Page 348 - 《软件学报》2026年第6期

白浩 等: 基于秘密分享的高效隐私保护卷积神经网络预测 2667

层, 采用 ReLU 激活函数; C: 1 个卷积层和 2 个全连接层, 采用 ReLU 激活函数; D: 2 个卷积层和 3 个全连接层, 采
用 ReLU 激活函数和平均池化 (即, LeNet). 该方案在时间上优于其他方法, 时间开销减少了 3 倍, 并且通信开销大
致相同, 如图 5 所示.

5.0 90
4.5 80
4.0
70
通信开销 (MB) 3.0 时间开销 (ms) 60
3.5
50
2.5
40
2.0
30
1.5
1.0
10
0.5 20
0.0 0
A B C D A B C D
miniONN Gazelle Delphi Circa GALA Cheetah FastSecNet Ours
图 5 经典卷积深度神经网络时间和通信开销

然而, 这些模型在实际应用中并不常用. 卷积深度神经网络模型通常采用大通道和小内核来捕获更多的特征,
所提出的框架在这些结构中表现更好, 例如 AlexNet、VGG 和 ResNet18/50. 表 3 展示了在 CIFAR-10 上使用不同
方案的 CNN 时间和通信开销. 与 FastSecNet 相比, 预测时间平均减少 8 倍. 我们的方案比 Cheetah 快约 2 倍, 并且
与 CrypTFlow 相比, 通过完全避免混淆电路, 平均加速了 12 倍. 与基于同态加密和混淆电路的 Gazelle 和 GALA
相比, 我们的方案分别提供了大约 15 倍和 10 倍的时间加速, 这是由于我们的高效线性层计算协议和参数化二次
多项式近似计算非线性层. 相较于同态加密和传统安全多方计算方法, 我们采用了轻量级密码原语秘密分享来设
计安全计算协议, 显著降低了计算开销和通信开销. 此外, 我们对线性层和非线性层分别进行了针对性优化, 特别
是非线性层采用了适当的近似技术, 有效降低了计算复杂度且保证了预测准确率.

表 3 在 CIFAR-10 数据集上完成隐私保护卷积神经网络预测的时间和通信开销

AlexNet VGG16 ResNet18 ResNet50
方法 通信开销 时间开销 通信开销 时间开销 通信开销 时间开销 通信开销 时间开销
(MB) (s) (MB) (s) (MB) (s) (MB) (s)
[12]
Gazelle 463.18 12.10 551.95 18.94 652.64 23.21 4 226.13 71.79
Delphi [9] 962.13 7.65 1 396.62 9.52 2 536.92 15.63 7 803.6 43.26
CrypTFlow [25] 833.16 9.85 1 629.65 14.25 3 186.36 22.63 9 915.32 56.24
Circa [26] 613.72 3.73 676.31 5.16 709.28 12.92 5 413.29 25.17
GALA [13] 420.12 4.84 530.13 7.29 631.15 14.42 4 210.78 32.10
COINN [27] 862.16 1.68 956.23 2.27 1 576.35 4.97 4 276.13 7.23
Cheetah [14] 377.83 2.05 615.38 4.56 1 493.62 3.74 4 305.78 5.93
FastSecNet [19] 563.16 6.32 842.93 10.39 2 263.93 19.96 6 346.93 48.32
Ours 353.24 0.98 467.51 1.16 588.72 2.51 3 620.34 3.86

在表 4 中, 我们的方案在不同的卷积神经网络中计算速度比 Cheetah 快约 2 倍. 此外, 将我们的方案与其他工
作进行了计算速度提升的比较. 与现有方法相比, 所提出的方案在隐私保护预测方面速度提升了 2–13 倍, 通信成
本降低了 50%–75%. 这是因为我们的方案整个隐私保护预测过程都是在秘密分享方式完成的, 避免了复杂的加解
密计算, 因此提高了系统的性能. 这些计算效率的提高不仅使得隐私保护预测更加实用, 而且增强了系统的可用
性, 节省了大量的时间.
预测准确率: 在非线性激活函数领域的先前工作中, 通常依赖混淆电路来计算 ReLU. 虽然混淆电路确保了预
测准确率, 但它带来了高昂的通信成本, 使得在实际场景中变得不切实际. 在该框架中, 采用参数化二次多项式来
近似计算 ReLU. 然而, 使用近似方法来计算激活函数必然会导致预测准确率的降低. 为了解决这个问题, 通过训
练 LNN 来学习一组系数. 然后, 将近似表达式乘以相应的系数来确保隐私保护预测准确性.