麻省理工学院的研究
人员开发了一种新的加密方法，用于在云中使用神经网络-Gazelle。 服务器在不知道其内容的情况下处理用户数据，也就是说，它们保持匿名状态。 我们讨论该系统及其前景。
/图片由John Jones CC你为什么需要瞪羚
机器学习外包是IT行业中日益增长的趋势。 大型公司推出具有卷积神经网络的云平台。 这些网络通常用于对图像进行分类（例如，在医学上对X射线和CT图像进行分类）。 但是，它们通过网络交换数据的机制严重减慢了整个过程，从而限制了此类服务的应用范围。
Gazelle将保护传输到云中神经网络的数据，并加快其处理速度。 MIT解决方案比
类似算法快20-30倍。
技术如何运作
系统使用两种形式的加密。 第一个是
同态加密 -它允许您对加密的用户数据执行各种数学运算并生成加密结果。 此外，它对应于使用“开放”值执行的操作的结果。
第二种形式是
扭曲的循环协议。 这是
一个机密的计算协议 ，该
协议允许系统参与者评估一个值（例如，大于，小于或等于），而无需透露有关输入数据的信息，也无需涉及第三方（仲裁者）。
通常，系统由三个组件组成。 第一个是同构层（同构层），它包含同构运算的快速实现：SIMD加法和SIMD乘法（标量）以及
自同构 。 第二部分是线性代数核（Linear Algebra kernels）。 此处“封闭”了矩阵向量乘法和同态卷积的算法，以及用于搜索图像符号的系统。
第三个组件称为瞪羚网络推断。 这是一个将扭曲循环系统与线性代数内核结合在一起的推理系统。 它代表用于输出神经网络处理结果的协议的基础。
数据处理本身如下。 首先，客户端使用同态加密方案对数据进行加密，然后将其发送到具有神经网络的服务器。 此外，神经网络在线性层中执行必要的计算，然后将其进一步传递到非线性层（在卷积神经网络中，这些层不断交替）。
之后，数据将在网络和用户设备之间共享。 后者的设备应具有能够基于失真电路构造与电路一起工作的系统。 用户独立执行一系列计算，并将加密结果发送回云。
这种负载分配可确保神经系统一次对一层执行复杂的同态计算。 这样可以避免数据噪声并提高系统性能（因为失真的电路在非线性层上效果最佳）。 对于网络的所有层，交替执行类似的数据交换。
接下来，分享秘密的程序。 分为几部分的数据将在客户端同步并收集在一起。 云服务发送最后一个密钥以解密结果。 因此，一侧（用户）收到分类结果，而另一侧（具有神经网络的服务器）则什么也没有收到。
您可以在研究人员根据其工作结果发表的
文章中了解有关该系统的更多信息。
技术展望
到目前为止，该算法是实验性的，尚未在任何特定应用中实现。 创建具有实际应用程序的程序是系统开发的下一阶段。
/摄影PD机器学习算法可能是用户案例之一，该算法揭示了有眼图患者中糖尿病性视网膜病变的存在。 该系统已经
获得美国食品和药物管理局的
批准，正在医院中使用。 很有可能将第一个实施瞪羚。
他们计划不仅在医学领域使用技术。 它还将在金融市场分析系统和人脸识别系统中找到应用。 因此，服务器将无法访问人物的原始照片，这将增加这些解决方案的安全性。
PS：我们在IaaS博客上还写些什么：
PPS我们在Habré博客上的最新帖子：