机构名称：
¥ 1.0
摘要。大型语言模型（LLMS）最近改变了许多行业，增强了内容生成，客户服务代理，数据分析甚至软件的生成。这些应用程序是在远程服务器上托管的十个应用程序，以保护神经网络模型IP；但是，这引起了人们对输入查询的隐私的担忧。完全同质加密（FHE）是一种允许在私人数据上进行计算的加密技术，已被提议作为解决挑战的解决方案。然而，由于LLM的大小和FHE的计算开销的增加，今天使用分型模型方法对当今的实用fhe llms进行了进程。在这里，用户将其FHE加密数据发送到服务器以运行加密的注意头层；然后，服务器返回该图层的结果，以供用户本地运行该模型的其余部分。通过采用此方法，服务器维护其模型IP的一部分，并且用户仍然可以执行私有LLM推理。在这项工作中，我们评估了单层拆分模型LLM的神经网络模型IP构图，并演示了一种新颖的攻击向量，该攻击向量使用户可以轻松从服务器中提取神经网络模型IP，从而绕开了对加密量的要求的保护措施。在我们的分析中，我们证明了这种攻击的可行性，并讨论了潜在的缓解。
sqisign2d-east：使用2 ...
主要关键词
相关文件推荐
