打包的优化 SIMD 密文批处理策略，以及自适应延迟自举流水线，以大幅减少同态评估深度和推理延迟。基于 RLWE 困难性假设的 IND-CPA 模型下的正式安全分析表明，云服务器无法区分，因此也无法从其观察到的密文中恢复明文输入、中间激活值或输出；该论证涵盖半诚实服务器，且本身并未确立对主动/恶意服务器、模型反演或成员推理攻击的抵抗力，这些仍属于未来工作。跨越三个领域的全面实验对图像分类（MNIST：99.28%，CIFAR-10：90.37%）、医学影像（93.61%）和金融欺诈检测（96.44%）进行了基准测试，证明 HE-CloudML 实现了接近明文的准确率，最大准确率下降仅为 1.81%，同时相比 CryptoNets 实现了高达 26.9 倍的延迟改善。