MICRO论文录用！北京大学、清华大学与纽创信安在隐私推理协议与硬件协同优化领域取得重要突破

密流智能 2026-09-14 14:05 广东

以下文章来源于：密流智能

密流智能科技（深圳）有限公司是一家深圳的科技创新企业，专注于全同态加密（FHE）技术领域。公司秉承“保障数据安全，激活数据资产价值”的使命，致力于全同态加密技术的自主研发与场景化落地研究。

导读近日，北京大学、清华大学与纽创信安合作完成的研究论文 《OptiPrime: Optimizing Pr

近日，北京大学、清华大学与纽创信安合作完成的研究论文 《OptiPrime: Optimizing Private Inference through Protocol–Hardware Co-design》 被第 59 届 IEEE/ACM 国际微体系结构研讨会（MICRO 2026） 正式录用。该研究提出一套协议与硬件协同优化框架 OptiPrime，为提升隐私 AI 的计算效率与实际部署能力提供了新的技术路径。

IEEE/ACM 国际微体系结构研讨会 （IEEE/ACM International Symposium on Microarchitecture，简称 MICRO）是展示、交流先进计算与通信系统创新微体系结构理念与技术的顶级论坛，也是计算机体系结构领域历史悠久、影响力广泛的国际顶级会议之一，与 ISCA、HPCA、ASPLOS 并称为计算机体系结构“四大顶会”。会议由 IEEE 与 ACM 两大权威学术组织联合主办，是中国计算机学会（CCF）推荐的 A 类会议，长期聚焦处理器微架构、存储系统、并行计算、专用加速器、AI 芯片架构与软硬件协同优化等前沿方向，以录用标准严格著称。论文能够入选，充分体现了国际同行对该项研究学术价值与技术贡献的高度认可。

成果简介：协议与硬件协同优化框架 OptiPrime

随着深度学习在医疗诊断、金融系统等隐私敏感场景广泛应用，如何在保护用户数据与模型参数的前提下完成推理，成为产业界与学术界关注的焦点。基于同态加密（HE）与多方安全计算（MPC）的混合框架，能够在密文与秘密共享状态下完成神经网络推理，实现数据 "可用不可见"，但同态加密计算代价高昂。研究团队发现，尽管专用加速器可让单个加密运算获得数量级提速，但用于当前先进隐私推理框架 Cheetah 时，端到端仅获得约 1.37 倍加速。随着加密计算时间被压缩，系统瓶颈转移到大量输出密文传输带来的网络通信开销上，单纯提升硬件算力难以奏效。

针对上述问题，研究团队提出协议与硬件协同优化框架 OptiPrime：以通信高效的卷积协议减少密文传输，并通过配套的数据压缩与访存优化，化解协议重构带来的硬件执行压力，协同优化通信、计算与访存全链路。具体而言，在密文计算与传输流程优化方面，卷积协议 OptiEncode减少冗余输出密文，在特定层和配置下，输出密文数量相比 Cheetah 最多降至 约 1/128 ；在权重明文轻量压缩优化方面，压缩系统 OptiComp针对高度稀疏的权重明文进行压缩，并配合片上即时解压，使权重明文相关访存流量降至 约 1/10 ；在中间密文片上复用与访存调度优化方面，专用数据流 OptiFlow让数据尽可能在芯片内复用，在相关评测中将片外访存降至优化前方案的 3%～21% 。

OptiPrime 协议与硬件协同优化示意图

在 128 位安全强度下，研究团队基于 ImageNet 对 ResNet、VGG、MobileNetV2 等主流网络开展系统评测，结果可从三方面概括。 其一，端到端性能显著提升 ：相比当前先进基线 Cheetah，OptiPrime 在纯 CPU 平台最高提速 5.7 倍，配备专用加速器时最高提速 4.2 倍，且性能优势随网络条件受限程度与加密参数规模增大而进一步凸显。 其二，具备跨硬件与跨模型架构的通用性 ：该方法不绑定特定加速器，迁移到另一款代表性加速器 ARK 上同样有效；同时不局限于卷积网络，可扩展至 BERT 等 Transformer 模型的线性层计算。 其三，安全与精度无损 ：整套优化不改变原有隐私保护假设、不增加额外交互轮次；在 W8A8 量化评测设置下，模型准确率与现有方案保持一致，实现了性能提升与隐私安全、模型精度的兼顾。

