一项新研究提出了针对隐私保护机器学习推理的安全多方计算 (MPC) 和全同态加密 (FHE) 的统一系统级特征分析。该工作评估了两种 MPC 变体——算术/二进制共享转换和函数秘密共享——以及 FHE 在多个 CNN 和 Transformer 模型上的表现。
- 评估涵盖了广泛的 LAN 和 WAN 环境、模型大小、批量大小和输入序列长度。
- 它不仅评估在线推理延迟，还评估能耗和货币成本，并考虑了离线和在线计算及通信开销。
- 该分析为选择和优化这些隐私保护计算范式提供了经验指导。
- 它概述了不断发展的硬件和网络趋势如何可能改变 MPC 方案和 FHE 之间的权衡。
这项工作为寻求理解或加速 PPML 工作负载的研究人员和从业者提供了系统级见解。