[发明专利]基于FPGA的全同态加密深度学习推理方法及系统

说明书

本发明公开一种基于FPGA的全同态加密深度学习推理方法及系统，包括：获取经同态加密算法加密的密文和编码的明文；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，构建推理模型，以此对密文输出密文推理结果。使用FPGA针对同态加密和深度学习网络结合的整体设计加速器，加快同态加密数据在深度学习网络上的推理速度。

技术领域

本发明涉及同态加密算法技术领域，特别是涉及一种基于FPGA的全同态加密深度学习推理方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

深度学习(Deep Learning)是一种机器学习(Machine Learning)的方法，而机器学习是人工智能的分支，深度学习是使用包含复杂结构或由多重非线性变换构成的多个处理层(神经网络)的运算，应用在图像识别、语音识别等技术中。以医疗领域为例，深度学习会运用在处理患者的诊断信息对其病情等情况进行预测；从道德和法律的要求下，需要对患者的诊断数据等隐私进行保护，不能让外界和医院方获得患者信息。

而目前深度学习云端或者各种平台的应用，其本身没有考虑对患者医疗数据的隐私性和安全性；传统的加密方案虽然可以提供数据安全性，但是在对数据进行计算时，必须先解密才能计算，无法达到对进行网络推理的这一方保密的效果。

同态加密(Homomorphic Encryption)的主要优势在于可以对加密的数据进行运算得到的运算结果，和对明文进行同样的操作后再结果加密是相同的，可以理解为，在密文空间对密文的操作等同于在明文空间对明文进行相同操作后加密；主要应用在云计算、电子商务、物联网、移动代码等领域；因此，同态加密达到的效果和深度学习网络需要的隐私保护的目的可以契合。然而发明人认为，同态加密技术存在一定的局限，使用同态加密算法加密后的数据通常来说是之前的数千倍；此外，同态加密支持的运算仅支持加法和乘法，目前没有成熟的方案让其支持比较等运算；而且仅乘法就比普通数字的乘法复杂很多，因为为了限制密文增长，在乘法之后还需要进行重现性操作(RelinearizationOperation)等；故而复杂的计算和大量的存储资源占有导致同态加密和深度学习的结合受到限制。

发明内容

为了解决上述问题，本发明提出了一种基于FPGA的全同态加密深度学习推理方法及系统，由于经过同态加密后的密文数据量相较于明文数据量大规模扩大，因此本发明结合同态加密和神经网络，使用FPGA针对同态加密和深度学习网络结合的整体设计加速器，加快同态加密数据在深度学习网络上的推理速度。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于FPGA的全同态加密深度学习推理方法，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。