申请/专利权人：浙江大学

申请日：2023-11-28

公开（公告）日：2024-06-28

公开（公告）号：CN117592521B

主分类号：G06N3/0464

分类号：G06N3/0464;G06F21/62

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明公开了一种用于全同态CNN推理的批量编码方法；本发明将全同态加密方法与神经网络进行结合，通过将输入特征图像素点以及网络参数以特定方式编码到密文、明文上，使卷积层和全连接层的一条明文可同时承载多个权值，降低了明文的内存占用空间；从而高效的实现CNN中的卷积、全连接、池化、激活函数等操作，实现多任务低延时的CNN隐私推理。

主权项：1.一种用于全同态CNN推理的批量编码方法，其特征在于，包括以下步骤：1根据CNN网络第一层卷积核的尺寸将输入特征图切割为若干与卷积核尺寸等大的基本窗口；所述卷积核的尺寸为K×K，基本窗口的像素点共有K2个；2从所有切割好的基本窗口上抓取同一位置的像素点，将抓取的同一位置的所有像素点映射到多项式上加密为输入特征图的一条原始密文；遍历所有像素点，得到K2条原始密文；3将CNN网络的所有卷积层权重和全连接层权重分别映射为卷积层权重明文和全连接层权重明文，获得适用于全同态隐私推理的CNN模型；全同态隐私推理的CNN模型包括卷积层、激活函数以及全连接层；所述卷积层用于对原始密文进行循环位移操作得到RX密文，将原始密文或RX密文与卷积核权重明文进行点乘后再进行累加，得到卷积层的输出，其中X为循环位移的位数；所述激活函数用于对卷积层的输出进行密文乘法操作，从而得到激活结果密文，所述全连接层用于将输入全连接层的激活结果密文与全连接层权重明文进行点乘操作后输出全连接层的结果密文；4将步骤2得到的原始密文输入到步骤3得到的适用于全同态隐私推理的CNN模型中，进行卷积、全连接、激活函数操作，得到CNN模型运算结果，完成全同态隐私推理的批量编码；所述进行卷积操作具体为：A1将原始密文与卷积层的卷积核权重明文做多项式的点乘操作得到结果密文；A2将步骤1得到的结果密文进行累加，得到卷积层第一个窗口的输出；A3将K2条原始密文按获得顺序分为K组，每组K条原始密文，将每组的前K-1条原始密文循环左移一位，得到R1密文，其中K为当前卷积层卷积核的尺寸；A4将得到的R1密文以及剩余未进行步骤A3操作的原始密文与卷积核权重明文进行点乘操作得到结果密文，然后将得到的结果密文进行累加，得到卷积层最右边窗口的输出；A5从原始密文和步骤A3得到的R1密文中选取向右滑窗所需的密文，并将选取的密文与相应的卷积核权重明文进行点乘操作得到结果密文，然后将得到的结果密文进行累加，得到卷积层第一行所有窗口的输出；A6将K2条原始密文分为K组，每组K条原始密文，将前K-1组中的所有原始密文通过循环左移K位，得到RK密文；其中K为当前卷积层卷积核的尺寸；A7将得到的RK密文以及剩余未进行向左循环移位操作的原始密文与对应的权重明文进行点乘操作得到结果密文，将得到的结果密文进行累加，得到卷积层左下角窗口的输出；A8从原始密文和步骤A6得到的RK密文选取对应的窗口所需的密文，与相应的权重明文进行点乘操作得到卷积层第一列所有窗口的结果密文，将得到的结果密文进行累加，得到卷积层第一列所有窗口的输出；A9将步骤A6得到的RK密文循环左移一位，得到RK+1密文与相应的权重明文进行点乘操作得到结果密文，将得到的结果密文进行累加，得到卷积层右下角窗口的输出；A10对原始密文、R1密文、RK密文、RK+1密文进行遍历，得到本层卷积层所有窗口的密文，并与权重明文分别进行点乘操作，得到本层卷积层所有窗口的结果密文，将每个窗口各自的结果密文进行累加，得到卷积层的输出。

全文数据：

权利要求：

百度查询： 浙江大学 一种用于全同态CNN推理的批量编码方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD