ShadowNet：一种面向卷积神经网络的安全高效端侧模型推理系统

优化隐私保护外包卷积神经网络预测

Optimizing Privacy-Preserving Outsourced Convolutional Neural Network Predictions

Wuhan University（武汉大学）；State Key Laboratory of Cryptology（密码科学技术国家重点实验室）；The Chinese University of Hong Kong（香港中文大学）；Huazhong University of Science and Technology（华中科技大学）；Xi’an Jiaotong University（西安交通大学）

卷积神经网络是一种广泛应用于各种预测任务的机器学习模型，如计算机视觉和医学图像分析。它们强大的预测能力需要大量的计算，这鼓励模型所有者在云平台上托管预测服务。最近的研究集中在查询和结果的隐私，但他们没有提供对模型托管服务器的模型隐私，并可能泄漏部分信息的结果。它们中的一些还需要与查询器的频繁交互或繁重的计算开销，这阻碍了查询器使用预测服务。提出了一种新的外包环境下隐私保护神经网络预测方案，服务器不能学习查询、（中间）结果和模型。类似于SecureML（S&P'17），一个提供模型隐私的代表性工作，我们利用两个具有秘密共享和三元组生成的非合谋服务器来最大限度地减少重量级加密的使用。此外，我们采用异步计算，以提高吞吐量，并设计乱码电路的非多项式激活函数，以保持相同的精度作为底层网络（而不是近似）。我们在MNIST数据集上的实验表明，与SecureML，MiniONN（CCS'17）和EzPC（EuroS& P' 19）相比，我们的方案分别实现了平均122倍，14.63倍和36.69倍的延迟减少。在通信成本方面，我们的方案平均比SecureML高1.09倍，比MiniONN高36.69倍，比EzPC高31.32倍。在CIFAR数据集上，与MiniONN和EzPC相比，我们的方案分别实现了7.14倍和3.48倍的低延迟。在CIFAR数据集上，我们的方案还提供了比MiniONN和EzPC低1…

2020-06-29cs.CRcs.LG

SoWaF：权重和特征映射的洗牌：一种新的卷积神经网络（CNN）硬件固有攻击（HIA）

SoWaF: Shuffling of Weights and Feature Maps: A Novel Hardware Intrinsic Attack (HIA) on Convolutional Neural Network (CNN)

Tennessee Technological University（田纳西理工大学）

将卷积神经网络（CNN）部署到资源受限的嵌入式系统（例如低端FPGA）中的推理阶段的安全性是一个不断增长的研究领域。使用安全实践，可以向第三方FPGA设计人员提供初始和最终分类层的知识。在这项工作中，我们证明了硬件固有攻击（HIA）在这样一个“安全”的设计仍然是可能的。所提出的HIA被插入到CNN的各个层的数学运算中，其在所有后续的CNN层中传播导致误分类的错误运算。攻击是非周期性的，完全随机的，因此很难检测到。与原始实现相比，基于开销资源和触发率设计并评估了关于每个CNN层的五种不同攻击场景。我们对两种CNN架构的结果表明，在所有的攻击场景中，额外的延迟可以忽略不计（<0.61%），DSP，LUT，FF的增量也小于2.36%。三种攻击场景不需要任何额外的BRAM资源，而在两种场景中，BRAM增加，这与FF和LUT的相应减少相补偿。据作者所知，这项工作是第一个解决硬件固有的CNN攻击与攻击者不知道完整的CNN。

2021-07-13cs.CRcs.LG

ReDASH：用于安全外包推理的算术乱码电路中的快速高效缩放

ReDASH: Fast and efficient Scaling in Arithmetic Garbled Circuits for Secure Outsourced Inference

本研究提出ReDASH框架，通过基于剩余数系统广义基扩展的乱码缩放组件与ScaleQuant+量化机制，突破Dash仅能2的幂缩放的限制，实现最高33倍推理加速且保留强安全保证，提升乱码卷积神经网络安全外包推理的实用性与灵活性。

2025-06-17cs.CR

一种有效的稀疏安全聚合算法及其在联邦学习中的应用

Efficient Sparse Secure Aggregation for Federated Learning

Owkin Inc.（Owkin公司）

联合学习使人们能够跨持有敏感数据集的分布式客户端联合训练机器学习模型。在现实世界中，这种方法受到昂贵的通信和隐私问题的阻碍。这两个挑战都已经得到了单独解决，从而导致了相互竞争的优化。在这篇文章中，我们第一次同时处理它们。更确切地说，我们适应基于压缩的联邦技术添加剂秘密共享，导致一个有效的安全聚合协议，具有自适应的安全级别。我们证明了它的隐私对恶意的对手和它的正确性，在半诚实的设置。在深度卷积网络上的实验表明，我们的安全协议以低通信成本实现了高准确性。与以前的安全聚合工作相比，我们的协议具有较低的通信和计算成本，类似的准确性。

2021-10-18cs.CRcs.LGstat.ML

基于卷积神经网络的隐私保护视频分类

Privacy-Preserving Video Classification with Convolutional Neural Networks

University of Washington（华盛顿大学）；Monash University（莫纳什大学）；Ghent University（根特大学）

许多视频分类应用程序需要访问个人数据，从而对用户的隐私构成侵入性安全风险。我们提出了一个隐私保护的实现单帧方法为基础的视频分类与卷积神经网络，允许一方从视频中推断标签，而不需要视频所有者披露他们的视频以未加密的方式向其他实体。同样，我们的方法消除了分类器所有者以明文形式向外部实体透露其模型参数的要求。为此，我们结合现有的安全多方计算（MPC）协议的私人图像分类与我们的新MPC协议不经意的单帧选择和跨帧的安全标签聚合。其结果是端到端的隐私保护视频分类管道。我们评估我们提出的解决方案在私人人类情感识别的应用程序。我们在各种安全设置中的结果，跨越计算方的诚实和不诚实的大多数配置，以及被动和主动的对手，表明视频可以以最先进的准确性进行分类，并且不会泄露敏感的用户信息。

