Towards a Functionally Complete and Parameterizable TFHE Processor
本文提出了一种基于FPGA的TFHE处理器，通过改进的可编程启动模块提升吞吐量，实现高效、紧凑且可扩展的同态加密解决方案。
2025-12-26 cs.CR
MOBIUS: Model-Oblivious Binarized Neural Networks
Osaka University（大阪大学）；Panasonic Corporation（松下公司）；National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究所）
一种隐私保护框架，其中计算资源提供者从客户端接收加密数据并返回预测结果而不解密数据，即，不经意神经网络或加密预测已经在提供预测服务的机器学习中被研究。在这项工作中，我们提出了MOBIUS（模型不经意二进制神经网络），一个新的系统，结合了二进制神经网络（BNN）和基于秘密共享的安全计算作为可扩展和快速隐私保护机器学习的工具。BNN通过将训练中的值二进制化为$-1$和$+1$来提高计算性能，而基于秘密共享的安全计算通过具有短比特长度的模运算在加密形式下提供快速和各种计算。然而，组合这些工具并不简单，因为它们的运算具有不同的代数结构，并且BNN的使用通常会降低预测精度。MOBIUS使用改进的BNN程序和安全计算，具有兼容的代数结构，而不会降低预测精度。我们使用ABY库（NDSS 2015）在C++中创建了MOBIUS的实现。然后，我们使用MNIST数据集进行了实验，结果显示MOBIUS可以在0.76秒内返回预测，比SecureML快6倍（IEEE S\& P 2017）。MOBIUS允许客户端请求加密预测，并允许训练者将加密模型不经意地发布到由计算资源提供商提供的云，即，而不向提供者揭示原始模型本身。
2018-11-29 cs.AI cs.CR
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。
2022-06-22 cs.AI cs.CR
Privacy-Preserving Tree-Based Inference with TFHE
Zama（扎马）
本文研究如何利用全同态加密（TFHE）对决策树、随机森林和梯度提升树等树模型进行隐私保护推理，并在Concrete-ML库中实现，实验表明其加密版本在准确性上接近未加密版本。
2023-08-07 cs.AI cs.CR cs.LG
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。
2026-03-25 cs.CR cs.LG
Homomorphically Encrypted Computation using Stochastic Encodings
同态加密（HE）是一种隐私保护技术，它可以直接在密文上进行计算。不幸的是，HE的一个关键挑战是，实现可能是不切实际的缓慢，并有限制的计算，可以有效地实现。例如，在像TFHE这样的HE的布尔结构中，算术运算需要被分解成组成的基本逻辑门来实现，因此性能取决于逻辑电路深度。对于甚至重度量化的定点运算操作，这些HE电路实施方案可为缓慢的。本文探讨了使用随机计算（SC）编码的优点，以减少HE计算所需的逻辑深度，使更有效的实现。与其中许多有效的硬件实现可用的明文空间中的计算相反，HE仅提供对有限数量的原语运算符的支持，并且它们的性能可能不直接与它们的明文性能相关。我们的研究结果表明，通过在TFHE之上分层SC编码，我们观察到SC在明文空间中面临的类似挑战和限制。更多的突破将需要更多的支持，从HE图书馆，使SC与HE一个可行的解决方案。
2022-03-04 cs.CR
FBAN: A Fully Homomorphic Encryption Compatible Bottleneck Attention Network for Privacy-Preserving Behavioral Authentication
The University of Osaka（大阪大学）；Central China Normal University（华中师范大学）
针对持续认证中行为特征外包计算导致的隐私泄露问题，提出TFHE兼容的瓶颈注意力网络FBAN，通过整数化两阶段训练和加密推理协议，在保护原始特征的同时实现轻量级高精度认证。
2026-10-07 cs.CR
TFE-GNN: A Temporal Fusion Encoder Using Graph Neural Networks for Fine-grained Encrypted Traffic Classification
Tsinghua University（清华大学）；The Hong Kong Polytechnic University（香港理工大学）；Peng Cheng Laboratory（鹏城实验室）；University of Molise（莫利塞大学）；IIT-CNR（意大利国家研究委员会信息与电信研究所）；Chinese Academy of Sciences（中国科学院）
