|隐私数据在隐私AI框架中的安全流动( 五 )

关于 Multiply 算子
Multiply 算子中输入，输出部分没有变化，主要是计算步骤中的第1步与第2步有些许变化，以减少通信量。这里也只描述这两步，其余与前文相同。
在上文的描述中，我们知道 P2 生成三元组后，需要将其分享值发送给P0,P1 。当我们有了 PRF 后，可以这么做：

P0,P2 使用PRF(Key02,counter02)同时生成 A0,B0,C0；P0,P1使用RF(Key12,counter12)同时生成 A1,B1 。
然后， P2令A=A0+A1,B=B0+B1 ，得到C=A*B,C1=C-C0 。 P2将发送给P1 。 P2的任务完成。

目前 Rosetta 开源版本中使用的是此方案。
相比于原始版本，优化版本只需要发送 C1 ，不用再发送 A0,A1,B0,B1,C0 。
在 Rosetta中，我们还针对具体的各个不同的算子进行了一系列的算法、工程优化，欢迎感兴趣的读者来进一步了解。

本文插图

小结
安全性是隐私 AI框架的根本，在本篇文章中，我们结合隐私数据输入的处理和密文上乘法的实现，介绍了“随机数” 形式的密文是如何在多方之间流动，同时“神奇”的仍能保证计算逻辑的正确性的。我们这里对于安全性的说明是直观上的描述，而实际上，这些算法的安全性都是有严格数学证明的。感兴趣的读者可以进一步去探索相关的论文。
Rosetta 将持续集成安全可靠的密码学算法协议作为“隐私计算引擎”到框架后端中，也欢迎广大开发者参与到隐私AI 的生态建设中来。
作者简介：
Rosetta技术团队， ?群专注于技术、玩转算法、追求?效的?程师。 Rosetta是?款基于主流深度学习框架TensorFlow 的隐私AI框架，作为矩阵元公司?规模商业落地的重要引擎，它承载和结合了隐私计算、区块链和AI三种典型技术。我们专门为AI从业者撰写了隐私计算+AI从技术到实战的全教程，力图让相关行业从业者0难度一键掌握隐私计算技术的用法
参考文献
[1] 秘密共享，
https://en.wikipedia.org/wiki/Secret_sharing
[2] Beaver,Donald.''Efficientmultipartyprotocolsusingcircuitrandomization.''Annual InternationalCryptologyConference.Springer,Berlin,Heidelberg,1991.
[3] PRF的一个简单介绍
https://crypto.stanford.edu/pbc/notes/crypto/prf.html