意义与展望：让隐私 AI 从“可证明安全”走向“高效可用”

隐私计算被视为数据要素安全流通与人工智能合规落地的关键支撑，而性能与成本始终是其规模化应用的核心制约。OptiPrime 从密码协议到硬件架构开展端到端协同设计，同时缓解了隐私推理中网络通信与访存两大瓶颈，在不损失隐私安全与模型精度的前提下显著缩短推理延迟，为同态加密与多方安全计算推理从实验室走向真实场景、为隐私 AI 芯片与系统设计提供了可借鉴的新思路。

在应用层面，OptiPrime 依托两方隐私推理框架，适配 "用户数据与服务方模型均需保密" 的需求 —— 客户端持有敏感输入、服务端持有专有模型，双方在互不暴露私有信息的前提下完成推理。随着通信与延迟开销显著下降，该技术可在多类隐私敏感场景落地：在医疗健康领域，可支持医学影像辅助诊断与跨机构数据协作，让患者数据以密文形态参与计算；在金融领域，可用于智能风控、反欺诈与信贷评估，在保护客户敏感信息的同时调用专业模型；在以机器学习即服务（MLaaS）为代表的云端智能服务中，同样具备应用潜力。

相关研究得到了国家自然科学基金、国家重点研发计划、北京未来区块链与隐私计算高精尖创新中心等项目的支持。未来，合作团队将继续深化隐私计算协议与专用硬件的协同创新，推动高效、安全、可落地的隐私 AI 基础设施建设。

关于纽创信安

深圳市纽创信安科技开发有限公司(简称“纽创信安”或“OSR”)成立于2014年，总部位于深圳。公司长期深耕密码算法、芯片安全与数据安全领域，近年来重点持续开展全同态加密技术研发（https://cipherflow.cn/），致力于推动加密数据在不解密的情况下完成计算与人工智能应用。

依托在密码算法、隐私计算和高性能工程实现方面的技术积累，公司围绕全同态加密底层算法、密文计算框架、性能优化及工程化应用持续研发，逐步构建了从底层技术、开发工具链到 AI 密文推理的完整技术体系，为医疗、金融、政务等高敏感数据场景提供安全可信的计算基础设施。

公司注重研发投入和技术创新，持续推进密码技术与人工智能、数据安全等领域的融合应用，努力实现数据“可用不可见”，在保护数据明文安全的同时释放数据价值。

关于北京大学研究团队

北京大学团队依托人工智能研究院和集成电路学院，由李萌老师带领。李萌于2022年加入北京大学集成电路学院和人工智能研究院，任助理教授，博士生导师，博雅青年学者。加入北京大学前，他曾任职于美国Facebook公司的Reality Lab，作为技术主管主导虚拟现实和增强现实设备中的高效AI算法和系统研究。他于2018年和2013年分别在美国德州大学奥斯汀分校和北京大学获得博士和学士学位。他在国际顶级会议、期刊发表文章130余篇，引用1万余次，获得最佳论文2次、最佳海报2次等。此外，他还获得了ACM SIGDA杰出青年教师奖、蚂蚁InTech科技奖Future、CCF集成电路Early Career Award、欧洲设计自动化协会最佳博士论文等一系列奖项，并指导学生获得DAC生成式人工智能系统设计竞赛第一名、AICAS大模型系统设计竞赛第一名、ACM SIGDA本科生科研竞赛第一名等奖项。

近年来，北京大学团队研究聚焦人工智能算力核心痛点，开创了“算法与底层芯片闭环协同设计”新范式，从根本上突破传统设计瓶颈；针对生成式大模型推理面临的“存储墙”问题，构建了融合稀疏注意力、混合专家模型和并行解码的芯片感知调度体系，并带队夺得IEEE AICAS与ACM DAC全球系统设计竞赛冠军；为拓展智能芯片在高安全环境下的应用边界，建立了覆盖“算法-协议-芯片”的计算框架，将可证明安全计算效率提升三个数量级，并与华为、蚂蚁、阿里等领军企业紧密合作。

跳转微信打开