FHE隐私CNN推理

1.83×吞吐 资源减半

通过填充批量打包和通道合并，实现资源高效且支持深度网络的加密CNN推理方案。

Tianyu, Wang · Ye, Zewen · Tianshun, Huang · Chengxuan, Wang · Kuangye, Ying · 黄科杰

IACR Transactions on Cryptographic Hardware and Embedded Systems 2026

参数信息

摊薄推理加速比

1.35–1.83 ×

内存占用

144 GB

线程数

36

技术优势

资源占用降2.8倍

通过高效的填充策略和通道合并，大幅减少密文数量和内存开销，227张加密图像仅需36线程和144 GB内存。

吞吐提升83%

采用RNS-CKKS和批量打包优化，在相同测试平台上摊薄推理速度提升最高1.83倍。

应用场景

• 隐私保护机器学习：在加密数据上运行深度CNN，保护输入和模型隐私。
• 加密云端推理：云服务器以低资源处理大批量加密图像，无需解密即可返回结果。
• 安全多方计算：利用FHE实现安全的卷积计算，避免中间结果泄露。