Dec, 2019

EVA：一种用于高效同态计算的加密向量算术语言和编译器

PDF
TL;DR本文提出了一种新的全同态加密语言 Encrypted Vector Arithmetic（EVA），并配备了优化编译器，使开发人员可以直接使用 EVA 开发高效的通用 FHE 应用程序，并且可以作为目标编译高级特定领域的语言。此外，由于 EVA 中的新型优化，其程序的速度比 CHET 生成的程序平均快 5.3 倍，EVA 将使更广泛的人更容易地开发 FHE 应用程序和特定领域的 FHE 编译器。
fully-homomorphic encryptionevaoptimizing compilersecure fhe programsdomain-specific languages
发现论文，激发创造
  • 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

  • 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

  • HEAX: 用于加密数据计算的架构

    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。

    Sep, 2019

  • 基于全同态加密的树型隐私推断

    本文介绍了使用 Fully Homomorphic Encryption 应用于基于树的数据模型，通过 Concrete-ML 库在加密选项卡 ular 数据上得到最先进的解决方案，此方法适用于决策树，随机森林和梯度提升树等广泛使用的基于树的模型，而且在准确性方面与未受保护版本非常接近。

    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

  • 模糊逻辑和线性规划实现自动同态加密参数选择

    本文提出了一种基于模糊逻辑和线性规划的专家系统来解决同态加密的方案参数化问题，它可以根据用户的偏好生成最优参数组合，同时保证密码系统的最低安全性水平，经扩展验证，我们展示了专家系统可以生成最优参数选择，以维护用户的偏好，同时不需要分析电路的固有复杂性。

    Feb, 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

  • 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

  • Falcon：用于高效私密移动网络推断的同态加密卷积加速器

    本文提出了 Falcon，一种用于基于 HE 的二方计算框架的高效密实打包算法，它通过零感知贪心打包算法和通信感知操作器平铺策略，提高了深度卷积的打包密度，在操作器级别上相比于其他 HE-based 2PC 框架，实现了 15.6x、5.1x 和 1.8x 的延迟降低，并且在网络级别上，在 CIFAR-100 和 TinyImagenet 数据集上相较于 Cheetah 分别提高了 1.4% 和 4.2% 的准确率，并且具有等通信的特征。

    Aug, 2023

  • HEQuant: 结合同态加密和量化的通信高效私有推断

    HEQuant 是基于低精度量化感知优化的 HE 协议，在保护数据隐私的同时能够显著降低通信开销和延迟，相较于其他先前的 HE 协议和网络优化框架，HEQuant 在通信和性能方面都能取得显著的提升。

    Jan, 2024