2021-02-06cs.CRcs.CVcs.LG

利用深度学习实现安全的移动人群感知

Secure Mobile Crowdsensing with Deep Learning

Xiamen Univ.（厦门大学）；Hefei Univ. of Technology（合肥工业大学）

为了促进物联网（IoT）应用（如医疗保健和交通监控）的安全感知，移动人群感知（MCS）系统必须解决大规模动态和异构网络中的感知和信息交换过程中的安全威胁，如干扰，欺骗和伪造感知攻击。在这篇文章中，我们研究了安全的移动人群感知，并介绍了如何使用深度学习（DL）方法，如堆栈自动编码器（SAE），深度神经网络（DNN）和卷积神经网络（CNN），以改善MCS的安全方法，包括身份验证，隐私保护，虚假感知对策，入侵检测和抗干扰传输。我们讨论了这些基于DL的方法相比，传统的安全方案的性能增益，并确定需要解决的挑战，以实现它们在实际的MCS系统。

2018-01-23cs.CRcs.LGcs.NI

利用卷积神经网络检测工业控制系统中的网络攻击

Detecting Cyberattacks in Industrial Control Systems Using Convolutional Neural Networks

Ben Gurion university（本-古里安大学）

本文提出了一种使用无监督深度神经网络（具体为卷积神经网络）检测工业控制系统（ICS）网络攻击的研究。该研究是在SecureWater Treatment testbed（SWaT）数据集上进行的，该数据集代表了现实世界工业水处理厂的缩小版本。我们提出了一种基于测量预测值与观测值的统计偏差的异常检测方法。我们通过使用各种深度神经网络架构（包括卷积和递归网络的不同变体）来应用所提出的方法。SWaT的测试数据集包括36种不同的网络攻击。所提出的方法成功地检测到了绝大多数的攻击，具有较低的误报率，从而改善了以前的作品基于此数据集。研究结果表明，一维卷积网络可以成功地应用于工业控制系统中的异常检测，并优于更复杂的递归网络，同时更小，更快的训练。

2018-12-10cs.CRcs.LG

为具有隐私保护的深度学习提供高效安全的数据交付

Towards Efficient and Secure Delivery of Data for Deep Learning with Privacy-Preserving

Zhejiang University（浙江大学）；Tsinghua University（清华大学）；Duke University（杜克大学）

隐私问题是深度学习中的一个重要问题，即在深度神经网络开发过程中，必须禁止与第三方共享敏感数据。在本文中，我们提出了Morphed Learning（MoLe），这是一种高效安全的深度学习数据传输方案。MoLe有两个主要组件：数据变形和增强卷积（Aug-Conv）层。数据变形允许数据提供者在没有隐私信息的情况下发送变形的数据，而Aug-Conv层帮助深度学习开发人员将其网络应用于变形的数据，而不会带来性能损失。与GAZELLE（USENIX Security 2018）相比，MoLe提供了更强的安全性，同时引入了更低的开销，这是另一种对神经网络没有性能损失的方法。在CIFAR数据集上使用MoLe进行VGG-16网络时，计算开销仅为9%，数据传输开销为5.12%。作为比较，GAZELLE具有10，000次的计算开销和421，000次的数据传输开销。在这种情况下，MoLe和GAZELLE的攻击成功率分别为7.9 x 10^{-90}和2.9 x 10^{-30}。

2019-09-17cs.CRcs.LG

PrivGNN：面向密码学图神经网络的高性能安全推理

PrivGNN: High-Performance Secure Inference for Cryptographic Graph Neural Networks

Deakin University（德肯大学）；Singapore University of Technology and Design（新加坡科技与设计大学）；Fuzhou University（福州市大学）；East China Normal University（华东师范大学）；Griffith University（格里菲斯大学）

本文提出PrivGNN，一种用于云环境中图神经网络的轻量级密码学安全推理方案。通过在两方计算中混合加法与函数秘密共享，设计新型交互协议，显著提升了线性和非线性层的计算速度，在四个数据集上实现了1.3至4.7倍的安全预测加速且保持准确率。

2025-11-04cs.CRcs.LG

将Transformer转换为多项式形式以实现在同态加密上的安全推理

Converting Transformers to Polynomial Form for Secure Inference Over Homomorphic Encryption

IBM Research（IBM研究院）；Tel-Aviv University（特拉维夫大学）；Bar-Ilan University（巴伊兰大学）

本文提出首个多项式Transformer，通过将算子转换为多项式形式，实现在同态加密下的安全推理，并在语言模型和图像分类任务上达到与传统方法相当的性能。

2023-11-15cs.CRcs.LG

SecONNds: 面向ImageNet的安全外包神经网络推理

SecONNds: Secure Outsourced Neural Network Inference on ImageNet

Independent（独立研究者）

针对外包神经网络推理的隐私挑战与现有方案开销过高的问题，提出优化的安全推理框架SecONNds，通过新型GMW协议、NTT预处理及GPU加速，在ImageNet级模型上实现显著的性能提升与通信降低。

2025-06-13cs.CRcs.LG

安全智能城市的网络威胁情报

Cyber Threat Intelligence for Secure Smart City

Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·费萨尔大学）；North Orissa University（北奥里萨大学）

智慧城市通过实施物联网（IoT）等信息通信技术（ICT）提高了市民的生活质量。然而，智慧城市是一个关键的环境，需要保护网络和数据免受入侵和攻击。本文提出了一种基于卷积神经网络（CNN）和准递归神经网络（QRNN）的网络威胁情报（CTI）混合深度学习（DL）模型，以提高威胁分类性能。我们使用QRNN来提供实时威胁分类模型。与现有模型相比，该模型的评价结果表明，该模型优于其他模型。因此，它将有助于在合理的时间内对智慧城市威胁进行分类。