针对现有加密流量分类无法处理短流及忽略字节相关性的问题，提出基于PMI的字节级流量图构建方法与TFE-GNN模型，通过双嵌入层和跨门控融合机制结合头部与负载特征，在真实数据集上优于多种最先进方法。
2023-07-31 cs.AI cs.LG
PrivSpike: Employing Homomorphic Encryption for Private Inference of Deep Spiking Neural Networks
STAM Center, Ira A. Fulton Schools of Engineering, Arizona State University（STAM中心、伊拉·A·福鲁顿工程学院、亚利桑那州立大学）；Faculty of Technical Sciences, University of Novi Sad（技术科学学院、诺维萨德大学）
针对脉冲神经网络的数据隐私问题，提出基于CKKS同态加密的PRIVSPIKE隐私推理框架，通过两种激活函数评估算法实现高精度加密推理，在多个数据集和模型上验证了其有效性与效率优势。
2025-10-05 cs.AI cs.CR
DESIGN: Encrypted GNN Inference via Server-Side Input Graph Pruning
University of Notre Dame（诺丁汉大学）；Florida State University（佛罗里达州立大学）；University of Central Florida（中央佛罗里达大学）
本文提出DESIGN框架，通过服务器端分层优化策略对加密输入图进行剪枝并采用自适应多项式激活方案，在保持模型准确率的同时显著加速了全同态加密下的GNN推理。
2025-07-14 cs.AI cs.CR cs.LG
A General Purpose Transpiler for Fully Homomorphic Encryption
全同态加密（FHE）是一种加密方案，其使得能够在不泄露底层数据的情况下对加密数据进行计算。虽然FHE领域已经取得了许多进展，但使用FHE开发程序仍然需要密码学方面的专业知识。在本白皮书中，我们提出了一个完全的同态加密转译器，允许开发人员转换高级代码（例如，C++）转换为对加密数据进行操作的高级代码。因此，我们的转译器使加密数据的转换成为可能。我们的转译器构建在Google的开源XLS SDK（https：//github.com/google/xls）上，并使用现成的FHE库TFHE（https：//tfhe.github.io/tfhe/）来执行低级FHE操作。转译器的设计是模块化的，这意味着底层的FHE库以及高级输入和输出语言可以变化。这种模块化将有助于加快FHE研究，提供一种简单的方法来比较任意程序在不同的FHE计划并排。我们希望这为软件开发人员最终轻松采用FHE奠定了基础。作为一个概念验证，我们将发布一个实验性的转译器（https：//github.com/google/fully-homomorphic-transition/tree/main/transiler）作为开源软件。
2021-06-15 cs.CR cs.PL
Strix: An End-to-End Streaming Architecture with Two-Level Ciphertext Batching for Fully Homomorphic Encryption with Programmable Bootstrapping
本文提出硬件TFHE加速器Strix，通过两级密文批处理和全流水线FFT微架构解决盲旋转碎片化导致的GPU瓶颈，吞吐量比现有TFHE加速器提升7.4倍。
2023-05-19 cs.AR cs.CR
HEMET: A Homomorphic-Encryption-Friendly Privacy-Preserving Mobile Neural Network Architecture
Indiana University Bloomington（印第安纳大学伯明顿分校）
最近，同态加密（HE）被用于实现隐私保护神经网络（PPNN），该网络直接对加密数据执行推理而无需解密。以前的PPNN采用移动网络架构，如SqueezeNet，以减少计算开销，但我们发现，天真地将移动网络架构用于PPNN并不一定能实现更短的推理延迟。尽管具有较少的参数，但移动网络架构通常引入更多的层并增加PPNN的HE乘法深度，从而延长其推理延迟。在本文中，我们提出了一个\textbf{HE} -友好的隐私保护\textbf{M}神经n \textbf{ET}工作架构，\textbf{HEMET}。实验结果表明，与SOTA PPNN相比，HEMET的推理延迟降低了$59.3\%\sim 61.2\%$，推理精度提高了$0.4 \% \sim 0.5\%$ .
