Com a ampla aplicação de dispositivos inteligentes e serviços em nuvem, juntamente com os recursos limitados de cálculo e armazenamento local, muitos usuários tendem a transferir dados privados para servidores em nuvem para processamento. No entanto, a transferência de dados sensíveis em texto simples tem levantado preocupações sobre a privacidade e a segurança dos usuários. Para lidar com esses problemas, propõe-se uma eficiente solução de inferência de rede neural segura de proteção de privacidade baseada em criptografia homomórfica e computação segura multi-partes. Essa solução garante a privacidade tanto do usuário quanto do servidor em nuvem, ao mesmo tempo em que realiza uma inferência criptografada rápida e precisa. Primeiramente, o processo de inferência é dividido em 3 etapas: fase de mesclagem da estrutura da rede, fase de pré-processamento da computação homomórfica e fase online de compartilhamento secreto de dados privados de operações de ponto flutuante. Em segundo lugar, uma metodologia de mesclagem de parâmetros da rede é proposta para reduzir o custo do nível de multiplicação e diminuir o número de operações de multiplicação e adição de texto simples-cifrados. Por fim, propõe-se um algoritmo de convolução rápida para aumentar a eficiência computacional. Em comparação com outros métodos avançados, a solução proposta reduz pelo menos 11% do tempo de operação linear da fase online e reduz significativamente o tempo de inferência e os custos de comunicação.

Inferência de rede neural segura; Redes neurais convolucionais; Proteção de privacidade; Criptografia homomórfica; Compartilhamento secreto