2020-07-26cs.AIcs.CR

一种基于机器学习的安全人脸验证方案及其在数字监控中的应用

A Machine Learning-Based Secure Face Verification Scheme and Its Applications to Digital Surveillance

National Taiwan University（台湾大学）

针对现实人脸验证系统缺乏身份敏感图像隐私保护的问题，该研究结合DeepID2特征提取、密文域EM算法与同态加密，构建了三级隐私等级的社区安全人脸验证系统，验证了其实用可行性。

2024-10-29cs.CRcs.CVcs.LG

SIRNN：一个用于安全RNN推理的数学库

SIRNN: A Math Library for Secure RNN Inference

Microsoft Research（微软研究院）

复杂的机器学习（ML）推理算法，如递归神经网络（RNN），使用来自数学库的标准函数，如幂运算、sigmoid、tanh和平方根倒数。尽管关于安全2方推理的先前工作提供了用于卷积神经网络（CNN）的专用协议，但是这些数学运算符的现有安全实现依赖于遭受高通信的通用2方计算（2 PC）协议。我们为数学函数提供了新的专用2 PC协议，这些数学函数主要依赖于查找表和混合位宽来解决此性能开销;我们的数学函数协议所传输的数据比以前的工作少423倍。我们的数学实现所使用的一些混合位宽操作是（零和有符号）扩展，不同形式的截断，混合位宽操作数的乘法和数字分解（位分解到更大数字的概括）。对于这些原始操作中的每一个，我们构建专门的2 PC协议，比通用的2 PC通信效率更高，并且可以是独立的兴趣。此外，我们的数学实现是数值精确的，这确保了安全实现保持明文的模型准确性。我们建立在我们的新协议之上，以构建SIRNN，这是一个端到端安全的2方DNN推理库，它提供了对时间序列传感器数据进行操作的RNN的第一个安全实现，对语音数据进行操作的RNN，以及结合CNN和RNN的最先进的ML架构，用于识别图像中存在的所有头部。我们的评估表明，SIRNN实现了高达三个数量级的性能提高相比，这些模型的推理使用现有的最先进的2 PC框架。

2021-05-10cs.CRcs.LGcs.MS

面向不可信云环境下CNN推理的高效可验证隐私保护卷积计算

Efficient and Verifiable Privacy-Preserving Convolutional Computation for CNN Inference with Untrusted Clouds

Shandong University（山东大学）；Binzhou Polytechnic（滨州职业学院）；Shandong Sansec Information Technology Co., Ltd（山东三未信安信息科技有限公司）

本文针对不可信云环境下CNN推理的隐私与效率问题，提出一种面向卷积层的高效可验证隐私保护方案，在10个数据集上实现26至87倍加速且保持准确率。

2025-08-19cs.CRcs.LG

基于安全多方计算的罕见疾病相关细胞亚群的隐私保护检测

Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation

Institute for Bioinformatics and Medical Informatics, University of Tübingen（蒂宾根大学生物信息学与医学信息学研究所）；Medical Data Privacy and Privacy-Preserving Machine Learning, University of Tübingen（蒂宾根大学医学数据隐私与隐私增强机器学习研究所）；University Hospital Aachen（亚琛大学医院）；Delft University of Technology（代尔夫特理工大学）

该研究针对跨机构共享单细胞数据的隐私问题，提出基于安全多方计算的CellCnn训练推理框架，保留模型关键组件，在CMV和AML数据集上实现接近明文的准确率，优于现有隐私保护基线。

2026-09-01cs.CRcs.LG

AN-GCN：一种抗边扰动攻击的匿名图卷积网络

AN-GCN: An Anonymous Graph Convolutional Network Defense Against Edge-Perturbing Attack

Sichuan University（四川大学）；Huazhong University of Science and Technology（华中科技大学）；Delft University of Technology（代尔夫特理工大学）

最近的研究揭示了图卷积网络（GCN）对边缘扰动攻击的脆弱性，例如恶意插入或删除图边缘。然而，从理论上证明这种脆弱性仍然是一个巨大的挑战，有效的防御方案仍然是一个悬而未决的问题。在本文中，我们首先概括了边扰动攻击的提法，并严格证明了GCN的脆弱性，这种攻击的节点分类任务。在此基础上，提出了一种匿名的图卷积网络（AN-GCN）来对抗边扰动攻击。具体来说，我们提出了一个节点定位定理，以证明如何在其训练阶段的GCN定位节点。此外，我们设计了一个基于交错高斯噪声的节点位置发生器，并设计了一个基于谱图卷积的节点位置检测算法。进一步，我们给出了上述生成器的优化设计和最优控制器的设计. AN-GCN可以对节点进行分类，而无需将其位置作为输入。结果表明，AN-GCN是安全的，对边缘扰动攻击的节点分类任务，AN-GCN分类节点没有边缘信息，从而使攻击者不可能扰动边缘了。广泛的评估表明，一般的边缘扰动攻击模型在操纵目标节点的分类结果的有效性。更重要的是，所提出的AN-GCN可以达到82.7%的节点分类准确率没有边缘读取权限，这优于最先进的GCN。

2021-06-17cs.CRcs.LG

针对恶意敌手的通信友好型隐私保护机器学习

The Communication-Friendly Privacy-Preserving Machine Learning against Malicious Adversaries

针对恶意敌手下隐私保护机器学习（PPML）的性能开销问题，提出一种基于GPU的高效安全多方计算（MPC）协议，支持线性和非线性层，实现跨多种机器学习模型的安全高效推理。

2024-11-14cs.CR

MPC-Pipe：一种用于安全多方机器学习推理的高效流水线方案

MPC-Pipe: an Efficient Pipeline Scheme for Secure Multi-party Machine Learning Inference

University of Southern California（南加利福尼亚大学）

本文提出MPC-Pipe，一种用于安全多方机器学习训练和推理的高效系统，通过流水线化在线阶段的计算与通信以实现重叠，有效提升了ML工作负载的吞吐量与延迟性能。

2024-08-27cs.CRcs.LG

迈向可信 AI：使用 CNN 和零知识证明的安全深度伪造检测

Towards Trustworthy AI: Secure Deepfake Detection using CNNs and Zero-Knowledge Proofs

