[发明专利]基于FPGA的全同态加密深度学习推理方法及系统

权利要求书

1.一种基于FPGA的全同态加密深度学习推理方法，其特征在于，包括：

获取经同态加密算法加密的密文和相对应编码的明文；

获取初始深度学习网络的乘法深度、数据处理规模和网络层；

根据明密文多项式的项数确定多项式的系数模因子的取值范围，根据乘法深度确定取值个数，根据由误差参数选取的系数模因子确定系数模；

根据多项式的项数和系数模以及数据处理规模确定网络层的权重和偏差，以此得到网络层的打包策略；

根据打包策略和编码后的明文对多项式的项数和系数模的选取进行判断，以及对网络层的优化，根据优化后的深度学习网络构建推理模型，以此对加密后的密文输出密文推理结果。

2.如权利要求1所述的一种基于FPGA的全同态加密深度学习推理方法，其特征在于，对所述初始深度学习网络进行预处理，包括：对初始深度学习网络中连续的线性层整合为一个全连接层，对层与层之间连续的乘法合并为一次乘法；

或，所述乘法深度为进行连续乘法的次数，根据乘法顺序的先后得到乘法深度；

或，所述数据处理规模包括输入数据大小、卷积核大小和层数、全连接层矩阵大小和每层中间输出数据大小；

或，所述网络层包括卷积层、激活层和全连接层。

3.如权利要求1所述的一种基于FPGA的全同态加密深度学习推理方法，其特征在于，根据多项式的项数确定系数模基的比特数，根据系数模基的比特数设定系数模因子的比特数与系数模基的比特数与相等；

或，所述系数模因子为素数；

或，所述系数模因子的个数大于乘法深度加2。

4.如权利要求1所述的一种基于FPGA的全同态加密深度学习推理方法，其特征在于，根据定义的安全参数预先设定多项式的项数；

或，通过判断系数模因子与系数模基的比值是否满足误差参数方程，以此选择系数模因子；

或，所述误差参数的选择采用一次乘法和多次乘法进行验证。

5.如权利要求1所述的一种基于FPGA的全同态加密深度学习推理方法，其特征在于，所述打包策略为：从第一层网络层开始，将输入数据和网络层的权重打包，计算第一层网络层输出数据的表示形式，并将其作为第二层网络层的输入，由此设计第二层网络层的权重打包方式，以此类推，直到得到最后一层网络层输出数据的表示形式，其中输出数据的表示形式指将确定位置上的数据编码到同一个明文。

6.一种基于同态加密的医疗加密数据推理方法，其特征在于，包括：获取经同态加密算法加密的医疗数据，对加密后的医疗数据采用权利要求1-5任一项所述的方法经推理模型输出密文推理结果。

7.一种基于FPGA的全同态加密深度学习推理系统，其特征在于，包括：

第一获取模块，用于获取经同态加密算法加密的密文和相对应编码的明文；

第二获取模块，用于获取初始深度学习网络的乘法深度、数据处理规模和网络层；

同态加密参数确定模块，用于根据明密文多项式的项数确定多项式的系数模因子的取值范围，根据乘法深度确定取值个数，根据由误差参数选取的系数模因子确定系数模；

打包策略确定模块，用于根据多项式的项数和系数模以及数据处理规模确定网络层的权重和偏差，以此得到网络层的打包策略；

网络优化及推理模块，用于根据打包策略和编码后的明文对多项式的项数和系数模的选取进行判断，以及对网络层的优化，根据优化后的深度学习网络构建推理模型，以此对加密后的密文输出密文推理结果。

8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项所述的方法和/或完成权利要求6所述的方法。

9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项所述的方法和/或完成权利要求6所述的方法。

10.一种基于FPGA的全同态加密深度学习推理平台，其特征在于，包括：采用代码系统和HLS工具采用权利要求1-5任一项所述的方法构建推理模型，对加密后的密文采用推理模型输出密文推理结果。