Mit dem weit verbreiteten Einsatz von intelligenten Geräten und Cloud-Services sowie der Begrenzung lokaler Rechen- und Speicherressourcen neigen viele Benutzer dazu, private Daten zur Verarbeitung auf Cloud-Server zu übertragen. Die Übertragung sensibler Daten in Klartextform löst jedoch Bedenken der Benutzer hinsichtlich der Privatsphäre und Sicherheit aus. Um diese Probleme zu bewältigen, wird ein effizientes Modell zur Wahrung der Privatsphäre und Sicherheit für die sichere Inferenz des neuronalen Netzwerks auf Basis der homomorphen Verschlüsselung und sicheren Mehrparteienberechnung vorgeschlagen. Dieses Modell gewährleistet die Privatsphäre sowohl des Benutzers als auch des Cloud-Servers und ermöglicht eine schnelle und präzise verschlüsselte Inferenz. Zunächst wird der Inferenzprozess in 3 Phasen unterteilt: Fusion der Netzwerkstruktur, Vorverarbeitung der homomorphen Berechnung und Online-Operationen zur geheimen Datenweitergabe privater Daten. Anschließend wird eine Methode zur Fusion der Netzparameter vorgeschlagen, um die Kosten des Multiplikationsniveaus und die Anzahl der Klartext-Multiplikations- und Additionsoperationen zu senken. Schließlich wird ein schneller Faltungsalgorithmus vorgeschlagen, um die Berechnungseffizienz zu verbessern. Im Vergleich zu anderen fortschrittlichen Methoden reduziert das vorgeschlagene Modell die Zeit der Online-Phase um mindestens 11 %, was die Inferenzzeit und die Kommunikationskosten deutlich reduziert.

sichere Inferenz des neuronalen Netzwerks; Convolutional Neural Networks; Datenschutz; homomorphe Verschlüsselung; geheime Weitergabe