School of Industrial Engineering and Management（工业工程与管理学院）

本文提出 TrustDefender 两阶段框架，结合轻量级 CNN 实时检测 XR 流中的深度伪造，并利用 ZKP 在保护原始数据隐私的同时验证结果，实验达到 95.3% 准确率。

2025-07-22cs.AIcs.CRcs.LG

规模化嵌入信任：面向安全可验证数据管道的物理感知神经水印

Embedding Trust at Scale: Physics-Aware Neural Watermarking for Secure and Verifiable Data Pipelines

SentinelAI；LBNL（劳伦斯伯克利国家实验室）；EECS, University of California, Berkeley, CA, USA（加州大学伯克利分校电子工程与计算机科学系）

针对科学高维数据的完整性验证需求，提出基于卷积自编码器的物理感知神经水印框架，可在多种有损变换下留存水印且保真度高，性能优于经典SVD方法，可扩展至多领域结构化数据，助力科学数据溯源与AI系统安全。

2025-05-22cs.AIcs.CEcs.CR

使用2D全息简化表示在不可信平台上部署卷积网络

Deploying Convolutional Networks on Untrusted Platforms Using 2D Holographic Reduced Representations

University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Laboratory for Physical Sciences（物理科学实验室）；Booz Allen Hamilton（博思艾伦汉密尔顿）

由于运行神经网络的推理的计算成本，通常需要在第三方的计算环境或硬件上部署推理步骤。如果第三方不是完全可信的，则期望混淆输入和输出的性质，使得第三方不能容易地确定正在执行什么特定任务。存在用于利用不可信方的可证明安全的协议，但是在实践中运行的计算要求太高。相反，我们探索一种不同的快速，启发式安全策略，我们称之为连接主义符号伪秘密。通过利用全息简化表示（HRR），我们创建了一个具有伪加密风格防御的神经网络，该防御在经验上显示出对攻击的鲁棒性，即使在不切实际地支持对手的威胁模型下。

2022-06-13cs.CRcs.CVcs.LG

MirageNet：一种在异构TEE和GPU系统中安全、高效且可扩展的设备端模型保护方法

MirageNet:A Secure, Efficient, and Scalable On-Device Model Protection in Heterogeneous TEE and GPU System

National University of Defense Technology（国防科技大学）

MirageNet提出ConvShatter方案，通过卷积线性分解和混淆技术，在异构TEE和GPU系统中实现高效且安全的模型保护，降低延迟并保障模型保密性与完整性。

2026-01-20cs.CR

面向加密医学影像的隐私保护AI：安全诊断与学习框架

Privacy-Preserving AI for Encrypted Medical Imaging: A Framework for Secure Diagnosis and Learning

Daffodil International University（达福国际大学）

针对医疗AI应用中的患者隐私问题，提出结合AES-CBC加密、JPEG2000压缩与Masked-CNN的加密医学影像隐私保护诊断框架，在公开数据集上验证其性能接近未加密模型，兼具实用性与可扩展性。

2025-05-17cs.AIcs.CReess.IV

Dash：使用算术混淆电路加速分布式私有卷积神经网络推理

Dash: Accelerating Distributed Private Convolutional Neural Network Inference with Arithmetic Garbled Circuits

University of Luebeck（吕贝克大学）；Technische Hochschule Luebeck（吕贝克应用科技大学）

本文提出 Dash，一种基于算术混淆电路的分布式私有卷积神经网络推理方案，通过引入 LabelTensors 利用 GPU 并行性，并结合中国剩余定理余数缩放操作，将性能提升约 100 倍，实现更高精度，且每步推理仅需一轮通信。

2024-10-15cs.CRcs.LG

DRAMNet：使用深度卷积神经网络基于DRAM物理唯一特征的身份验证

DRAMNet: Authentication based on Physical Unique Features of DRAM Using Deep Convolutional Neural Networks

如今，人们对自动驾驶汽车（AV）的发展越来越感兴趣。然而，有两种类型的攻击挑战可能会影响AV，并且尚未解决，即，传感器攻击和车辆访问攻击。据我们所知，这篇论文是第一篇提出一种新的身份验证方案的工作，该方案涉及使用深度卷积神经网络（CNN）的DRAM上电独特功能，可用于实现自动驾驶汽车的安全访问控制。我们的方法包括两个部分。首先，我们将来自DRAM单元的原始上电序列数据转换成二维（2D）格式以生成DRAM图像结构。其次，我们将深度CNN应用于DRAM图像，以便从每个存储器中提取独特的特征来对其进行分类以进行身份验证。为了评估我们提出的方法，我们利用三个商业现货（COTS）DRAM在各种环境和其他条件下（高/低温，高/低电源电压和老化效应）的数据。基于我们的结果，我们提出的认证方法'' DRAMNet ''达到98.63%的准确率和98.49%的精度。与其他最先进的CNN架构（如AlexNet和VGGNet模型）相比，我们的DRAMNet方法与它们一样好或更好。

2019-02-25cs.CR

Gazelle：一种低延迟的安全神经网络推理框架

Gazelle: A Low Latency Framework for Secure Neural Network Inference

基于云的机器学习的日益普及，自然会引发一个关于在这种环境中可以提供的隐私保证的问题。我们的工作在客户端希望使用由服务器训练的卷积神经网络（CNN）对私人图像进行分类的情况下解决了这个问题。我们的目标是建立有效的协议，使客户端可以获得的分类结果，而不透露他们的输入到服务器，同时保证服务器的神经网络的隐私。为此，我们设计了瞪羚，一个可扩展的和低延迟的安全神经网络推理系统，使用同态加密和传统的两方计算技术（如乱码电路）的复杂组合。Gazelle做出了三项贡献。首先，我们设计了Gazelle同态加密库，它提供了基本同态运算的快速算法，如SIMD（单指令多数据）加法，SIMD乘法和密文置换。其次，我们实现了Gazelle同态线性代数内核，它将神经网络层映射到优化的同态矩阵向量乘法和卷积例程。第三，我们设计了优化的加密切换协议，可以在同态和乱码电路编码之间无缝转换，以实现完整的神经网络推理。我们在MNIST和CIFAR-10数据集上训练的基准神经网络上评估了我们的协议，并表明Gazelle在在线运行时的性能比现有的最佳系统，如MiniONN（ACM CCS 2017）高出20倍，Chameleon（Crypto Eprint 2017/1164）高30倍。类似地，与CryptoNets（ICML 2016）等完全同态方法相比，我们证明了在线运行时间快三个数量级。

