Con el amplio uso de dispositivos inteligentes y servicios en la nube, además de la limitación de los recursos de cálculo y almacenamiento locales, muchos usuarios tienden a transferir datos privados a servidores en la nube para su procesamiento. Sin embargo, la transferencia de datos sensibles en forma de texto claro suscita preocupaciones de los usuarios sobre la privacidad y la seguridad. Para hacer frente a estos problemas, se propone un modelo eficaz de preservación de la privacidad y seguridad para la inferencia segura de redes neuronales basado en la criptografía homomórfica y el cálculo seguro multipartito. Este modelo garantiza la privacidad tanto del usuario como del servidor en la nube y permite una inferencia cifrada rápida y precisa. En primer lugar, el proceso de inferencia se divide en 3 etapas: fusión de la estructura de red, preprocesamiento del cálculo homomórfico y operaciones en línea de compartición secreta de datos privados. A continuación, se propone un método de fusión de parámetros de red para reducir el costo del nivel de multiplicación y el número de operaciones de multiplicación y suma de texto claro. Por último, se propone un algoritmo de convolución rápida para mejorar la eficiencia del cálculo. En comparación con otros métodos avanzados, el modelo propuesto reduce el tiempo de la fase en línea en al menos un 11 %, lo que reduce significativamente el tiempo de inferencia y los costos de comunicación.

inferencia segura de redes neuronales; redes neuronales convolucionales; privacidad de datos; criptografía homomórfica; compartición secreta