2021-05-31 cs.AI cs.CR
Deep Learning for Encrypted Traffic Classification and Unknown Data Detection
尽管广泛使用加密技术来提供互联网通信的机密性，但移动终端用户仍然容易受到隐私和安全风险的影响。在本文中，提出了一种新的基于深度神经网络（DNN）的用户活动检测框架，用于从嗅探的加密互联网流量流中识别在移动应用程序上执行的细粒度用户活动（称为应用内活动）。其中一个挑战是有无数的应用程序，实际上不可能使用它们的所有可能数据收集和训练DNN模型。因此，在这项工作中，我们利用DNN输出层的概率分布来过滤来自模型训练期间未考虑的应用程序的数据（即，未知数据）。所提出的框架使用基于时间窗口的方法来将活动的流量划分为多个部分，以便仅通过观察与活动相关的流量的一小部分来识别应用内活动。我们的测试表明，基于DNN的框架在识别先前训练的应用内活动方面的准确率为90%或更高，在使用该框架时，将先前未训练的应用内活动流量识别为未知数据的平均准确率为79%。
2022-03-25 cs.AI cs.CR cs.LG
IEEE Big Data Cup 2022: Privacy Preserving Matching of Encrypted Images with Deep Learning
部署在智慧城市中的智能传感器、设备和系统为公民带来了更好的人身保护。通过这些技术进行运动检测、威胁和行为者分析以及实时警报，加强了犯罪预防、消防和生命安全保护。然而，在这些日益普遍的部署中，一个重要的要求是保护隐私和强制保护个人身份信息。因此，应将强加密和匿名化技术应用于收集的数据。在IEEE Big Data Cup 2022挑战赛中，不同的掩码、编码和同态加密技术被应用于图像，以保护其内容的隐私。参与者需要开发检测解决方案，以执行这些图像的隐私保护匹配。在本文中，我们描述了我们的解决方案，该解决方案基于最先进的深度卷积神经网络和各种数据增强技术。我们的解决方案在IEEE大数据杯2022：加密图像隐私保护匹配挑战赛中获得第一名。
2022-11-18 cs.AI cs.CR cs.CV
CGNN: Traffic Classification with Graph Neural Network
Harbin Institute of Technology（哈尔滨工业大学）；National University of Defense Technology（国防科技大学）
流量分类将数据包流与已知的应用标签相关联，这对于网络安全和网络管理至关重要。随着NAT、端口动态和加密流量的兴起，获取统一的流量特征以进行准确分类越来越具有挑战性。许多最先进的流量分类器基于深度学习模型（例如卷积网络）自动从数据包流中提取特征。不幸的是，在这些深度学习模型中没有很好地提取数据包之间的组成和因果关系，这影响了不同流量类型的预测精度和泛化。在本文中，我们提出了一个链式图模型的数据包流，以保持链式组成序列。接下来，我们提出了CGNN，一个基于图神经网络的流量分类方法，它建立了一个图分类器自动提取的特征链图。对正常、加密和恶意流量数据集的广泛评估表明，CGNN对应用分类的预测准确率提高了23%~ 29%，对恶意流量分类的预测准确率提高了2%~ 37%，对加密流量分类的预测准确率达到了相同的水平。CGNN在查全率和查准率指标方面非常强大。我们已经广泛地评估了CGNN的参数敏感性，这产生了优化的参数，是非常有效的流量分类。
2021-10-19 cs.AI cs.LG
PRISM: Sensitivity-Aware PolynoMial PRuning for EffIcient Neural Network Encryption
Humboldt University of Berlin（柏林洪堡大学）；Tallinn University of Technology（塔林理工大学）
研究在同态加密下神经网络结构化剪枝对模型可靠性的影响，提出多项式灵敏度感知剪枝方法PSAP，通过共同评分滤波器集中剪枝于容错区，实验表明其在提升模型可靠性同时兼具效率优势。
2026-07-22 cs.AI cs.AR cs.CR
A Scalable Architecture for Efficient Multi-bit Fully Homomorphic Encryption
针对多位TFHE受限于数值表示宽度的问题，提出硬件加速器Taurus，利用新型FFT单元和密钥重用策略支持高达10位密文，配合操作去重编译器，实现比CPU快2600倍、比GPU快1200倍的提升，并首次支持GPT-2等大模型的隐私保护推理。
2025-09-16 cs.AR cs.CR
ComputeFHE: A Privacy-Preserving General-Purpose Computation Library
Department of Computer Engineering, Çankaya University, Ankara, Turkey（计算机工程系，恰纳卡大学，安卡拉，土耳其）；Computer Programming Program, Çankaya University, Ankara, Turkey（计算机编程项目，恰纳卡大学，安卡拉，土耳其）
提出基于TFHE的开源C++库ComputeFHE，通过加密整数和定点数类型及优化ALU架构，降低引导操作次数，性能提升达3.9倍。
2026-06-24 cs.CL cs.CR
NSHEDB: Noise-Sensitive Homomorphic Encrypted Database Query Engine
UC Riverside（加州大学河滨分校）；Meta
NSHEDB通过字级分层同态加密和噪声感知查询计划器，实现了高效安全的同态加密数据库查询，显著提升性能并减少存储需求。
