2PC-NN安全推理与实际应用之间仍存在较大性能差距，因此只适用于小数据集或简单模型。Cheetah仔细设计DNN，基于格的同态加密、VOLE类型的不经意传输和秘密共享，提出了一个2PC-NN推理系统Cheetah，比CCS'20的CrypTFlow2开销小的多，计算效率更快，通信效率更高。主要贡献有两点:
基于格的同态加密的协议可在不进行任何昂贵同态Rotation操作的情况下评估线性层；
提出了非线性函数的几个精简且通信高效的原语。
一、优化技术
Fast Convolution
ResNet50有49个卷积层，卷积中的一次过滤等于向量内积，一次卷积等于矩阵-向量乘。
矩阵×向量等于18、26，把矩阵变换为多项式，将向量代入多项式中，再将两个多项式进行乘法，18与26就是其中某个系数，我们只要把这个系数选出来就可以完成矩阵、向量乘。
Ring-LWE（如BGV）加密，支持多项式同态计算。
Ring-LWE与卷积层的天然结合，大大提升了性能。
SilentOT
非线性操作(Sigmoid / ReLU)一般需要使用OT/GC实现
- CryptFLOW2已经证明纯OT方案比OT+GC好
- CryptFLOW2使用的是IKNP-OT系列方案(Crypto03,CCS13)
自Boyleet.al.(CCS19)起，学者提出了一系列新一代**SilentoT**方案
-
Ferret (CCS20)，Silver(Crypto21)
-
通信量远低于IKNP-OT，计算量稍高于IKNP-OT
但是直接将已有协议中的IKNP-OT替换为Silent OT并不能取得提升(SIRNN、SP21)，需要结合其他创新点，而不是简单的替换。
Truncation
MPC下很难表示浮点数→一般使用带scale(精度)的定/点整数表示小数
例如：明文0.5，scale是 →定点数:0.5 ×
= 16384
问题：乘法会让数字增大一个scale的量级
0.5 × 0.5 → 16384 x 16384 = 268435456 = 0.25 ×
做几次乘法，就会溢出MPC的表示范围(如 )
需要设计协议将秘密分享的密文截断scale倍，维持scale不变，即 268435456 >> 15 = 0.25 x
-
SecureML(SP17)、DELPHI(USENIX'Sec20)的本地截断方案有小概率出错，不适合ResNet这种大型网络
例：x=x1+x2，但(x>>15) != (x1>>15)+(x2>>15)
-
CryptFLOW2的截断协议没有错误，但是成本很高。整个推理中50%+的成本花在截断...
2个Share本地截断加2个修正才能得到真正的截断结果，然而其中1个修正没有必要，所以只保留有意义的修正，以降低截断成本，此时再结合Silent OT，如此便能得到非常显著的提升。
采用新的truncation协议，解决大错误，但是容忍1bit错误，实验证实1bit错误对NN推理结果没有影响。
当待Truncation的数符号已知的时候(如ReLU)性能可以进一步提升。
二、性能提升
结合其他创新点：SlientOT优化比较协议、RLWE密文压缩、Batchnorm fuse等。
相比CryptFLOW2，在同网LAN和跨网WAN性能下都提升了数倍，80s完成ResNet50推理。
注：SecureQ8是需要非共谋第三方辅助的方案
三、算子实现
非线性算子实现
-
底层基于EMP-toolkit开源库的Ferret RCOT
-
衍生出各种OT primitive
-
非线性算子调用OT primitive
线性算子实现
-
使用RLWE生成自定义大小的(矩阵)乘法三元组(基于SEAL)
-
*为了更具备通用性，与Cheetah原论文的乘法设计有所不同
四、如何在隐语中使用Cheetah
-
在配置中设置协议类型为Cheetah即可
-
C++: protocol_kind=4
-
Python: "protocol": "CHEETAH"
-
-
上层应用代码无需改动
总结
Cheetah提供了一个高度优化的2PC-NN推理架构， WAN设定下，在不到2.5分钟的时间内对ResNet50模型进行安全推理，消耗2.3GB的通信量, 非常高效, 适合大规模神经网络训练推理, 是目前最好的2PC-NN工作之一。
-
卷积和矩阵向量乘法中涉及的同态Rotation旋转操作是基于格的HE方案的性能瓶颈之一，Cheetah通过构造映射巧妙地消除了同态Rotation运算，也没有使用SIMD，加快了同态运算的效率；
-
基于HE的协议可以直接接受
的秘密份额，而不局限于
-
Cheetah使用了基于VOLE类型的OT扩展协议来构造高效、精简的非线性计算协议, 如截断、比较协议等, 极大降低了安全推理的计算和通信开销。