[发明专利]可重构计算装置、处理器及方法

说明书

本申请涉及一种可重构计算装置、处理器及方法，用于联邦学习和隐私计算。所述可重构计算装置包括：静态可重构部分，其中，所述静态可重构部分用于接收待处理数据和运算场景并配置为在所述可重构计算装置上电前根据所述运算场景进行功能重构；和动态可重构部分，其中，所述动态可重构部分用于执行所述待处理数据在所述运算场景下的计算并配置为在所述可重构计算装置进行计算中进行功能重构。其中，所述动态可重构部分的计算资源包括用于模幂计算的第一部分计算资源和用于模乘计算的第二部分计算资源，所述第一部分计算资源相对于所述第二部分计算资源的比例根据所述待处理数据的位宽确定。如此，保持较高的计算性能同时提高资源利用率。

技术领域

本申请涉及数据安全和隐私保护技术领域，具体涉及一种可重构计算装置、处理器及方法，应用于联邦学习和隐私计算。

背景技术

随着人工智能和大数据挖掘分析等应用领域的发展，对数据量的需求越来越大。例如训练人工智能的应用模型需要使用大量带有合适的数据标签或者特征数值的训练数据。高质量的数据往往来源于经营活动中产生和积累的应用数据。但是应用数据往往分散在不同的组织和个体手上，例如交易数据分散在各个金融机构，医疗诊断数据分散在各个医疗机构。跨行业跨领域的应用数据往往也是分散的，例如互联网领域的社交属性数据和电商交易数据往往由不同实体掌控。随着数据所有权的重要性、用户隐私和数据安全等受到更多重视，也随着法律法规对数据收集处理提出更严格的约束和要求，掌握应用数据的各个组织或个体往往不愿意或者没有合适手段进行彼此之间的合作，从而很难让各自掌握的应用数据共同发挥作用。这种数据分享和协同合作方面的困境被称之为数据孤岛现象。为了解决跨行业跨组织的数据合作难题，尤其是关键的隐私保护及数据安全的问题，提出了联邦学习的概念。联邦学习指的是拥有数据的各个参与方，在不共享受保护的隐私数据且自有数据不传递到外部的前提下，通过加密的方式交换模型相关信息从而实现协同优化联邦学习模型。其中，联邦学习根据训练数据在不同参与方之间的数据特征空间和样本空间的分布情况，可以划分为在数据特征空间重叠较大而在样本空间重叠较小的横向联邦学习，在数据特征空间重叠较小而在样本空间重叠较大的纵向联邦学习，以及在数据特征空间和样本空间均重叠较小的联邦迁移学习。

在联邦学习相关应用场景中，拥有数据的各个参与方通过隐私保护技术来保护数据安全和用户隐私，例如采用同态加密方法对原始数据也叫明文进行加密后再将加密后的密态数据也叫密文用在模型训练、梯度计算、参数计算等。同态加密方法允许直接在密文上进行代数运算等有效操作例如加法运算和乘法运算，并且直接对密文进行计算的结果等效于解密后对明文进行计算的结果，从而仅根据公钥和密文进行计算而无需知道密钥。这些数据加密技术和密态运算技术统称为隐私计算。联邦学习和隐私计算涉及多种不同的算法，例如RSA加密算法、Paillier加密算法、DH算法，以及DSA算法和ElGama算法等，也涉及大量复杂的算子操作，例如同态加密、密态加法、密态乘法和模幂计算等，而且这些复杂的算子操作所涉及的数据位宽往往是大整数位宽如1024比特或者2048比特。根据具体的应用场景的需求，所涉及的具体算法，联邦学习和隐私计算所需要处理的算子操作的组合和比例也不一样，例如在RSA算法相关应用场景下需要处理大量的模幂计算的算子操作。为此，需要一种用于联邦学习和隐私计算的可重构计算装置、处理器及方法，能够应对具体应用中复杂多变的需求并能在保持较高的计算性能同时最大限度利用计算资源和存储资源从而降低能耗。

发明内容

本申请实施例为了解决能够应对具体应用中复杂多变的需求并能在保持较高的计算性能同时最大限度利用计算资源和存储资源从而降低能耗这一难题，通过提供了一种用于联邦学习和隐私计算的可重构计算装置、处理器及方法，从而实现了适应数据位宽变化的适配性和灵活性，有利于提高计算速度和资源利用率。