2026-02-27 cs.CR cs.DB
Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors
Technical University of Cluj-Napoca（克卢日-纳波卡理工大学）
本文提出一种在同态加密数据上高效检测异常值的隐私保护异常检测方法，通过改进TFHE方案中的直方图异常检测技术，克服输入大小和计算深度限制，实现无需解密的异常检测，具有鲁棒性和高效性。
2024-03-14 cs.CR
Evaluating Resilience of Encrypted Traffic Classification Against Adversarial Evasion Attacks
Carleton University（卡尔顿大学）
机器学习和深度学习算法可用于对加密的互联网流量进行分类。在存在针对学习算法的对抗攻击的情况下，加密流量的分类可能变得更具挑战性。在本文中，我们将重点研究不同规避攻击的有效性，并了解机器和深度学习算法的弹性。即，我们测试了C4.5决策树，K-最近邻（KNN），人工神经网络（ANN），卷积神经网络（CNN）和递归神经网络（RNN）。在我们的大多数实验结果中，与机器学习相比，深度学习对对抗性样本表现出更好的弹性。然而，攻击的影响因攻击类型而异。
2021-05-30 cs.AI cs.CR
PrivateSNN: Privacy-Preserving Spiking Neural Networks
Yale University（耶鲁大学）
我们如何才能将隐私和能源效率带到神经系统中？在本文中，我们提出了PrivateSNN，它的目的是建立低功耗的脉冲神经网络（SNN）从一个预先训练的人工神经网络模型，而不泄漏数据集中包含的敏感信息。在这里，我们解决了两种类型的泄漏问题：1）数据泄漏时造成的网络访问真实的训练数据在ANN-SNN转换过程中。2)当可以从网络参数重建与类相关的特征时，就会导致类泄漏。为了解决数据泄漏问题，我们从预训练的ANN生成合成图像，并使用生成的图像将ANN转换为SNN。然而，转换后的SNN仍然容易受到类泄漏的影响，因为权重参数相对于ANN参数具有相同（或缩放）的值。因此，我们通过使用基于时间尖峰的学习规则训练SNN来加密SNN权重。用时间数据更新权重参数使得SNN难以在空间域中解释。我们观察到，加密的PrivateSNN消除了数据和类泄漏问题，与标准ANN相比，性能略有下降（小于~2），能效显著提高（约55倍）。我们在包括CIFAR 10，CIFAR 100和TinyImageNet在内的各种数据集上进行了广泛的实验，突出了隐私保护SNN训练的重要性。
2022-05-21 cs.AI cs.CV
Privacy-Preserving Biometric Matching Using Homomorphic Encryption
生物特征匹配涉及存储和处理敏感的用户信息。因此，维护这些数据的隐私是一个重大挑战，而同态加密提供了一个可能的解决方案。我们提出了一个隐私保护的基于生物特征的认证协议的基础上完全同态加密，其中的生物特征样本的用户是由一个本地设备收集，但对一个生物特征模板匹配由一个远程服务器单独操作的加密数据。该设计确保1）用户的敏感生物特征数据保持私密，以及2）用户和客户端设备安全地向服务器进行身份验证。还提出了一个概念验证的实现建立在TFHE库，其中包括执行生物特征匹配所需的基本操作。实施的性能结果表明，在这种情况下，使FHE实用是多么复杂，但似乎，通过实施优化和改进，该协议可以用于现实世界的应用。
2021-11-24 cs.CR
BGA: A noise-immune neural distillation framework for malicious signature extraction in high-entropy encrypted flows
School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间科学与技术学院）；Beijing Electronic Science and Technology Institute（北京电子科技学院）；School of Information and Communication Engineering, Beijing University of Posts and Telecommunications（北京邮电大学信息与通信工程学院）
针对高熵加密流恶意签名提取的注意力稀释与类别不平衡问题，本文提出抗噪神经蒸馏框架BGA，结合ANOVA、WGAN-GP、BiLSTM与自适应门控多头注意力，在基准测试中性能优异且延迟低，具备工业边缘实时应用潜力。
2026-08-17 cs.AI cs.CR
AutoML4ETC: Automated Neural Architecture Search for Real-World Encrypted Traffic Classification
University of Waterloo（滑铁卢大学）；Orange Labs（Orange实验室）
针对深度学习加密流量分类器在生产环境中性能衰减且手动调整架构耗时的问题，提出AutoML4ETC工具自动设计高效神经架构，在真实和基准数据集上准确率优于现有方法且参数量更轻。
2023-10-13 cs.AI cs.CR cs.LG
SecureRouter: Encrypted Routing for Efficient Secure Inference
University of Central Florida（佛罗里达大学）
SecureRouter通过加密路由和推断框架，实现高效的加密变压器推断，减少延迟并保持数据和模型保密。
2026-04-16 cs.AI cs.CR
