阿里安全开源隐私计算新技术：计算速度快20倍，通信成本低2倍

　　

博雯 发自 凹非寺
量子位 | 公众号 QbitAI

如何在不查看图片的前提下，几秒之内就识别一张图片？
这个看似在找茬的问题，却是隐私计算领域会真实碰到的问题。

著名的“百万富翁问题”所描述的就是这样的场景：两位富翁如何在不知道对方财富的前提下，比较谁的财富更多？
近年来出现出现的一些方法，比如两方计算网络推理（2PC-NN）可以解决上述问题，但同时又会造成大量的计算成本和通信开销。
但现在，只要2.5分钟，2.3GB的通信费用，就能在ResNet50的基准上进行端到端的执行。
比起现在最好的两方计算网络推理框架，微软的CryptFlow2还要分别高出5.9倍和12.9倍。
目前，这项研究已经被国际四大安全顶会之一的USENIX Security Symposium 2022接收，研究团队来自阿里巴巴。

这也是我国团队首次在USENIX Sec22上发表安全多方计算（MPC）方向的论文，相关代码目前已开源。
如何减少开销？
这是一个叫做猎豹（Cheetah）的新型框架，是一个用于深度神经网络的两方计算网络推理系统。
为了使系统尽量高效，现有的两方计算网络推理框架常常会使用多种类型的加密基元（Cryptographic Primitive）。
比如，DELPHI和CrypTFlow2就会利用同态加密（HE）来评估DNN的线性函数，而猎豹就是这样一种混合系统。
不同的是，在设计基础协议、如何协调不同类型的加密基元上，猎豹进行了新的改进：
　　

重新设计了基于同态加密的协议，可在不需要任何轮调操作（Rotation Operation）以的情况下评估线性层（即卷积、批量归一化和完全连接）设计了几个用于非线性函数（如ReLU和Truncation）的更加精简，通信效率更高的基元

开发者将新的线性协议与先进技术进行比较，所有的运行都是用单线程执行，结果是计算速度最高快了20倍，通信成本最低低到2倍：

而在所有的协议和优化都完成时，在大型DNN上运行加密推理，在3分钟内，猎豹就可以评估SqueezeNet、ResNet50和DenseNet121：

放到实际应用上：假如客户甲有一张图片，服务器乙需要对该图片进行AI识别，判断是否含有不合规的内容，但出于隐私保护要求，又不能查看甲的图片本身。
这时，使用微软的ryptFlow2，需要数百秒才能完成一张图片识别。
而猎豹在保证同等的可证明安全前提下，让速度快了5倍，数十秒就能识别。
作者介绍
论文共有两位一作，黄智聪（Zhicong Huang）和Wen-jie Lu。
其中，黄智聪本科毕业于北京大学的计算机科学系，2018年从瑞士洛桑联邦理工学院（EPFL）获得博士学位。
他现在就职于阿里巴巴安全部双子座实验室，负责研究数据保护与共享技术，研究领域包括应用密码学，数据安全与隐私，差分隐私，机器学习，安全计算，同态加密，隔离计算。

论文：
https://eprint.iacr.org/2022/207
开源地址：
https://github.com/Alibaba-Gemini-Lab/OpenCheetah

---