Avec l'utilisation généralisée des appareils intelligents et des services cloud, ainsi que la restriction des ressources de calcul et de stockage locales, de nombreux utilisateurs ont tendance à transférer des données privées vers des serveurs cloud pour les traiter. Cependant, le transfert de données sensibles sous forme de texte clair suscite des inquiétudes des utilisateurs concernant la confidentialité et la sécurité. Pour faire face à ces problèmes, un modèle efficace de préservation de la confidentialité et de sécurité pour l'inférence sécurisée de réseau neuronal basé sur le chiffrement homomorphique et le calcul sécurisé multipartite est proposé. Ce modèle garantit la confidentialité à la fois de l'utilisateur et du serveur cloud et permet une inférence chiffrée rapide et précise. Tout d'abord, le processus d'inférence est divisé en 3 étapes : fusion de la structure du réseau, prétraitement du calcul homomorphique et opérations en ligne de partage secret de données privées. Ensuite, une méthode de fusion de paramètres de réseau est proposée pour réduire le coût du niveau de multiplication et le nombre d'opérations de multiplication et d'addition texte-clair. Enfin, un algorithme de convolution rapide est proposé pour améliorer l'efficacité du calcul. Comparé à d'autres méthodes de pointe, le modèle proposé réduit le temps de la phase de ligne d'au moins 11 %, ce qui réduit considérablement le temps d'inférence et les frais de communication.

inférence sécurisée de réseau neuronal; réseaux neuronaux convolutionnels; confidentialité des données; chiffrement homomorphique; partage secret