Neural Encrypted State Transduction for Ransomware Classification: A Novel Approach Using Cryptographic Flow Residuals
提出神经加密状态直推（NEST）方法，通过分析密码学流残差和动态映射加密状态转换来分类勒索软件，无需解密执行轨迹，在多家族检测中准确率更高且鲁棒性强。
2025-08-08 cs.CR
NN-EMD: Efficiently Training Neural Networks using Encrypted Multi-Sourced Datasets
IBM Research（IBM研究院）；University of Pittsburgh（匹兹堡大学）；Beijing Jiaotong University（北京交通大学）
在加密数据集上训练机器学习模型是解决隐私保护机器学习任务的现有有前途的方法，然而，由于两个原因，在加密数据上有效地训练深度神经网络（DNN）模型极具挑战性：首先，它需要在巨大数据集上进行大规模计算;第二，现有的用于对加密数据进行计算的解决方案（例如，同态加密）是低效的。此外，为了增强DNN模型的性能，我们还需要使用由来自多个数据源的数据组成的庞大训练数据集，这些数据源之间可能没有预先建立的信任关系。我们提出了一个新的框架，NN-EMD，训练DNN从多个来源收集的多个加密数据集。为此，我们提出了一套安全的计算协议，使用混合函数加密方案。我们评估了我们的框架在MNIST数据集上的训练时间和模型准确性方面的性能。与其他现有框架相比，我们提出的NN-EMD框架可以显着减少训练时间，同时提供可比的模型准确性和隐私保证，并支持多个数据源。此外，神经网络的深度和复杂性不影响训练时间，尽管引入了隐私保护NN-EMD设置。
2021-04-18 cs.CR cs.LG
Privacy-Preserving Deep Neural Networks with Pixel-based Image Encryption Considering Data Augmentation in the Encrypted Domain
我们为深度神经网络（DNN）提出了一种新的隐私保护方案，使我们不仅能够将没有视觉信息的图像应用于DNN进行训练和测试，而且还首次考虑了加密域中的数据增强。在本文中，一种新的基于像素的图像加密方法首次提出了隐私保护DNN。此外，一种新的自适应网络被认为是减少图像加密的影响。在实验中，所提出的方法被应用到一个众所周知的网络，ResNet-18，图像分类。实验结果表明，传统的隐私保护机器学习方法，包括国家的最先进的不能应用于数据增强在加密域中，所提出的方法优于他们的分类精度。
2019-05-06 cs.CR eess.IV
SEALion: a Framework for Neural Network Inference on Encrypted Data
University of Amsterdam（阿姆斯特丹大学）；Deeptrace；CSIRO Data61（联邦科学与工业研究组织Data61）
我们提出了SEALion：一个可扩展的框架，隐私保护机器学习与同态加密。它允许人们学习深度神经网络，可以无缝地用于加密数据的预测。该框架由两层组成：第一层基于TensorFlow和SEAL构建，并公开了标准代数和深度学习原语;第二层实现了类似Keras的语法，用于使用神经网络进行训练和推理。给定所需的安全级别，用户可以从编码和加密方案的细节中抽象出来，从而允许快速原型化。我们提出了两个应用程序，举例说明了我们的建议，这也是独立的利益的可扩展性：i）提高效率的神经网络推理的活动稀疏和ii）通过查询服务器端的变分自编码器，可以处理加密数据的迁移学习。
2019-04-29 cs.CR cs.LG stat.ML
Towards Deep Encrypted Training: Low-Latency, Memory-Efficient, and High-Throughput Inference for Privacy-Preserving Neural Networks
STAM Center, Ira A. Fulton Schools of Engineering（STAM中心，伊拉·A·福克森工程学院）；Arizona State University（亚利桑那州立大学）
本文提出优化算法和流水线架构，提升加密神经网络的批量处理效率，实现低延迟、内存高效和高吞吐量的隐私保护推理。
2026-04-18 cs.CR cs.LG
Interpretable Encrypted Searchable Neural Networks
Nanjing University of Science and Technology（南京理工大学）
在云安全中，传统的可搜索加密（SE）需要很高的计算和通信开销来进行动态搜索和更新。而机器学习（ML）与SE的巧妙结合，可能是解决这一问题的新途径。本文提出了可解释的加密可搜索神经网络（IENN），以探索加密云环境中的概率查询，平衡索引树的构建和自动权重更新。IESNN采用概率学习方法获得可搜索索引的搜索排序，并基于密文索引进行概率查询，显著降低了查询的计算复杂性。与传统的搜索引擎相比，该算法在不增加通信开销的情况下，通过对抗性学习和自动权值更新来响应用户对最新数据集的及时查询。所提出的IESNN比以前的作品表现更好，使查询复杂度接近$O(\log N)$，并引入低开销的计算和通信。
2019-08-14 cs.CR cs.LG
Audit and Improve Robustness of Private Neural Networks on Encrypted Data
