GhostFaceMPC: Riconoscimento Facciale che Preserva la Privacy con il Calcolo Multi-Partitico

Implementazione ufficiale di GhostFaceMPC: Privacy-Preserving Face Recognition with Multi-Party Computation (Davide Carnemolla, Dario Catalano, Mario Di Raimondo — Università di Catania). Paper: Cryptology ePrint Archive, Paper 2026/2499.

GhostFaceMPC esegue il riconoscimento facciale con GhostFaceNetV1 (width 1.3, stride 1, testa ArcFace, addestrato su MS1MV3) tra tre server con replicated secret sharing in MP-SPDZ.

• Il client condivide in modo segreto il volto allineato 112×112: produce esso stesso la condivisione replicata, così i server caricano le proprie coppie senza ricondividere nulla. Nessun server vede mai l'immagine, un'attivazione, l'embedding o il database registrato.
• I parametri del modello sono pubblici, quindi ogni layer lineare è un'aritmetica locale segreto-per-pubblico con una riduzione in virgola fissa per output.
• Il modello è quantizzato su un anello a 32 bit (6 bit frazionari, 9 per i kernel) tramite addestramento consapevole della quantizzazione sull'esatta aritmetica che i server eseguono.
• Supporta due profili di sicurezza: semi-onesto (replicated-ring-party) e malevolo con abort (ps-rep-ring-party).
• Ogni richiesta è suddivisa in una fase offline e una fase online. La fase offline genera il preprocessing indipendente dall'input. La fase online è l'inferenza stessa, seguita da un punteggio di verifica 1:1 o da un'identificazione closed-set 1:N. Nessuna delle due fasi apre nulla.

Questo repository contiene esattamente il codice necessario per riprodurre gli esperimenti del paper.

@misc{cryptoeprint:2026/2499,
      author = {Davide Carnemolla and Dario Catalano and Mario Di Raimondo},
      title = {{GhostFaceMPC}: Privacy-Preserving Face Recognition with Multi-Party Computation},
      howpublished = {Cryptology {ePrint} Archive, Paper 2026/2499},
      year = {2026},
      url = {https://eprint.iacr.org/2026/2499}
}

Contenuti

Percorso	Di cosa si tratta
src/ghostmpc/	Pacchetto Python e riga di comando ghostmpc
src/ghostmpc/codegen/	compilatore dal manifest del modello a un programma MP-SPDZ
src/ghostmpc/eval/	oracolo in chiaro sull'anello (bit-exact con il programma MPC) e valutazione dell'accuratezza
src/ghostmpc/benchmark/	harness di benchmark a tre parti e reti emulate
src/ghostmpc/training/	addestramento consapevole della quantizzazione sul passaggio in avanti fedele all'anello
third_party/patches/	le istruzioni della macchina virtuale che questo lavoro aggiunge a MP-SPDZ
baselines/	le baseline: TensorFlow in chiaro, MP-SPDZ naive, EzPC/Porthos
run_experiments.sh	un unico script che esegue ogni esperimento del paper
scripts/	setup, emulazione di rete rootless, raccolta delle tabelle
tests/	test unitari (pytest)

1. Requisiti

• Macchina. Linux su x86-64. Il paper ha utilizzato una VM a 32 core (Intel Xeon Gold 6238R) ed esegue 8 thread per parte. Tutti e tre i server girano su un unico host.

• Python. Python ≥ 3.10 (testato con 3.11).

• Dipendenze di build di MP-SPDZ (elenco upstream):

  sudo apt-get install automake build-essential clang cmake git libboost-dev \
      libboost-filesystem-dev libboost-iostreams-dev libboost-thread-dev \
      libgmp-dev libntl-dev libsodium-dev libssl-dev libtool python3 python3-venv
  

• Emulazione LAN/WAN. Richiede iproute2 (ip, tc), iputils-ping, unshare (util-linux) e user namespace non privilegiati. Lo script non richiede root. Su Debian/Ubuntu: sudo sysctl kernel.unprivileged_userns_clone=1.

• Solo baseline Porthos.