2018-01-16cs.CR

可信执行环境中的内存高效深度学习推理

Memory-Efficient Deep Learning Inference in Trusted Execution Environments

Worcester Polytechnic Institute（伍斯特理工学院）

这项研究确定并提出了在可信执行环境（TEE）中执行深度神经网络的两个关键瓶颈：卷积层执行期间的页面抖动和全连接层中大型权重矩阵的解密。对于前者，我们提出了一种新的分区方案，y平面分区，旨在（i）当层输出与TEE安全内存相比较大时，提供一致的执行时间;以及（ii）显着减少卷积层的内存占用。对于后者，我们利用量化和压缩。在我们的评估中，对于各种TEE大小，所提出的优化引起的延迟开销范围从1.09倍到2倍基线;相比之下，当在TEE内部运行时，未修改的实现引起的延迟高达26倍。

2021-09-30cs.CRcs.LGcs.PF

基于卷积群稀疏化层的隐私保护图像共享

Privacy-Preserving Image Sharing via Sparsifying Layers on Convolutional Groups

Harvard University（哈佛大学）

我们提出了一个实用的框架来解决大规模设置中的隐私感知图像共享问题。我们认为，虽然紧凑性总是希望在规模，这种需要是更严重的，当试图进一步保护隐私敏感的内容。因此，我们对图像进行编码，这样，一方面，表示存储在公共领域，而无需支付隐私保护的巨大成本，但模糊的，因此从图像中没有泄漏可辨别的内容，除非组合昂贵的猜测机制可供攻击者使用。另一方面，授权用户被提供有可以容易地保持安全的非常紧凑的密钥。这可以用于消除歧义并忠实地重建相应的访问授权图像。我们通过我们设计的卷积自动编码器实现了这一点，其中特征图通过稀疏化变换独立传递，提供多个紧凑代码，每个代码负责重建图像的不同属性。该框架在一个大型图像数据库上进行了测试，并提供了公共实现。

2020-02-04cs.CRcs.CVeess.IV

在卷积脉冲神经网络中实现高效的加密计算：TFHE

Efficient Encrypted Computation in Convolutional Spiking Neural Networks with TFHE

School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络空间安全学院）；School of Mathematics and Statistics, Huazhong University of Science and Technology（华中科技大学数学与统计学院）；Center for Mathematical Science, Huazhong University of Science and Technology（华中科技大学数学中心）；Steklov-Wuhan Institute for Mathematical Exploration, Huazhong University of Science and Technology（华中科技大学斯捷克洛夫-武汉数学探索研究所）；Department of Mathematics and Department of Physics, Great Bay University（大湾区大学数学与物理学院）；Guangdong Provincial Key Laboratory of Mathematical and Neural Dynamical Systems（广东省数学与神经动力系统重点实验室）

本文提出FHE-DiCSNN框架，利用脉冲神经网络的离散特性实现安全高效的加密计算，结合卷积方法提升准确率并减少模拟时间，实验验证其在MNIST和FashionMNIST上的有效性。

2026-03-25cs.CRcs.LG

用于可解释大数据分析与安全云决策系统的混合DeepXAI融合网络

Hybrid DeepXAI Fusion Network for Interpretable Big Data Analytics and Secure Cloud Decision-Making Systems

Usha Rama College of Engineering and Technology（乌沙·拉玛工程与技术学院）；Chaitanya Bharathi Institute of Technology（柴坦亚·巴拉蒂理工学院）；VelTech Rangarajan Dr.Sagunthala R&D Institute of Science and Technology（韦尔特·兰加拉詹·德拉·萨贡塔拉研发科学与技术学院）；Koneru Lakshmaiah Education Foundation（科内鲁·拉克什马亚教育基金会）；Saveetha School of Engineering. Saveetha Institute of Medical and Technical Sciences（萨维塔工程学院。萨维塔医学与科技学院）；Vidya Jyothi Institute of Technology (VJIT)（维迪亚·乔蒂理工学院）

该研究提出混合DeepXAI融合网络，结合1D-CNN、Transformer、GNN与XAI机制，在多领域数据集上实现高准确率，且具备抗扰动性与可扩展性，适用于安全可解释的云决策系统。

2026-10-16cs.CR

面向安全痴呆症分类的量子启发式隐私保护联邦学习框架

Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification

针对痴呆症分类中联邦学习（FL）易受梯度反转等攻击的问题，提出结合量子启发式加密技术的框架，利用量子密钥分发（QKD）保护模型权重传输，在OASIS数据集上实现与基线相同准确率且损失降近1%，提升隐私安全性并助力中低收入国家AI诊断普及。

2025-03-05cs.CRcs.DC

SecGNN：隐私保护图神经网络训练和推理云服务

SecGNN: Privacy-Preserving Graph Neural Network Training and Inference as a Cloud Service