University of Central Florida（中佛罗里达大学）；Kent State University（肯特州立大学）；Texas Tech University（得克萨斯理工大学）；University of Houston（休斯顿大学）；Drexel University（德雷塞尔大学）
在不解密的情况下对加密数据执行神经网络推理是使隐私保护神经网络（PNet）成为服务的一种流行方法。与部署用于机器学习即服务的常规神经网络相比，PNet需要额外的编码，例如，量化精度数字和多项式激活。加密输入也带来了新的挑战，如对抗性鲁棒性和安全性。据我们所知，我们是第一个研究问题的人，包括（i）PNet是否比常规神经网络对对抗性输入更鲁棒？(ii)如何在不解密的情况下设计一个鲁棒的PNet？我们提出了PNet-Attack来生成黑盒对抗示例，这些示例可以成功地以目标和非目标方式攻击PNet。攻击结果表明，PNet对对抗性输入的鲁棒性需要提高。这不是一个简单的任务，因为PNet模型所有者无法访问输入值的明文，这阻止了现有检测和防御方法的应用，如输入调优，模型规范化和对抗训练。为了解决这个问题，我们提出了一种新的快速和准确的噪声插入方法，称为RPNet，设计鲁棒和私有神经网络。我们的综合实验表明，PNet-Attack减少至少$2.5\times$查询比以前的作品。我们从理论上分析了我们的RPNet方法，并证明了RPNet可以降低$\sim 91.88\%$攻击的成功率。
2022-09-20 cs.CR cs.LG
Secure Human Action Recognition by Encrypted Neural Network Inference
先进的计算机视觉技术可以提供近乎实时的家庭监测，通过检测跌倒以及与癫痫发作和中风相关的症状，支持“就地养老”。经济实惠的网络摄像头，加上云计算服务（运行机器学习算法），可能会带来巨大的社会效益。然而，由于隐私问题，它尚未在实践中部署。在本文中，我们提出了一种策略，使用同态加密来解决这个困境，它保证信息的机密性，同时保留动作检测。我们的安全推理协议可以区分跌倒与日常生活活动，灵敏度为86.21%，特异性为99.14%，使用小型和大型神经网络的真实测试数据集的平均推理延迟分别为1.2秒和2.4秒。我们表明，与延迟优化的LoLa相比，我们的方法实现了613倍的加速，并且与吞吐量优化的nGraph-HE 2相比，安全推理的吞吐量平均增加了3.1倍。
2022-08-09 cs.CR
Can Encrypted Images Still Train Neural Networks? Investigating Image Information and Random Vortex Transformation
本文提出图像信息含量测量框架，设计像素邻域信息计算函数并证明像素交换降低信息含量，基于此提出保留邻域信息的随机涡旋变换加密算法，实验显示加密图像训练准确率仅降0.3%-6.5%且信息损失率与准确率损失率正相关。
2024-11-28 cs.CR
Privacy-Preserving Credit Card Fraud Detection using Homomorphic Encryption
School of Computer Science and Statistics（计算机科学与统计学院）
信用卡欺诈是金融机构及其客户持续面临的问题，欺诈检测系统可以缓解这一问题。然而，这些系统需要使用敏感的客户交易数据，这既给客户带来了隐私的缺乏，也给卡提供商带来了数据泄露的漏洞。提出了一种基于同态加密的加密交易隐私欺诈检测系统。两个模型，XGBoost和一个前馈分类器神经网络，被训练成明文数据上的欺诈检测器。然后将它们转换为使用同态加密进行私有推理的模型。讨论了延迟、存储和检测结果，以及部署的用例和可行性。XGBoost模型具有更好的性能，加密推理低至6 ms，而神经网络为296 ms。然而，神经网络实现仍然可以是优选的，因为它更容易安全地部署。还提供了系统的代码库，用于仿真和进一步开发。
2022-11-12 cs.AI cs.CR
CryptoNN: Training Neural Networks over Encrypted Data
University of Pittsburgh（匹兹堡大学）
新兴的基于神经网络的机器学习技术（诸如深度学习及其变体）已经在许多应用领域中显示出巨大的潜力。然而，当从用户收集的数据用于训练神经网络模型以支持预测任务时，由于高度隐私敏感数据的泄漏风险，它们引起了严重的隐私问题。为了解决这种严重的隐私问题，在文献中已经提出了几种隐私保护方法，这些方法使用安全多方计算（SMC）或同态加密（HE）作为底层机制。然而，这些加密方法都没有提供有效的解决方案来构建隐私保护机器学习模型，以及支持训练和推理阶段。为了解决上述问题，我们提出了一个CryptoNN框架，该框架通过使用新兴的函数加密方案而不是SMC或HE来支持在加密数据上训练神经网络模型。我们还构造了一个函数加密方案的基本算术计算，以支持建议的CryptoNN框架的要求。我们提出了性能评估和安全性分析的基础加密方案，并通过我们的实验表明，CryptoNN达到的准确性是类似的基准神经网络模型的MNIST数据集。
2019-04-26 cs.CR cs.LG
CryptoDL: Deep Neural Networks over Encrypted Data
University of North Texas（北德克萨斯大学）；University of Saskatchewan（萨斯喀彻温大学）
