使用高通量CRT评估的用于机器学习和神经网络的同态加密制造技术

实施例涉及使用高通量CRT评估的用于机器学习和神经网络的同态加密。设备的实施例包括硬件加速器以接收由同态加密(HE)生成的密文以用于评估，将密文的系数分解成一组分解的系数，使用基于较大模数确定的一组较小模数对分解的系数进行乘法，并将乘法的结果转换回对应于较大模数的原始形式。于较大模数的原始形式。于较大模数的原始形式。

【技术实现步骤摘要】
使用高通量CRT评估的用于机器学习和神经网络的同态加密


[0001]概括而言，本文中描述的实施例涉及计算系统的领域，并且更特别地涉及使用高通量(high
‑
throughput)中国剩余定理(CRT)评估的用于机器学习和神经网络的同态加密。

技术介绍

[0002]密码加密计算可指在处理器部件内采用密码加密机制的计算机系统安全解决方案。一些密码加密计算系统可以在存储器指针或用户数据上在此类数据离开处理器边界并进入一些外部存储器单元或传送给一些其他装置之前，在处理器核内采用加密和/或其他密码加密机制。密码加密计算的一种类型是同态加密(HE)。HE是指一类公共加密密钥加密方案，其对同态加密的数据执行评估(例如加法和乘法)。