Harbin Institute of Technology（哈尔滨工业大学）；City University of Hong Kong（香港城市大学）

图被广泛用于对实体之间的复杂关系进行建模。图神经网络作为一种强大的图分析工具，由于其端到端的处理能力，近年来得到了广泛的关注。随着云计算的普及，将复杂且资源密集型的模型训练和推理服务部署在云中，因其显著的优势而越来越受欢迎。然而，GNN训练和推理服务如果部署在云中，将引发对信息丰富和专有图数据（以及由此产生的模型）的严重隐私问题。虽然已经有一些关于安全神经网络训练和推理的工作，但它们都专注于处理图像和文本的卷积神经网络，而不是具有丰富结构信息的复杂图形数据。在本文中，我们设计，实现和评估SecGNN，这是第一个在云中支持隐私保护GNN训练和推理服务的系统。SecGNN是基于对轻量级密码学和机器学习技术的见解的协同作用而构建的。我们深入研究了GNN的训练和推理过程，并设计了一系列相应的安全定制协议来支持整体计算。大量的实验表明，SecGNN实现了相当的明文训练和推理精度，具有良好的性能。

2023-01-31cs.CRcs.LG

使用卷积神经网络和局部二值模式进行呈现攻击检测

Presentation Attack Detection using Convolutional Neural Networks and Local Binary Patterns

North Carolina Agricultural and Technical State University（北卡罗来纳农工州立大学）

本文比较了 Inception-v3、改进的浅层 Spoofnet CNN 和局部二值模式三种方法在人脸与虹膜呈现攻击检测上的表现，并在 ATVS-FIr 和 CASIA 数据集上验证了各自的有效性。

2023-11-23cs.CRcs.CVcs.LG

协同任务中隐私保护的神经网络权值组合学习

Combined Learning of Neural Network Weights for Privacy in Collaborative Tasks

Universidade de São Paulo（圣保罗大学）

我们介绍了CoLN，组合学习的神经网络的权重，一种新的方法，安全地结合机器学习模型在敏感数据没有共享的数据。通过CoLN，本地主机使用相同的神经网络架构和基本参数来仅使用本地可用数据训练模型。然后，将本地训练的模型提交给组合代理，组合代理生成组合模型。新模型的参数可以发送回主机，然后可以用作新训练迭代的初始参数。CoLN能够组合几个相同种类的分布式神经网络，但不限于任何单个神经架构。在本文中，我们详细介绍了组合算法和目前的实验与前馈，卷积和循环神经网络架构，表明CoLN组合模型近似的性能，一个假设的理想集中式模型，训练使用的组合的本地数据集。CoLN可以有助于安全的合作研究，如医疗领域所需，其中隐私问题排除了数据共享，但本地数据的局限性需要从更大的数据集获得信息。

2022-04-30cs.AIcs.CRcs.LG

Sphynx：专用推理的ReLU-Efficient网络设计

Sphynx: ReLU-Efficient Network Design for Private Inference

New York University（纽约大学）；University of California San Diego（加州大学圣地亚哥分校）

深度学习的出现伴随着对用户数据和服务提供商模型的隐私担忧。我们专注于私有推理（PI），其目标是使用服务提供商的模型对用户的数据样本进行推理。用于深度网络的现有PI方法可以实现加密安全推理，功能几乎没有下降;然而，它们会产生严重的延迟成本，主要是由非线性网络操作（如ReLU）引起的。本文介绍了Sphynx，一种基于微搜索策略的ReLU高效网络设计方法，用于卷积单元设计。Sphynx在CIFAR-100上实现了对所有现有私有推理方法的Pareto优势。我们还设计了支持Tiny-ImageNet和ImageNet上加密私有推理的大规模网络。

2021-06-17cs.CRcs.LG

FFConv：加密数据的快速分解卷积神经网络推理

FFConv: Fast Factorized Convolutional Neural Network Inference on Encrypted Data

Singapore Management University（新加坡管理大学）

同态加密（HE）允许对加密数据（密文）进行计算而无需首先对其进行解密，从而为云中的隐私保护应用程序提供安全但速度非常慢的卷积神经网络（CNN）推理。为了减少推理延迟，一种方法是将多个消息打包到单个密文中，以便减少密文的数量并支持密文之间的同态乘法累加（HMA）操作的大规模并行性。尽管HECNN推理速度更快，但主流打包方案密集打包（DensePack）和卷积打包（ConvPack）引入了昂贵的旋转开销，这降低了HECNN用于更深和更宽的CNN架构的推理延迟。在本文中，我们提出了一种低秩分解方法FFConv专用于有效的密文包装，以减少旋转开销和HMA操作。FFConv使用低秩分解卷积来近似d x d卷积层，其中具有较少通道的d x d低秩卷积之后是1 x 1卷积以恢复通道。使用DensePack的d x d低秩卷积显著减少了旋转操作，而使用ConvPack的1 x 1卷积的旋转开销接近于零。据我们所知，FFConv是第一个能够同时减少DensePack和ConvPack所产生的旋转开销的工作，而不会向HECNN推理管道中引入额外的特殊块。与现有技术的LoLa和Falcon相比，我们的方法分别将推理延迟降低了88%和21%，并且在MNIST和CIFAR-10上具有相当的准确性。

2022-06-22cs.AIcs.CR

神经网络驱动的手指绘制生物特征认证

Neural Network-Powered Finger-Drawn Biometric Authentication

Hasso Plattner Institute（哈索普兰特纳研究所）

本文研究触摸屏设备上基于手指绘制数字的生物特征认证，评估CNN（改进Inception-V1、轻量级浅层）和自动编码器架构，20人各提供2000个样本，CNN准确率约89%（浅层参数更少）、自动编码器约75%，证明该方案可行且可集成现有方法构建多层安全系统。

2025-11-14cs.CRcs.LG

LinGCN：面向同态加密推理的结构线性化图卷积网络

LinGCN: Structural Linearized Graph Convolutional Network for Homomorphically Encrypted Inference

University of Rochester（罗切斯特大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）；Northeastern University（东北大学）；North Carolina State University（北卡罗来纳州立大学）；University of Connecticut（康涅狄格大学）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）

针对同态加密下GCN推理计算开销大的问题，提出LinGCN框架，通过结构线性化、多项式激活替换与增强HE方案降低乘法深度，在NTU-XVIEW数据集上延迟较CryptoGCN提升14.2倍且保持75%准确率。

