Page 253 - 《软件学报》2026年第2期
P. 253
软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(2):732−748 [doi: 10.13328/j.cnki.jos.007445] [CSTR: 32375.14.jos.007445] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563
*
Antelope: 基于 GPU 的三方隐私保护机器学习框架
余 欢 1,2,3 , 华强胜 1,2,3 , 卢必然 1,2,3 , 石宣化 1,2,3 , 金 海 1,2,3
1
(服务计算技术与系统教育部重点实验室 (华中科技大学), 湖北 武汉 430074)
2
(大数据技术与系统国家地方联合工程研究中心, 湖北 武汉 430074)
3
(华中科技大学 计算机科学与技术学院, 湖北 武汉 430074)
通信作者: 华强胜, E-mail: qshua@hust.edu.cn
摘 要: 随着数据隐私问题越来越受重视, 能有效保护数据隐私的安全多方计算 (secure multi-party computation,
MPC) 吸引了众多研究者的目光. 然而安全多方计算协议的通信和内存要求限制了它在隐私保护机器学习 (privacy-
preserving machine learning, PPML) 中的性能. 减少安全计算协议的交互轮数和内存开销十分重要但也极具挑战性,
尤其是在使用 GPU 硬件加速的情况下. 重点关注线性和非线性计算的 GPU 友好协议的设计和实现. 首先, 为避免
整数计算的额外开销, 基于 PyTorch 的 CUDA 扩展实现了 64 位整数的矩阵乘法和卷积运算. 然后, 提出一种基于
0-1 编码方法的低通信轮数的最高符号位 (most significant bit, MSB) 获取协议, 并针对性地提出低通信复杂度的混
合相乘协议, 简化了安全比较计算的通信开销, 可实现快速的 ReLU 激活层计算. 最后提出 Antelope, 一个基于
GPU 的快速三方隐私保护机器学习框架, 进一步缩短了与明文框架之间的性能差距, 且支持深层网络的完整训练.
实验结果表明, 与 CPU 上广泛使用的经典架构 FALCON (PoPETs 2020) 相比, 训练和推理性能是 FALCON 的
29–101 倍和 1.6–35 倍. 与基于 GPU 的工作相比, 在训练方面是 CryptGPU (S&P 2021) 的 2.5–3 倍, 是 Piranha
(USENIX Security 2022) 的 1.2–1.6 倍. 在推理方面, 是 CryptGPU 的 11 倍, 是 Piranha 的 2.8 倍. 特别地, 所提安全
比较协议在输入数据量较小时具有很大优势.
关键词: 数据隐私; 机器学习; 安全多方计算; 安全比较
中图法分类号: TP18
中文引用格式: 余欢, 华强胜, 卢必然, 石宣化, 金海. Antelope: 基于GPU的三方隐私保护机器学习框架. 软件学报, 2026, 37(2): 732–748.
http://www.jos.org.cn/1000-9825/7445.htm
英文引用格式: Yu H, Hua QS, Lu BR, Shi XH, Jin H. Antelope: 3-party Privacy-preserving Machine Learning Framework Based on
GPU. Ruan Jian Xue Bao/Journal of Software, 2026, 37(2): 732–748 (in Chinese). http://www.jos.org.cn/1000-9825/7445.htm
Antelope: 3-party Privacy-preserving Machine Learning Framework Based on GPU
YU Huan 1,2,3 , HUA Qiang-Sheng 1,2,3 , LU Bi-Ran 1,2,3 , SHI Xuan-Hua 1,2,3 , JIN Hai 1,2,3
1
(Key Laboratory of Services Computing Technology and System (Huazhong University of Science and Technology), Ministry of
Education, Wuhan 430074, China)
2
(National Engineering Research Center for Big Data Technology and System, Wuhan 430074, China)
3
(School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan 430074, China)
Abstract: As concerns over data privacy continue to grow, secure multi-party computation (MPC) has gained considerable research
attention due to its ability to protect sensitive information. However, the communication and memory demands of MPC protocols limit
their performance in privacy-preserving machine learning (PPML). Reducing interaction rounds and memory overhead in secure
computation protocols remains both essential and challenging, particularly in GPU-accelerated environments. This study focuses on the
* 基金项目: 国家重点研发计划 (2023YFB4503202); 国家自然科学基金 (62372202)
收稿时间: 2025-01-09; 修改时间: 2025-03-15; 采用时间: 2025-04-06; jos 在线出版时间: 2025-08-13
CNKI 网络首发时间: 2025-08-14