基于深度神经网络的机器学习算法已经取得了显著的成果，并在不同的领域得到了广泛的应用。然而，机器学习算法需要访问原始数据，这通常是隐私敏感的。为了解决这个问题，我们开发了新的技术来提供在加密数据上运行深度神经网络的解决方案。在本文中，我们开发了新技术，以在当前同态加密方案的实际限制内采用深度神经网络。更具体地说，我们专注于著名的卷积神经网络（CNN）的分类。首先，我们设计了用低次多项式近似CNN（即ReLU，Sigmoid和Tanh）中常用的激活函数的方法，这对于高效的同态加密方案至关重要。然后，我们训练卷积神经网络的近似多项式代替原来的激活函数，并分析模型的性能。最后，我们在加密数据上实现了卷积神经网络，并测量了模型的性能。我们的实验结果验证了我们的方法与几个不同层数和结构的卷积神经网络的合理性。当应用于MNIST光学字符识别任务时，我们的方法达到了99.52%的准确率，这明显优于最先进的解决方案，并且非常接近最好的非私有版本的准确率，99.77%。此外，它每小时可以做出接近164000个预测。我们还将我们的方法应用于CIFAR-10，与MNIST相比，CIFAR-10要复杂得多，并且使用近似多项式作为激活函数能够达到91.5%的准确度。这些结果表明，CryptoDL提供了有效，准确和可扩展的隐私保护预测。
2017-11-14 cs.CR cs.LG
On the Security of Pixel-Based Image Encryption for Privacy-Preserving Deep Neural Networks
本文旨在评估一种基于像素的图像加密方法的安全性，该方法已被提出用于将没有视觉信息的图像应用于深度神经网络（DNN），以对抗仅密文攻击（COA）。此外，我们提出了一种新的基于DNN的COA，旨在重建加密图像的视觉信息。在两种加密密钥条件下评估了该攻击的有效性：相同的加密密钥和不同的加密密钥。实验结果表明，在相同的密钥下，该攻击可以恢复加密图像的视觉信息。另外，基于像素的图像加密方法对COA具有鲁棒性。
2019-12-09 cs.CR
Privacy preserving Neural Network Inference on Encrypted Data with GPUs
Georgia State University（佐治亚州立大学）；Charles River Analytics Inc.（查尔斯河分析公司）
近年来，机器学习即服务（MLaaS）已经成为一种增长趋势，并且目前提供了几种这样的服务。MLaaS本质上是一组服务，提供机器学习工具和功能，作为云计算服务的一部分。在这些设置中，云具有部署的预训练模型和大计算能力，而客户端可以使用这些模型进行预测，而不必担心维护模型和服务。然而，MLaaS的主要问题是客户端数据的隐私。尽管在文献中已经提出了几种在加密数据上运行机器学习模型的方法，但其性能仍然远远不能满足实际使用。在本文中，我们的目标是使用全同态加密（FHE），卷积神经网络（CNN）和图形处理单元（GPU）的组合来加速对加密数据运行机器学习的性能。我们使用了一些优化技术，并有效的基于GPU的实现，以实现高性能。我们评估了一个CNN，其架构类似于AlexNet，以分类来自汽车开销上下文（COWC）数据集的同态加密样本。据我们所知，这是第一次在加密数据上评估如此复杂的网络和大型数据集。我们的方法实现了合理的分类准确率为95%的COWC数据集。在性能方面，我们的结果表明，我们可以实现几千倍的速度时，我们实现GPU加速的FHE运算加密的浮点数。
2019-11-26 cs.CR cs.CY cs.LG
High-Resolution Convolutional Neural Networks on Homomorphically Encrypted Data via Sharding Ciphertexts
The Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室）
本研究拓展同态加密下的深度卷积神经网络评估方法，通过密文分片、优化行优先矩阵打包及训练正则化，实现高分辨率图像高效隐私推理，在ImageNet和CIFAR-10上分别取得80.2%和98.3%的准确率。
2024-01-29 cs.CR cs.LG
slytHErin: An Agile Framework for Encrypted Deep Neural Network Inference
本研究提出敏捷框架slytHErin，结合HE与MHE的混合设计，支持加密数据、模型或二者的隐私保护PaaS，具备灵活打包与通用优化，简化加密深度学习推理的开发与部署。
2023-05-01 cs.CR
APT Encrypted Traffic Detection Method based on Two-Parties and Multi-Session for IoT
APT流量检测是网络安全领域的一项重要任务，在企业安全领域具有重要意义。APT流量大多采用加密通信协议作为数据传输介质，大大增加了检测难度。分析了当前基于机器学习的APT加密流量检测方法存在的问题，提出了一种基于两方多会话的APT加密流量检测方法。该方法只需要提取少量的特征，如会话顺序、会话时间间隔、上下游数据大小等，并将其转换为图像。然后采用卷积神经网络方法实现图像识别。从而也可以实现网络流量的识别。在五个实验的初步测试中，该方法取得了良好的实验效果，验证了该方法的有效性。
2023-02-26 cs.CR
A Random Ensemble of Encrypted models for Enhancing Robustness against Adversarial Examples
Tokyo Metropolitan University（东京都立大学）
针对对抗样本迁移性威胁，提出一种加密ViT模型随机集成方法，实验验证其比传统方法对黑盒和白盒攻击均具有更强的鲁棒性。
2024-01-05 cs.CR cs.CV
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。
2025-05-17 cs.AI cs.CR eess.IV
Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering
Nanyang Technological University（南洋理工大学）
本研究提出利用全同态加密的隐私保护图机器学习方法，实现跨机构协作反洗钱，开发了GNN和XGBoost两条流水线，在加密推理下保持高精度，并显著提升不平衡数据的F1分数。
2024-11-11 cs.CR cs.LG
HeLayers: A Tile Tensors Framework for Large Neural Networks on Encrypted Data
IBM Research Israel（IBM以色列研究院）；Bar Ilan University（巴伊兰大学）
针对同态加密（HE）下数据打包难影响性能的问题，提出HeLayers瓦片张量框架，抽象打包决策并设计新型二维卷积算法，实现的HE友好型AlexNet比同类方案快数个数量级。
2023-01-01 cs.CR cs.LG
Enhanced Security against Adversarial Examples Using a Random Ensemble of Encrypted Vision Transformer Models
Tokyo Metropolitan University（东京都立大学）
本文提出加密视觉Transformer模型的随机集成方法，以增强对对抗样本的鲁棒性，实验证明该方法在黑盒和白盒攻击下均优于传统方法。
2023-07-26 cs.CR cs.CV
Encrypted Neural Networks without Overflows
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Polytechnic University of Turin（都灵理工学院）；The University of Manchester（曼彻斯特大学）；Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用科学大学）；University of Milano-Bicocca（米兰-布雷拉大学）
针对CKKS全同态加密方案在神经网络推理中易受溢出攻击的问题，提出一种形式化验证技术，通过计算所有神经元范围的认证界限来消除溢出，将故障率从最高47%降至0%。
2026-08-26 cs.CR cs.LG
Efficient Homomorphically Encrypted Convolutional Neural Network Without Rotation
本文提出一种无需密文旋转的服务器-客户端联合计算过程与滤波器系数打包方案，在不影响同态加密安全性的前提下，大幅降低了卷积与全连接层的运行时间及通信成本。
2025-08-14 cs.CR
Efficient Encrypted Inference on Ensembles of Decision Trees
IBM Research AI（IBM研究院AI部门）；Mohamed Bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学）；University at Buffalo, SUNY（纽约州立大学布法罗分校）；Microsoft Research（微软研究院）
数据隐私问题通常会阻止将基于云的机器学习服务用于敏感的个人数据。虽然同态加密（HE）通过实现对加密数据的计算提供了潜在的解决方案，但挑战在于获得在分级HE方案的乘法深度约束内工作的准确的机器学习模型。用于加密推断的现有方法或者对预先训练的模型进行特别简化（例如，用软比较器替换决策树中的硬比较），或者使用原始训练集直接训练新的深度约束模型。在这项工作中，我们提出了一个框架，将复杂的决策树集成提取的知识转移到浅层神经网络（简称DTNets），这是非常有利于加密推理。我们的方法通过搜索在给定深度约束内运行的最佳DTNet架构，并仅使用从训练数据分布中采样的合成数据来训练该DTNet，从而最大限度地减少了精度损失。在真实世界数据集上进行的大量实验表明，这些特征对于确保DTNet的准确性接近原始树集成的准确性至关重要。我们的系统是高度可扩展的，可以执行有效的推理批量加密（134位的安全）的数据与摊销时间毫秒。这比在集成树的内部节点处应用软比较的标准方法快大约三个数量级。
2021-03-05 cs.AI cs.CR cs.LG
Crypto-Nets: Neural Networks over Encrypted Data
Carnegie Mellon University（卡内基梅隆大学）；Microsoft（微软）；Microsoft Research（微软研究院）
我们要解决的问题是：用户如何使用第三方持有的预测模型，而不损害私人信息。例如，医院可能希望使用云服务来预测患者的再入院风险。但是，由于规定，病人的医疗档案不能透露。我们的目标是使用模型进行推断，而不会危及预测的准确性或数据的隐私。为了实现高精度，我们使用神经网络，它已被证明优于许多任务的其他学习模型。为了实现隐私要求，我们在以下协议中使用同态加密：数据所有者加密数据并将密文发送给第三方以从训练模型中获得预测。模型对这些密文进行操作，并发送回加密的预测。在该协议中，不仅数据保持私有，甚至预测的值也仅对数据所有者可用。利用同态加密和对神经网络的激活函数和训练算法的修改，我们证明了它是可能的，可能是可行的。该方法为构建安全的基于云的神经网络预测服务而不侵犯用户隐私铺平了道路。
2014-12-24 cs.CR cs.LG cs.NE
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。
2025-02-03 cs.AI cs.CR
