Page 264 - 《软件学报》2026年第2期

余欢 等: Antelope: 基于 GPU 的三方隐私保护机器学习框架 743

安全训练: 表 3 和表 4 分别展示了一些已有的开源架构 FALCON、CryptGPU, 以及最先进的 Piranha-FALCON
(以下简记 Piranha) 和本文工作安全训练的运行时间和总通信量. 其中 TI 指的是 TinyImageNet 数据集, C-10 指的
是 CIFAR-10 数据集. 对于 LeNet/MNIST、AlexNet/CIFAR-10 和 AlexNet/TI 的训练批量大小均为 128, VGG-
16/CIFAR-10 的训练批量大小为 32, VGG-16/TI 的训练批量大小为 8. 由于 FALCON 不支持输出层的梯度计算,
因此其运行时间仅包括不含输出层的计算时间. 此外, 可以看到本文较 CryptGPU 方案的总通信量有一定程度的
减少, 但是跟 FALCON 和 Prianha 相比, 本文的总通信量较高. 正如上文的分析, 我们的安全比较协议虽然在一定
程度上增加了通信量, 但交互轮数少的优势仍能显著减少整体运行时间.

表 3 实验设置信息 表 4 在不同模型和数据集上安全训练的时间对比 (s)

数据集 网络模型 优化器 学习率 批量大小 训练轮数 LeNet/ AlexNet/ AlexNet/ VGG-16/ VGG-
架构
MNIST LeNet Adam 0.001 64 20 MNIST CIFAR-10 TI CIFAR-10 16/TI
CIFAR-10 AlexNet SGD 0.01 128 30 FALCON 15.43 60.98 368.73 426.48 377.47
Tiny ImageNet VGG-16 SGD 0.005 256 50 CryptGPU 1.62 2.35 10.05 11.28 12.85
Piranha 0.83 1.29 6.37 5.33 5.79
Antelope 0.52 0.73 3.61 4.21 4.80
具体来说, 与 FALCON 相比, 由于 GPU 的并行计算能力, Antelope 的运算速度提高了 29–101 倍. 可以看出,
与 FALCON 相比, Antelope 在训练深度网络和大型数据集时具有很大的优势. 与 CryptGPU 相比, 在浅层网络和
小规模数据训练 (即 LeNet/MNIST 和 AlexNet/CIFAR-10) 时, Antelope 比 CryptGPU 快 3 倍左右. 随着网络层数和
输入数据大小的增加, 通信所消耗的时间进一步增加, 但 Antelope 仍保持更快的运行速度, 平均较 CryptGPU 快
2.5 倍. 与 Piranha 相比, 我们在浅层网络 LeNet 和 AlexNet 上的运行速度快 1.6 倍左右, 而在深层网络 VGG-16 上
快 1.2 倍.
安全推理: 表 5 展示了 FALCON、CryptGPU、Piranha 和本文工作安全预测的运行时间, 且所有实验都运行
在批量大小为 1 的设置下. 从表 5 中数据可以看出, CryptGPU 在浅层网络和小数据集上 (即 LeNet/MNIST 和
AlexNet/CIFAR-10) 的性能表现要差于 FALCON. 随着模型加深和数据规模的进一步扩大 (即 VGG-16/CIFAR-10
和 AlexNet/TI), CryptGPU 的表现仍然不如 FALCON. 只有在深层网络和大规模数据的预测上 (VGG-16/TI),
CryptGPU 比 FALCON 快 4.5 倍. 原因是在小规模计算中, CryptGPU 不能很好地利用 GPU 的计算能力, 并花费额
外时间将 64 位整数转换为浮点数. 此外, FALCON 是基于 C++实现的, 与 Python 相比, C++在速度上更有优势.

表 5 在不同模型和数据集上安全训练的总通信量 (GB)

架构 LeNet/MNIST AlexNet/CIFAR-10 AlexNet/TI VGG-16/CIFAR-10 VGG-16/TI
FALCON 0.35 0.62 1.78 2.35 1.78
CryptGPU 0.67 0.69 5.59 6.20 6.24
Piranha 0.42 0.58 3.30 4.26 4.28
Antelope 0.56 0.82 4.69 5.58 5.61

然而在 CryptGPU 表现较差的网络模型中, Antelope 的性能仍然优于 FALCON, 较 FALCON 快 1.6–11.3 倍.
在深层网络和大规模数据 (VGG-16/TI) 上, Antelope 比 FALCON 快 35 倍. 这表现了 Antelope 协议在不同规模计
算中的稳定性. 此外, Antelope 比 CryptGPU 最多快 15 倍, 平均快 11 倍. 与 Piranha 相比, Antelope 最多快 3.5 倍,
平均快 2.8 倍.
为了进一步分析 Antelope 在不同数据规模下的适用性, 我们对比了小规模数据集 (LeNet/MNIST、AlexNet/
CIFAR-10) 和大规模数据集 (AlexNet/TI、VGG-16/CIFAR-10、VGG-16/TI) 上的运行时间变化趋势. 从表 3 和表 5
的实验结果可以观察到以下几点.
(1) 小规模数据集 (LeNet/MNIST、AlexNet/CIFAR-10): 在计算较少的浅层网络中, Antelope 的优势主要体现
在计算加速, 而通信量的影响较小. 相较于 CryptGPU, Antelope 在 LeNet/MNIST 和 AlexNet/CIFAR-10 上的训练
速度加快约 3 倍, 推理速度加快 6.2 倍. 这说明即使在较小数据集上, Antelope 依然能够利用 GPU 并行计算能力,
提高计算效率.