2023-10-04cs.AIcs.CRcs.LG

增强自主无人机导航的隐私与安全性

Enhancing Privacy and Security of Autonomous UAV Navigation

University at Buffalo（布法罗大学）；IBM Research（IBM研究院）

本文提出结合强化学习与全同态加密（FHE）的端到端安全框架，通过对加密图像执行推理并适配神经网络与OpenAI Gym库，在几乎不损失性能的前提下有效防御窃听、中间人等对抗性攻击，保障自主无人机导航的隐私与安全。

2024-04-26cs.AIcs.CRcs.RO

LRD-MPC: 通过低秩分解实现高效的MPC推断

LRD-MPC: Efficient MPC Inference through Low-rank Decomposition

University of Southern California（南加州大学）

LRD-MPC通过低秩分解和优化技术，显著提升MPC在深度学习中的推断效率，减少通信开销和计算资源消耗。

2026-02-16cs.CRcs.LG

PUF表型：一种使用机器学习的基于DRAM-PUF的鲁棒且抗噪声的方法来辅助基于组内的认证

PUF-Phenotype: A Robust and Noise-Resilient Approach to Aid Intra-Group-based Authentication with DRAM-PUFs Using Machine Learning

随着现代世界对高度安全和可靠的轻量级系统的需求增加，物理不可克隆功能（PUF）继续承诺作为高成本加密技术和安全密钥存储的轻量级替代方案。虽然PUF所承诺的安全特性对于安全系统设计者来说非常有吸引力，但它们已被证明容易受到各种复杂攻击-最值得注意的是基于机器学习（ML）的建模攻击（ML-MA），其试图数字克隆PUF行为，从而破坏其安全性。最近的ML-MA甚至利用了PUF纠错所需的公知辅助数据，以便在不需要知道响应数据的情况下预测PUF响应。响应于此，开始出现关于在ML的辅助下对PUF设备进行认证的研究，而不是存储和比较预先已知的应答-响应对（CRP）的传统PUF技术。在这篇文章中，我们提出了一个分类系统，使用ML基于一个新的“PUF表型”的概念，以准确地识别起源和确定的有效性，嘈杂的内存派生（DRAM）PUF响应作为一种替代辅助数据依赖去噪技术。据我们所知，我们是第一个对每个模型的多个设备进行分类的公司，以实现基于组的PUF认证方案。我们实现了高达98\%的分类精度使用修改后的深度卷积神经网络（CNN）的特征提取结合几个完善的分类器。我们还在Raspberry Pi设备上通过实验验证了我们的模型的性能，以确定在资源受限的环境中部署我们提出的模型的适用性。

2022-07-11cs.CRcs.CV

考虑不完整拓扑信息的电力系统虚假数据注入攻击定位：一种时空图小波卷积神经网络方法

Localization of Dummy Data Injection Attacks in Power Systems Considering Incomplete Topological Information: A Spatio-Temporal Graph Wavelet Convolutional Neural Network Approach

Northeast Electric Power University（东北电力大学）；Jilin Electric Power Research Institute of State Grid（国家电网吉林电力科学研究院）；Northeast Electric Power Design and Institute Co., Ltd. of China Power Engineering Consulting Group（中国电力工程顾问集团东北电力设计院有限公司）；The Hong Kong University of Science and Technology（香港科技大学）

针对新型虚假数据注入攻击难以定位的问题，提出一种考虑不完整拓扑信息的时空图小波卷积神经网络方法，通过注意力机制和联合特征提取实现精准攻击定位。

2024-01-27cs.CRcs.LGcs.SY

Morse-STF：改进的隐私保护机器学习协议

Morse-STF: Improved Protocols for Privacy-Preserving Machine Learning

安全多方计算使相互不信任的多方能够在不泄露数据本身的情况下对数据执行计算，并且已经成为隐私保护机器学习背后的核心技术之一。在这项工作中，我们提出了几个改进的隐私保护协议的线性和非线性层在机器学习。对于线性层，我们提出了一个扩展的海狸三重协议的双线性映射，显着减少卷积层的通信。对于非线性层，我们引入了计算sigmoid和softmax函数的新协议。这两个函数都是分类任务的机器学习训练的基本构建块。我们的协议比以前的构造更具可扩展性和鲁棒性，并将运行时性能提高了3- 17倍。最后，我们介绍Morse-STF，一个端到端的隐私保护系统，用于机器学习训练，利用所有这些改进的协议。与现有的最先进的系统相比，我们的系统在逻辑回归上实现了1.8倍的加速，在卷积神经网络上实现了3.9- 4.9倍的加速。

2022-05-19cs.CRcs.LGmath.NT

PRISM：基于同态加密与模块化激活的隐私保护推理系统

PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation

针对机器学习模型部署中数据隐私与非线性激活函数不兼容同态加密的问题，提出PRISM框架，用同态兼容近似函数替代非线性激活并重构CNN架构，在CIFAR-10上实现94.4%准确率，平衡了隐私保护与计算效率。

2025-11-11cs.AIcs.CRcs.LG

基于深度学习和人工噪声的高效UAV物理层安全

Efficient UAV Physical Layer Security based on Deep Learning and Artificial Noise

联网无人机通信是实现高速图像传输的常用解决方案。这些无线网络的广播性质使得这种通信容易被窃听。研究了在存在被动窃听者的情况下，两个节点之间的压缩秘密图像传输问题。在本文中，我们使用自动编码器/解码器卷积神经网络，通过使用深度学习算法，使我们能够压缩/解码图像。此外，我们使用网络物理层的功能，以产生高速率的人工噪声，以确保数据。利用信道的特性，通过施加人工噪声，降低非授权用户的信道容量，防止窃听者检测到接收到的数据。我们的仿真实验表明，对于接收数据的SNR小于5的授权节点，MSE小于0.05。

