nGraph-HE: Ein Graph-Compiler für Deep Learning auf homomorph verschlüsselten Daten

Homomorphe Verschlüsselung (HE) --- die Fähigkeit, Berechnungen auf Verschlüsseltem durchzuführen --- ist ein attraktives Mittel gegen die zunehmenden Bedenken bezüglich des Datenschutzes im Lernen (DL). Das Erstellen von DL-Modellen, die auf Chiffretext arbeiten, erfordert jedoch viel Arbeit und gleichzeitig Expertise in DL und Softwareengineering. DL-Frameworks und aktuelle Fortschritte bei Compilern haben das Training und die Bereitstellung von DL auf verschiedenen Computing-Plattformen erheblich beschleunigt. Wir führen nGraph-HE ein, eine Erweiterung von Intels DL-Grafcompiler, die die Bereitstellung von trainierten Modellen beliebter Frameworks wie TensorFlow ermöglicht, während HE einfach als ein weiteres Ziel behandelt wird. Unser Graph-Compiler-Ansatz ermöglicht HE-bewusste Optimierungen – zur Compile-Zeit, wie etwa Konstantenfaltung und HE-SIMD-Packing, und zur Laufzeit, wie etwa das Umgehen von bestimmten Wert-Klartexten. Darüber hinaus ermöglicht nGraph-HE in Kombination mit DL-Frameworks wie TensorFlow, dass Datenwissenschaftler DL-Modelle mit minimalem Overhead erstellen können.