Sep, 2019

HEAX: 用于加密数据计算的架构

PDF
TL;DR本文提出了 HEAX，一种新的 FHE 硬件架构，可在保护数据隐私的前提下，大幅提高计算性能。该架构利用多种级别的并行性来提高数字变换和基于格密码学的计算。在可重构硬件上的实现表明，相对于传统 FHE 方案，性能提升了 164-268 倍。
cloud computingdata privacyfully homomorphic encryptionhardware architectureperformance improvement
发现论文，激发创造
  • ArctyrEX：一般应用程序的加速加密执行

    本研究开发了用于加速加密执行的新技术，其中使用 ArctyrEX 框架可以让开发者用 C 程序描述他们的计算，相对于基线 256 线程 CPU，其在 NVIDIA DGX A100 上快了 40 倍，在单个 A100 上快了 6 倍，并以 Fully Homomorphic Encryption over Torus (CGGI) 为主要研究对象。

    Jun, 2023

  • 完全同态加密编译器

    本文介绍了完全同态加密技术（FHE），评估和系统化了 FHE 工具和编译器，并在各种应用程序上评估了这些工具的性能和可用性方面，最后提出了有关 FHE 工具发展的建议和讨论。

    Jan, 2021

  • 同态加密方案调查：理论与实现

    介绍了全同态加密的基本概念及其在保护隐私和云计算中的应用，同时讨论了现有 FHE 系统的实现和未来研究方向。

    Apr, 2017

  • 用于加密数据的高效 CNN 建模块

    本文介绍充分同态加密 (Fully Homomorphic Encryption, FHE) 在机器学习中的应用，针对现有文章只关注于数据安全而忽略模型参数的安全问题，以及高层级的实现不提供对深度卷积神经网络 (CNNs) 中的卷积、非线性激活和汇聚等常见操作的精确性、安全性和速度之间权衡问题，基于 CKKS 算法，提出了使用 FHE 保护输入数据和模型参数的 MLaaS 机制，并在经典的 MNIST 数据集上进行了实现和测试，结果表明设计参数选择会在正确性、安全和计算时间之间产生重要影响，同时还强调了其他设计选择如密文打包策略和多线程并行化也对推断过程的吞吐量和延迟产生了重要影响

    Jan, 2021

  • 超维度计算：高效隐私保护机器学习即服务的救星

    本文研究了使用超维度计算与同态加密的机器学习推断系统，实现了对加密数据的隐私保护，同时提高了性能。

    Aug, 2023

  • 利用 TFHE 进行加密推断的深度神经网络

    本论文探讨了如何构建与 TFHE 约束兼容的深度神经网络，为计算机视觉任务提供了一种基于全同态加密的解决方案。

    Feb, 2023

  • TT-TFHE: 一个支持环上完全同态加密的神经网络结构

    TT-TFHE 是一个基于神经网络的同态加密框架，可以有效将 TFHE 用于表格和图像数据集中，该框架在加密数据推断的时间和准确性方面表现出色，特别是相对于其他 TFHE 设置和 HE 变体。

    Feb, 2023

  • nGraph-HE: 一种基于同态加密数据的深度学习图编译器

    Intel's nGraph-HE, an extension of nGraph, enables the deployment of deep learning models on ciphertext using homomorphic encryption as a hardware target, allowing DL-aware optimizations and integration with popular frameworks such as TensorFlow to benchmark models with minimal overhead.

    Oct, 2018

  • 针对同态加密的 AlexNet 时刻：使用 GPU 对加密数据进行的第一个同态 CNN，HCNN

    本文提出了一种使用全同态加密、卷积神经网络和图形处理器的高效隐私保护系统，用于在云端进行基于样本的模型推断，能够在保证数据安全的前提下实现高性能图像分类。

    Nov, 2018

  • SHE: 一种快速而准确的用于加密数据的深度神经网络

    本文提出了一种基于 Shift-accumulation 的 Leveled-HECNNs 深度神经网络 (SHE)，通过二进制友好的 LTFHE 加密方案实现了 ReLU 激活和最大汇聚，采用对数量化来加速推理，使用混合位宽累加器加速累加，并具有更小的乘法深度开销，实现了更深的网络结构。实验结果表明，SHE 在 MNIST 和 CIFAR-10 上实现了最先进的推理精度，并将推理延迟降低了 76.21% 至 94.23％。

    Jun, 2019