Privacy-Preserving Deep Neural Network Using Hybrid FHE Schemes

Anas Banta Seutia Safaruddin, Muhammad Alfian Amrizal, B.Eng., M.I.S., Ph.D.

2025 | Skripsi | ILMU KOMPUTER

Masalah privasi dalam pembelajaran mesin berbasis cloud memerlukan solusi kriptografi yang memungkinkan komputasi pada data terenkripsi. Tesis ini menyajikan kerangka hibrid Enkripsi Homomorfik Penuh (FHE) untuk jaringan saraf dalam yang memanfaatkan peralihan skema antara CKKS (Cheon-Kim-Kim-Song) dan TFHE (skema Enkripsi Homomorfik Penuh Cepat melalui Torus) untuk menghilangkan persyaratan pra-pemrosesan yang bergantung pada input. Tidak seperti pendekatan yang ada yang mengandalkan perkiraan polinomial yang memerlukan rentang masukan yang telah ditentukan dan prakomputasi sisi klien, implementasi ini mencapai evaluasi aktivasi nonlinier yang tepat melalui transisi skema strategis.

Sistem melakukan konvolusi terenkripsi yang dioptimalkan CKKS SIMD menggunakan pengepakan toeplitz dan perkalian matriks untuk efisiensi aritmatika, kemudian beralih ke skema TFHE untuk komputasi ReLU yang tepat melalui bootstrapping fungsional, memungkinkan pengoperasian tanpa batas domain melalui (-?, ?) tanpa kalibrasi rentang.

Evaluasi ReLU menggunakan peralihan skema menunjukkan presisi efektif 12,4 bit. Evaluasi data uji MNIST menunjukkan pengurangan 15,65s dalam overhead preprocessing dibandingkan dengan metode berbasis perkiraan, sambil mempertahankan total waktu inferensi yang sebanding 215,26 detik. Kemampuan operasional tanpa batas terbukti penting untuk skenario pelatihan terenkripsi di mana distribusi aktivasi berkembang secara tidak terduga. Karya ini memvalidasi bahwa skema FHE hibrid secara praktis dapat mendukung pembelajaran mendalam yang menjaga privasi melalui arsitektur modular yang memanfaatkan kekuatan pelengkap dari skema kriptografi yang berbeda, membangun landasan untuk layanan jaringan saraf berbasis cloud rahasia di bidang perawatan kesehatan, keuangan, dan domain penting privasi lainnya.

Privacy concerns in cloud-based machine learning necessitate cryptographic solutions that enable computation on encrypted data. This thesis presents a hybrid Fully Homomorphic Encryption (FHE) framework for deep neural networks that leverages scheme switching between CKKS (Cheon-Kim-Kim-Song) and TFHE (Fast Fully Homomorphic Encryption scheme over the Torus) to eliminate input-dependent preprocessing requirements. Unlike existing approaches that rely on polynomial approximations requiring predetermined input ranges and client-side precomputation, this implementation achieves exact nonlinear activation evaluation through strategic scheme transitions.

The system performs CKKS SIMD optimised encrypted convolutions using toeplitz packing and matrix multiplications for arithmetic efficiency, then switches to TFHE scheme for exact ReLU computation via functional bootstrapping, enabling domain-unlimited operation over (-?, ?) without range calibration.

Evaluation of ReLU using scheme switching demonstrates 12.4 bits of effective precision. The evaluation of the MNIST test data shows 15.65s reduction in preprocessing overhead compared to approximation-based methods, while maintaining comparable total inference time of 215.26 seconds. The unbounded operational capability proves essential for encrypted training scenarios where activation distributions evolve unpredictably. This work validates that hybrid FHE schemes can practically support privacy-preserving deep learning through modular architectures that leverage complementary strengths of different cryptographic schemes, establishing a foundation for confidential cloud-based neural network services in healthcare, finance, and other privacy-critical domains.

Kata Kunci : Fully Homomorphic Encryption, Deep Neural Networks, Scheme Switching, Privacy-Preserving Machine Learning, CKKS, TFHE