  • libboost-system-dev
  • una CPU con AES-NI
  • OCaml 4.14 tramite opam, con opam install ocamlbuild menhir ocamlfind stdint

2. Configurazione

git clone --recursive https://github.com/crypto-unict/ghostfacempc.git
cd ghostfacempc
scripts/setup.sh

scripts/setup.sh fa quattro cose:

1. Crea .venv e installa il pacchetto. Questo scarica tensorflow-cpu, Pillow, onnx, onnxruntime e onnxsim.
2. Prepara MP-SPDZ in third_party/MP-SPDZ:
   • effettua il checkout della revisione fissata;
   • applica third_party/patches/;
   • abilita l'anello a 32 bit (MY_CFLAGS += -DRING_SIZE=32 in CONFIG.mine);
   • compila replicated-ring-party.x e ps-rep-ring-party.x;
   • genera i certificati TLS delle tre parti.
3. Scarica i file del modello (vedi la tabella sottostante).
4. Verifica i dataset di benchmark.

I file del modello finiscono in artifacts/:

File	Contenuto
GhostFaceNet_W1.3_S1_ArcFace.h5	teacher float, dalla release di GhostFaceNets
model/	il modello quantizzato ring32/f6/f_w9, con i relativi report di accuratezza
model-ring64-f16-b0/	manifest ring64 da cui viene esportata la baseline Porthos
legacy-scalar-236/	manifest ring64/f20 della baseline naive MP-SPDZ

I bundle sono asset di release di questo repository, e ogni archivio viene verificato rispetto al suo SHA-256. ghostmpc fetch-bundles --bundle qat-start scarica anche il manifest da cui parte il QAT (vedi §5).

Dataset

L'esperimento di accuratezza e la baseline in chiaro leggono cinque set di valutazione InsightFace: LFW, AgeDB-30, CALFW, CPLFW e CFP-FP. Usa i file .bin distribuiti con i dati di training MS1MV3 dello zoo di dataset InsightFace e posizionali come:

datasets/benchmarks/{lfw,agedb_30,calfw,cplfw,cfp_fp}.bin

scripts/setup.sh li verifica rispetto ai digest SHA-256 che abbiamo utilizzato. I benchmark MPC non necessitano dei dataset: la loro comunicazione non dipende dai valori di input, quindi condividono in modo segreto input sintetici.

3. Riproduzione degli esperimenti

./run_experiments.sh --quick verification   # smoke test, about one hour
./run_experiments.sh all                    # every table of the paper
./run_experiments.sh tables                 # print the tables measured so far

I risultati vanno in results/ (un report.json e un summary.csv per esecuzione), e tables scrive results/tables.md con il layout del paper. I target possono essere eseguiti separatamente e in qualsiasi ordine. Un'esecuzione il cui report esiste già viene saltata.

Target	Paper	Tempo di esecuzione sulla nostra macchina (approssimativo)
accuracy	tabella di confronto, colonne di accuratezza	3 h per dataset per core; suddiviso con WORKERS
verification	Face Verification Benchmarks: HbC e M, Co-Host / LAN / Fast-WAN / WAN	~6 h
identification	Face Identification Benchmarks: 1:128 closed set, stessa griglia	~6 h
plaintext	tabella di confronto, riga TensorFlow	1 min
naive	tabella di confronto, riga MP-SPDZ (naive)	~1 h inclusa la compilazione
porthos	tabella di confronto, riga EzPC (Porthos)	~5 min di build + ~1.5 h
baselines	le tre baseline
ablation	tabella di ablazione: le ottimizzazioni una alla volta, dalla baseline naive a GhostFaceMPC (HbC, co-host)	~4 h

Variabili d'ambiente:

Variabile	Significato	Predefinito
THREADS	thread per party	8
NETWORKS	reti da misurare	co-host lan fast-wan wan
WORKERS	processi per l'oracolo di accuratezza	numero di CPU
POOLS, WARMUPS, TRIALS	sovrascrivono il design dei pool	quello del paper
RESULTS	directory di output	results