隐私计算中的多层次计算技术-以全同态加密为例

演讲人：顾振达摩院研究型科学家 目录Contents 01隐私计算中的计算技术 隐私计算主要应用和技术 隐私保护云计算云服务商只在加密数据上操作，数据库的密态计算 安全多方计算（协议） 技术 对等的多方通过秘密共享、同态加密、混淆电路、不经意传输等技术实现联合计算 隐私计算生态 隐私计算生态 经典计算生态 计算技术赋能隐私计算 02计算技术的多层次运用 场景需求：共享学习 蚂蚁链一体机 •痛点：数据规模大，训练数据有几千万行，几万列；计算深度达到100+；对计算效率有要求 纵向联邦学习下的逻辑回归 矩阵向量乘（MVP） o传统的矩阵向量乘vs.密文的矩阵向量乘 密文计算vs.明文计算 密文算子是多项式计算，和明文算子大不相同 CHAM: A Customized Homomorphic EncryptionAccelerator for Fast Matrix-Vector Product 软硬件多技术栈联合优化的范例 •应用层：纵向联邦学习提炼关键算子——逻辑回归，对应隐私计算密态矩阵向量乘法 •协议、算法层：阿里双子座实验室算法团队加持，采用Cheetah系数编码配合PackLWE算法适配硬件特性 •编译层：阿里达摩院与内部团队联合共同设计针对CHAM的编译套件 •硬件层：阿里达摩院计算技术实验室软件、硬件、驱动技术加持，针对硬件特性配合算法团队调整算法实现为hardware-friendly Interactive Accelerator Design 03计算技术的挑战 从密态数据库到计算底座 链路分析技术链路长、隐藏环节（暗坑）多 计算技术整合多技术栈（链路节点间）协同成本高、全栈贯通难 达摩院TFHE的SEAL实现用于与DataTrust合作复现OnionPIR，并开源于mpc4j1.0.6 计算技术选择技术路线繁杂（节点分支多）、自由度过高 —THANKS— 感谢您的观看