GhostFaceMPC: Reconhecimento Facial com Preservação de Privacidade usando Computação Multipartidária

Implementação oficial de GhostFaceMPC: Privacy-Preserving Face Recognition with Multi-Party Computation (Davide Carnemolla, Dario Catalano, Mario Di Raimondo — Universidade de Catania). Artigo: Cryptology ePrint Archive, Paper 2026/2499.

O GhostFaceMPC executa reconhecimento facial com o GhostFaceNetV1 (largura 1.3, stride 1, cabeça ArcFace, treinado no MS1MV3) entre três servidores com partilha de segredo replicada no MP-SPDZ.

O cliente faz a partilha de segredo do rosto alinhado de 112×112: ele próprio produz a partilha replicada, de modo que os servidores carregam os seus pares sem re-partilhar nada. Nenhum servidor vê jamais a imagem, uma ativação, o embedding ou a base de dados de inscritos.
Os parâmetros do modelo são públicos, portanto cada camada linear é uma aritmética local de segredo-por-público com uma redução de ponto fixo por saída.
O modelo é quantizado para um anel de 32 bits (6 bits fracionários, 9 para os kernels) por meio de treino ciente de quantização sobre a aritmética exata que os servidores executam.
Suporta dois perfis de segurança: semi-honesto (replicated-ring-party) e malicioso com aborto (ps-rep-ring-party).
Cada pedido é dividido numa fase offline e numa fase online. A fase offline gera o pré-processamento independente da entrada. A fase online é a própria inferência, seguida de uma pontuação de verificação 1:1 ou de uma identificação de conjunto fechado 1:N. Nenhuma das fases revela nada.

Este repositório contém exatamente o código necessário para reproduzir as experiências do artigo.

@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}
}

Conteúdo

Caminho	O que é
`src/ghostmpc/`	Pacote Python e linha de comando `ghostmpc`
`src/ghostmpc/codegen/`	compilador do manifesto do modelo para um programa MP-SPDZ
`src/ghostmpc/eval/`	oráculo de anel em texto claro (bit-exato com o programa MPC) e avaliação de precisão
`src/ghostmpc/benchmark/`	harness de benchmark de três partes e redes emuladas
`src/ghostmpc/training/`	treinamento com reconhecimento de quantização sobre o passo direto fiel ao anel
`third_party/patches/`	as instruções de máquina virtual que este trabalho adiciona ao MP-SPDZ
`baselines/`	as linhas de base: TensorFlow em texto claro, MP-SPDZ ingênuo, EzPC/Porthos
`run_experiments.sh`	um script que executa todos os experimentos do artigo
`scripts/`	configuração, emulação de rede sem root, coleta de tabelas
`tests/`	testes unitários (`pytest`)

1. Requisitos

Máquina. Linux em x86-64. O artigo usou uma VM de 32 núcleos (Intel Xeon Gold 6238R) e executa 8 threads por parte. Todos os três servidores são executados em um único host.
Python. Python ≥ 3.10 (testado com 3.11).

Dependências de compilação do MP-SPDZ (lista 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

Emulação LAN/WAN. Requer iproute2 (ip, tc), iputils-ping, unshare (util-linux) e namespaces de usuário sem privilégios. O script não precisa de root. No Debian/Ubuntu: sudo sysctl kernel.unprivileged_userns_clone=1.
Apenas o baseline do Porthos.
- libboost-system-dev
- uma CPU com AES-NI
- OCaml 4.14 via opam, com opam install ocamlbuild menhir ocamlfind stdint

2. Configuração

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

scripts/setup.sh faz quatro coisas:

Cria .venv e instala o pacote. Isso baixa tensorflow-cpu, Pillow, onnx, onnxruntime e onnxsim.
Prepara o MP-SPDZ em third_party/MP-SPDZ:
- faz checkout da revisão fixada;
- aplica third_party/patches/;
- habilita o anel de 32 bits (MY_CFLAGS += -DRING_SIZE=32 em CONFIG.mine);
- compila replicated-ring-party.x e ps-rep-ring-party.x;
- gera os certificados TLS das três partes.
Baixa os arquivos do modelo (ver a tabela abaixo).
Verifica os conjuntos de dados de benchmark.

Os arquivos do modelo ficam em artifacts/:

Arquivo	Conteúdo
`GhostFaceNet_W1.3_S1_ArcFace.h5`	professor float, da release do GhostFaceNets
`model/`	o modelo quantizado ring32/f6/f_w9, com seus relatórios de acurácia
`model-ring64-f16-b0/`	manifesto ring64 a partir do qual a baseline Porthos é exportada
`legacy-scalar-236/`	manifesto ring64/f20 da baseline ingênua do MP-SPDZ

Os bundles são assets de release deste repositório, e cada arquivo é verificado contra seu SHA-256. ghostmpc fetch-bundles --bundle qat-start também baixa o manifesto a partir do qual o QAT inicia (ver §5).

Conjuntos de dados

O experimento de acurácia e a baseline em texto claro leem cinco conjuntos de avaliação do InsightFace: LFW, AgeDB-30, CALFW, CPLFW e CFP-FP. Use os arquivos .bin distribuídos com os dados de treinamento MS1MV3 do InsightFace dataset zoo e coloque-os como:

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

scripts/setup.sh verifica-os em relação aos resumos SHA-256 que utilizámos. Os benchmarks MPC não precisam dos conjuntos de dados: a sua comunicação não depende dos valores de entrada, pelo que partilham de forma secreta entradas sintéticas.

3. Reproduzir as experiências

./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

Os resultados vão para results/ (um report.json e um summary.csv por execução), e tables escreve results/tables.md no formato do artigo. Os alvos podem ser executados separadamente e em qualquer ordem. Uma execução cujo relatório já existe é ignorada.

Alvo	Artigo	Tempo de execução na nossa máquina (aprox.)
`accuracy`	tabela de comparação, colunas de precisão	3 h por conjunto de dados por núcleo; dividir com `WORKERS`
`verification`	Face Verification Benchmarks: HbC e M, Co-Host / LAN / Fast-WAN / WAN	~6 h
`identification`	Face Identification Benchmarks: 1:128 closed set, mesma grelha	~6 h
`plaintext`	tabela de comparação, linha TensorFlow	1 min
`naive`	tabela de comparação, linha MP-SPDZ (naive)	~1 h incluindo compilação
`porthos`	tabela de comparação, linha EzPC (Porthos)	~5 min de compilação + ~1,5 h
`baselines`	as três baselines
`ablation`	tabela de ablação: as otimizações uma de cada vez, desde a baseline naive até GhostFaceMPC (HbC, co-host)	~4 h

Variáveis de ambiente:

Variável	Significado	Predefinição
`THREADS`	threads por parte	8
`NETWORKS`	redes a medir	`co-host lan fast-wan wan`
`WORKERS`	processos para o oráculo de precisão	número de CPUs
`POOLS`, `WARMUPS`, `TRIALS`	substituir o desenho de pools	o do artigo
`RESULTS`	diretório de saída	`results`

GhostFaceMPC