技术实现思路

[0003]本文中描述的实施例提供一种设备，包括：硬件加速器，用于：接收由同态加密(HE)生成的密文以用于评估；将所述密文的系数分解成一组分解的系数；使用基于较大模数确定的一组较小模数对分解的系数进行乘法；以及将乘法的结果转换回对应于所述较大模数的原始形式。
[0004]本文中描述的实施例提供一种方法，包括：由计算装置的硬件加速器接收由同态加密(HE)生成的密文以用于评估；由所述硬件加速器将所述密文的系数分解成一组分解的系数；由所述硬件加速器使用基于较大模数确定的一组较小模数对分解的系数进行乘法；以及由所述硬件加速器将乘法的结果转换回对应于所述较大模数的原始形式。
[0005]本文中描述的实施例提供一种系统，包括：存储器；以及可通信地耦合到所述存储器的硬件加速器，所述硬件加速器用于实施中国剩余定理(CRT)乘法器电路，所述硬件加速器包括一组m乘m的乘法器、2m到m的归约电路、行波加法累加器和模归约电路，所述一组用于：从所述存储器中接收由同态加密(HE)生成的密文以用于评估；将所述密文的系数分解成一组分解的系数；使用基于较大模数确定的一组较小模数对分解的系数进行乘法；以及将乘法的结果转换回对应于所述较大模数的原始形式。
[0006]本文中描述的实施例提供至少一种机器可读介质和一种使用高通量CRT评估促进用于机器学习和神经网络的HE的设备。
附图说明
[0007]这里描述的实施例在附图的各个图中以举例的方式并且不是以限制的方式示出，其中相似的附图标记是指类似的元件。
[0008]图1示出了根据本专利技术的具体实施方式的采用同态加密(HE)中国剩余定理(CRT)评估部件的计算装置。
[0009]图2示出了根据本专利技术的一个具体实施方式的HE CRT评估部件。
[0010]图3是描绘根据本专利技术的具体实施方式的HE CRT评估部件的示例架构图的框图。
[0011]图4示出了根据本专利技术的具体实施方式的HE CRT评估部件的系数分解单元的框图。
[0012]图5示出了根据本专利技术的具体实施方式的HE CRT评估部件的模乘法单元的框图。
[0013]图6示出了根据本专利技术的具体实施方式的HE CRT评估部件的模转换单元的框图。
[0014]图7示出了根据本专利技术的某些具体实施方式的使用高通量CRT评估的用于机器学习和神经网络的HE的示例流程。
[0015]图8是根据本专利技术的一些具体实施方式的说明性电子计算装置的示意图，该电子计算装置实现使用高通量CRT评估的用于机器学习和神经网络的HE。
具体实施方式
[0016]各种实施例针对使用例如高通量中国剩余定理(CRT)评估的用于机器学习和神经网络的同态加密技术。
[0017]同态加密(HE)是指一种加密形式，其允许在密文上进行计算，生成加密结果，当解密时，该加密结果与操作的结果相匹配，就像它们是在明文上执行的。HE识别了一类公钥加密方案，其对同态加密的数据执行评估(例如加法和乘法)。在现代HE方案中，密文可以被组织为具有高维度和大系数的代数环。例如，环上差错学习(LWE)是代数环的典型选择，其中两个密文的乘法利用对高次多项式(例如8192次)进行乘法，其中系数模(“模”或“模数”)大整数(例如220位)。
[0018]HE的示例应用领域包括医疗、金融，以及一般来说，从多方提供的数据的组合分析中受益的领域。HE应用的工作负载的示例包括但不限于逻辑回归训练、贝叶斯推理或神经网络。
[0019]目前HE应用的一个缺点是，在同态加密的数据上评估乘法，与在明文上评估同样的操作相比，可能要慢105倍。例如，如上所述，在HE方案中，密文可能被组织为具有高维度和大系数的代数环。这样，HE方案的结果是，单个原生数据类型(例如整数、浮点等)被加密成更复杂的数据结构。该更复杂的数据结构可以是具有一定位宽的系数的多项式。
[0020]因此，在原生明文域和HE域的对比中，执行等效的计算操作，诸如加法和乘法，也会更加复杂。例如，在原生域中进行两个8位整数的乘法，结果是16位输出。然而，一旦在HE域中加密，等效的两个8位整数的乘法可能涉及几百位系数的几千个元素的多项式作为输入。这可能涉及在HE域中超过十万次的乘法。这样，HE域中系数乘法的延迟和通量与HE评估的整体性能直接相关。
[0021]本专利技术的实施例通过提供使用高通量CRT评估的用于机器学习和神经网络的HE，来解决HE领域中计算复杂性的上述挑战。在本专利技术的具体实施方式中，通过将HE密文的系数转换为较小的整数，以mod q
i
进行乘法，并转换回mod q，实施高通量CRT评估部件以执行HE评估(例如，乘法、加法等)。
[0022]如本文中描述，在HE领域中利用高通量CRT评估部件，为包括线性和逻辑回归的神经网络和训练机器学习任务改进了在加密数据上计算复杂操作的性能。这样，本专利技术的具体实施方式改进了整体计算装置性能，包括处理单元利用率和计算架构中的改进延迟。
[0023]图1示出了根据本专利技术的一个具体实施方式的采用HE CRT评估部件110的计算装置100。计算装置100代表通信和数据处理装置，其包括或代表(不受限制)智能语音命令装
置、智能个人助理、家庭/办公自动化系统、家用电器(例如，洗衣机、电视机等)、移动装置(例如，智能手机、平板计算机等)、游戏装置、手持装置、可穿戴装置(例如，智能手表、智能手环等)、虚拟现实(VR)装置、头戴式显示器(HMD)、物联网(IoT)装置、膝上型计算机、台式计算机、服务器计算机、机顶盒(例如，基于互联网的有线电视机顶盒等)、基于全球定位系统(GPS)的装置、汽车信息娱乐装置等。
[0024]在一些实施例中，计算装置100包括任何数量和类型的其他智能装置或与其一起工作，或嵌入或促进这些智能装置，其诸如(但不限于)自主机器或人工智能代理，诸如机械代理或机器、电子代理或机器、虚拟代理或机器、机电代理或机器等。自主机器或人工智能代理的示例可以包括(但不限于)机器人、自主车辆(例如，自动驾驶的汽车、自动驾驶的飞机、自动驾驶的船只等)、自主设备自动操作的建筑车辆、自动操作的医疗设备等，等等。此外，“自主车辆”不限于汽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备，包括：硬件加速器，用于：接收由同态加密(HE)生成的密文以用于评估；将所述密文的系数分解成一组分解的系数；使用基于较大模数确定的一组较小模数对分解的系数进行乘法；以及将乘法的结果转换回对应于所述较大模数的原始形式。2.根据权利要求1所述的设备，其中使用所述较小模数对分解的系数彼此独立地进行乘法。3.根据权利要求2所述的设备，其中所述较小模数包括广义梅森素数或伪梅森素数中的至少一个。4.根据权利要求1所述的设备，其中用于分解所述系数的硬件加速器包括执行所述系数的中国剩余定理(CRT)分解的硬件加速器。5.根据权利要求4所述的设备，其中所述硬件加速器进一步包括一组乘法器电路、归约电路、加法电路和模归约电路以执行所述系数的CRT分解。6.根据权利要求1所述的设备，其中用于转换所述结果的硬件加速器包括用于对乘法的结果执行反向中国剩余定理(CRT)变换的硬件加速器。7.根据权利要求6所述的设备，其中所述硬件加速器进一步包括一组乘法器电路、2m到m的巴雷特电路、行波进位电路、上m位巴雷特电路和归约电路，以对所述结果执行反向CRT变换。8.根据权利要求1所述的设备，其中所述硬件加速器包括一组电路，所述一组电路包括乘法器电路、归约电路、行波加法累加器、巴雷特电路或加法电路中的至少一个。9.根据权利要求8所述的设备，其中所述一组电路用于执行分解、乘法和转换中的每一者。10.根据权利要求1所述的设备，其中所述硬件加速器包括一组乘法器电路和归约电路，以对分解的系数进行乘法。11.一种方法，包括：由计算装置的硬件加速器接收由同态加密(HE)生成的密文以用于评估；由所述硬件加速器将所述密文的系数分解成一组分解的系数；由所述硬件加速器使用基于较大模数确定的一组较小模数对分解的系数进行乘法；以及由所述硬件加速器将乘法的结果转换回对应于所述较大模数的原始形式。12.根据权利要求11所述的方法，其中使用包括广义梅森素数或伪梅森素数中的至少一个的所述较小模数对分解的系数彼此独立地进行乘法。13.根据权利要求11所述的方法，其中用于分解所述系数的硬件加速器包括执行所述系数的中国剩余定理(...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：