Avec une utilisation généralisée des appareils intelligents et des services cloud, ainsi que des ressources de calcul et de stockage locales limitées, de nombreux utilisateurs ont tendance à transférer leurs données personnelles vers des serveurs cloud pour traitement. Cependant, le transfert de données sensibles en texte clair suscite de sérieuses préoccupations en matière de confidentialité et de sécurité des utilisateurs. Pour faire face à ces problèmes, une solution efficace pour protéger la confidentialité et la sécurité des inférences de réseaux neuronaux est proposée, en utilisant un cryptage homomorphique et des calculs sécurisés multipartites, qui permet une inference rapide et précise de textes chiffrés tout en garantissant la confidentialité des utilisateurs et du serveur cloud. Tout d'abord, le processus d'inférence est divisé en 3 phases: phase de fusion pour la modification de la structure du réseau, phase de prétraitement pour les calculs homomorphiques et phase de calculs flottants dans le cadre de la distribution secrète de données. Deuxièmement, une méthode de fusion des paramètres du réseau est proposée pour réduire le coût des niveaux de multiplication et diminuer le nombre d'opérations de multiplication et d'addition entre le texte chiffré et le texte en clair. Enfin, un algorithme de convolution rapide est proposé pour améliorer l'efficacité du calcul. Par rapport à d'autres méthodes de pointe, la solution proposée réduit d'au moins 11 % le temps des opérations linéaires à l'étape en ligne, ce qui réduit significativement le temps d'inférence et les coûts de communication.

inférences sécurisées de réseaux neuronaux ; réseaux neuronaux convolutifs ; protection de la confidentialité ; cryptage homomorphique ; distribution secrète