2020-04-03cs.CRcs.ITeess.SP

FOBNN：基于二值化神经网络的快速不经意推理

FOBNN: Fast Oblivious Inference via Binarized Neural Networks

提出基于二值化神经网络的快速不经意推理框架FOBNN，通过位长限制和逐层位累加算法优化不经意位计数瓶颈，在不泄露数据的前提下显著提升线性操作效率，并在基准测试和生物信息学中验证其优越性。

2025-08-10cs.CR

CryptGPU：在GPU上进行快速隐私保护机器学习

CryptGPU: Fast Privacy-Preserving Machine Learning on the GPU

University of Virginia（弗吉尼亚大学）；Facebook AI Research（Facebook AI研究院）

我们介绍CryptGPU，这是一个用于隐私保护的机器学习系统，它在GPU（图形处理单元）上实现所有操作。正如GPU在现代深度学习的成功中发挥了关键作用一样，它们对于实现可扩展的隐私保护深度学习也至关重要。在这项工作中，我们首先引入了一个新的接口，以将秘密共享值（在离散域中）上的加密操作有损嵌入到浮点运算中，这些运算可以由高度优化的CUDA线性代数内核处理。然后，我们确定了一系列的“GPU友好”的加密协议，使隐私保护评估的线性和非线性运算的GPU。我们的微基准测试表明，我们基于GPU的私有卷积协议比类似的基于CPU的协议快150倍以上;对于ReLU激活函数等非线性操作，我们基于GPU的协议比其CPU模拟快10倍左右。借助CryptGPU，我们支持在具有超过6000万个参数的卷积神经网络上进行私有推理和私有训练，并处理ImageNet等大型数据集。与以前的最先进技术相比，当考虑大型模型和数据集时，我们的协议在私有推理方面实现了2倍至8倍的改进，在私有训练方面实现了6倍至36倍的改进。我们的工作不仅展示了完全在GPU上执行安全多方计算（MPC）以实现快速隐私保护机器学习的可行性，而且还强调了设计可以充分利用GPU计算能力的新MPC原语的重要性。

2021-04-22cs.CRcs.LG

加密的大型模型推理：等变加密范式

Encrypted Large Model Inference: The Equivariant Encryption Paradigm

Nesa Research（Nesa研究院）

针对大型模型推理中的隐私与效率问题，提出等变加密（EE）范式，通过选择性混淆神经网络内部表示实现安全盲推理，在保证数据机密性的同时实现近零性能开销。

2025-02-03cs.AIcs.CR

AutoPoly-HE：面向隐私保护加密推理的多项式激活函数自主设计

AutoPoly-HE: Autonomous Design of Polynomial Activations for Privacy-Preserving Encrypted Inference

Tennessee State University（田纳西州立大学）；Howard University（霍华德大学）；University of Maryland Baltimore County (UMBC)（马里兰大学巴尔的摩县分校）

本研究提出自主框架AutoPoly-HE，可针对数据集与模型定制多项式激活函数，经实验验证其能跨ResNet、ViT等架构泛化，还通过优化推理流水线降低加密推理延迟。

2026-10-14cs.CR

EQO：基于Winograd的协议与量化协同优化探索超高效私有推理

EQO: Exploring Ultra-Efficient Private Inference with Winograd-Based Protocol and Quantization Co-Optimization

针对基于2PC的私有CNN推理通信与延迟开销高的问题，提出EQO框架，通过协议级推理图优化、网络级混合精度量化与位重加权算法，实现通信量大幅降低且精度提升。

2024-04-15cs.CR

迈向量子-ready区块链欺诈检测的集成图神经网络

Towards Quantum-Ready Blockchain Fraud Detection via Ensemble Graph Neural Networks

Department of Software Engineering(ÉTS), Université du Québec（软件工程系（ÉTS）、魁北克大学）；Department of Computer Science, SZABIST University（计算机科学系、SZABIST大学）

本文提出了一种集成图神经网络的框架，用于提升区块链欺诈检测的准确性与鲁棒性，并引入量子-ready设计以适应未来量子计算的发展。

2025-09-27cs.AIcs.CRcs.DC

Volley Revolver：一种新型矩阵编码方法用于隐私保护深度学习（推理++）

Volley Revolver: A Novel Matrix-Encoding Method for Privacy-Preserving Deep Learning (Inference++)

Volley Revolver提出了一种改进的矩阵编码方法，通过跨多个密文划分高分辨率输入，解决了同态加密在处理高分辨率图像时的槽位容量限制问题，从而实现了更高效的隐私保护深度学习推理。

2025-12-21cs.CR

边缘云计算中基于生成对抗网络的联邦学习COVID-19检测

Federated Learning for COVID-19 Detection with Generative Adversarial Networks in Edge Cloud Computing

COVID-19在全球迅速蔓延，成为致命的大流行病。最近，许多基于人工智能的方法已用于COVID-19检测，但它们通常需要与云计算中心共享公共数据，因此仍然存在隐私问题。本文提出了一种新的联邦学习方案，称为FedGAN，用于生成逼真的COVID-19图像，以促进边缘云计算中使用生成对抗网络（GANs）进行隐私增强的COVID-19检测。特别地，我们首先提出了一种GAN，其中在每个基于边缘的医疗机构处交替地训练基于卷积神经网络（CNN）的卷积器和生成器，以模拟真实的COVID-19数据分布。然后，我们提出了一种新的联邦学习解决方案，允许本地GANs与云服务器协作并交换学习的参数，旨在丰富全局GAN模型，以生成逼真的COVID-19图像，而无需共享实际数据。为加强COVID-19联合数据分析的隐私保护，我们在每个医院机构整合了差异化隐私解决方案。此外，我们提出了一个新的基于区块链的FedGAN框架，用于安全的COVID-19数据分析，通过使用新的挖掘解决方案分散FL过程，以降低运行延迟。仿真结果证明了我们的方法在COVID-19检测方面优于最先进的方案。

2021-10-14cs.CReess.SP