.png){kind=icon}
返回
PPIMCE: In-Memory Computing Fabric for Privacy Preserving Computing
.png){kind=icon}
PRE
AI
DOI：10.1007/s11390-025-5923-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
隐私已成为主要关注点/设计考量。同态加密（HE）和混淆电路（GC）是隐私保护技术，支持对加密数据进行计算。HE和GC可以相互补充，因为HE更适用于线性操作，而GC更适用于非线性操作。两者结合使复杂的计算任务（如机器学习）能够在密文上精确执行。然而，HE和GC引入两大瓶颈：高昂的计算开销和高数据传输成本。本文提出隐私保护内存计算引擎（PPIMCE），一种内存计算（IMC）结构，旨在减轻计算开销和数据传输问题。通过使用多个IMC核心实现高并行性，并利用SRAM内IMC进行数据管理，PPIMCE提供了一种紧凑、节能的解决方案来加速HE和GC。PPIMCE相较于CPU实现的GC实现107倍加速。此外，PPIMCE相较于CPU和GPU实现的CKKS基HE乘法分别实现1 500倍和800倍加速。对于隐私保护机器学习推理，PPIMCE相较于CPU实现1 000倍加速，相较于当前最先进的隐私保护计算加速器CraterLake实现12倍加速。
Keyword:
cloud computing security
computing-in-memory
cryptographic protocol
data privacy
garbled circuit
homomorphic encryption
parallel processing
privacy-preserving machine learning
期刊
J
IF:
1.3
论文数:
61
被引数:
1.5K
机构
引用论文
分享收藏Privacy-Preserving Machine Learning With Fully Homomorphic Encryption for Deep Neural Network.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容