Efficient and secure multi-party computation protocol supporting deep learning

doi:10.1186/s42400-024-00343-4

2025-07-13

DOI：10.1186/s42400-024-00343-4

原文链接

原文求助

摘要

En 中文

基于安全多方计算（MPC）的隐私保护深度学习近年来已成为关键的研究焦点。虽然现有方法主要采用固定参与方数量的加法秘密共享，但尚未充分运用更高效的基于Shamir的方案。然而，采用Shamir秘密共享面临两大关键挑战：十进制计算的局限性和有符号数表示。此外，当前解决方案通常缺乏对特定计算模块的优化，并依赖不适合MPC环境的常规方法。为解决这些问题，本文提出了一种支持定点十进制的Shamir秘密共享方案。关键创新在于我们的截断算法，该算法有效管理乘法运算产生的扩展十进制位数，从而在基于Shamir的MPC框架内实现全面的定点算术运算。大规模仿真实验验证了我们的截断方法的准确性。此外，我们针对两种关键的深度学习操作——卷积和Softmax函数计算——引入了优化协议。我们的卷积协议利用Winograd算法显著减少乘法门数量，实现超过50%的性能提升。对于Softmax计算，我们将现有的两方协议扩展至多方Shamir设置，开发了nQSMax算法。该算法在秒级内实现超过99%的极高精度，仅需少量迭代。

Keyword:

Shamir secret sharing

Secure multi-party computation

Deep learning

Convolution

Softmax