基于BFV同态加密神经网络参数设置实证研究

摘要：

基于BFV同态加密方案的隐私安全神经网络已经越来越被人们熟知.然而在将其应用到不同场景时,用户对其众多参数设置的策略,以及这些参数设置对网络模型预测速度和预测准确率的影响还比较模糊,影响同态加密神经网络进一步推广和应用.本论文将以微软提出的Cryptonets为研究对象,以实证研究的方式对BFV密码方案中各个参数进行设置与调试,研究参数对加密解密速度、密文增长、网络预测速度、以及网络最终预测结果的影响,并给出指导建议.从实验结果中发现,1)多项式模数N的设定对网络模型预测的准确性影响最大.较大的多项式模数将带来更高的预测精度,过小的多项式模数将使预测完全失真.BFV 中其余参数的设置只对运算效率产生影响,对模型的准确性的影响不大;2)时间复杂度、空间复杂度都随着多项式模数的增加而增加.密文与明文所占空间之比为 10︰1.随着多项式模数的增加,神经网络计算的时间复杂度的增加要快于多项式模数的增长.3)在神经网络不同层级中,池化层和卷积层是同态加密神经网络中计算耗时最长的层级,增大卷积核的尺寸可以有助于提高效率.总之,研究同态加密神经网络中的参数配置对于其在不同应用领域中的性能至关重要.本文对不同参数对计算效率和预测准确性的影响的研究,使我们能够更明智地选择参数和设计网络.随着同态加密在隐私安全机器学习中的更广泛应用,未来还需要进一步研究其他密码方案的参数配置及其对性能的影响.

关键词：同态加密、神经网络、参数配置

所属期刊栏目：8

分类号：TP306+.2;TP391.4(计算技术、计算机技术)

资助基金：与中科院信工所开放课题No.2021-MS-03

在线出版日期：2023-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：38-48