Một chút về FHE trước

Fully Homomorphic Encryption (FHE) đại diện cho một lớp kỹ thuật mã hóa được thiết kế để cho phép các phép tính có ý nghĩa được thực hiện trên dữ liệu đã được mã hóa. Điều này có nghĩa là khi kết quả của các phép tính như vậy được giải mã, chúng nhất quán với các kết quả mà đã được thu được nếu như những phép tính đó đã được thực hiện trên dữ liệu văn bản nguyên thủy.

Tóm lại

fenc là một hàm mã hóa đồng dạng

Ở đâu

Thuộc tính đồng dạng bảo toàn phép tính trong không gian được mã hóa

Trong phạm vi rộng hơn của danh mục FHE, Chúng tôi thường thấy sự phân loại của các kế hoạch FHE thành hai trong ba loại kế hoạch FHE là

• Mã hóa đa dạng một phần (SHE): Hỗ trợ một số phép cộng và nhân giới hạn trên văn bản mật.
• Mã hóa toàn diện đa biến (FHE): Hỗ trợ bất kỳ số lượng phép nhân và/hoặc cộng trên văn bản mật mã mà không làm suy giảm tính toàn vẹn khi giải mã.
• Mã hóa Đa biến Một phần (HE Một phần): Hỗ trợ hoặc phép cộng hoặc phép nhân trên văn bản mật, nhưng không cả hai.

Các nỗ lực trước đó trong ML với FHE

Việc thăm dò về học máy (ML) với mã hóa hoàn toàn homomorphic (FHE) đóng góp trực tiếp vào việc bảo vệ quyền riêng tư cho việc tính toán cho phép thực hiện tính toán trên dữ liệu được mã hóa.

Khu vực này đã chứng kiến một số đóng góp đáng chú ý, như bài giảng của Lauter (2021) về việc tích hợp mã hóa homomorphic với trí tuệ nhân tạo cho việc đào tạo và dự đoán riêng tư, nhấn mạnh sự kết hợp của mật mã và học máy để bảo vệ quyền riêng tư dữ liệu trong khi tận dụng sức mạnh của trí tuệ nhân tạo.

Hơn nữa, công việc về mạng nơ-ron sâu bảo vệ quyền riêng tư bằng FHE, như đã được nêu chi tiết trong một nghiên cứu tập trung vào một mô hình kết hợp của FHE và Tính toán Đa Bên (MPC) để đánh giá các hàm không phải số trong các mô hình ML, đẩy ranh giới về việc duy trì tính bí mật của dữ liệu và mô hình trong quá trình tính toán.

Tác phẩm kinh điển của Graepel, Lauter và Naehrig (2012) giấyTrong ML Confidential giới thiệu việc áp dụng mã hóa hơi đồng dạng để ủy quyền tính toán ML cho dịch vụ tính toán một cách an toàn, cho phép các thuật toán ML bí mật đảm bảo tính bảo mật dữ liệu. Ngoài ra, nghiên cứu về hồi quy logistic và các thuật toán học không giám sát trên dữ liệu được mã hóa minh họa cho việc áp dụng và điều chỉnh thực tế của các phương pháp ML truyền thống để hoạt động dưới ràng buộc mã hóa, chứng minh tính khả thi và hiệu quả của các phương pháp như vậy trong việc bảo vệ sự riêng tư dữ liệu. Những nghiên cứu này cùng nhau nhấn mạnh sự giao điểm quan trọng giữa học máy và mật mã, cung cấp một bản thiết kế cho nghiên cứu tương lai về các thuật toán ML bảo mật, bảo vệ sự riêng tư.

Giới thiệu về FHEML

Mã hóa toàn diện dựa trên Học máy Mã hóa hoàn toàn dựa trên Học máy (FHEML) là một cách mà chúng ta triển khai các thuật toán học máy sử dụng các kế hoạch mã hóa toàn diện. Nó cho phép tính toán được thực hiện trên dữ liệu được mã hóa, đảm bảo tính bảo mật của dữ liệu đang được xử lý.

FHEML có thể được coi là bổ sung cho Zero-Knowledge Machine Learning (ZKML), nơi mà sau này tập trung vào chứng minh việc thực hiện đúng của các thuật toán học máy, trong khi FHEML nhấn mạnh vào việc thực hiện tính toán trên dữ liệu được mã hóa để duy trì quyền riêng tư dữ liệu.

Bản chất của FHEML nằm ở khả năng cho phép tính toán trên dữ liệu được mã hóa sao cho khi kết quả tính toán được giải mã, chúng khớp với kết quả sẽ được thu được nếu các tính toán đã được thực hiện trên dữ liệu gốc, văn bản thô. Khả năng này mở ra phạm vi đáng kể cho các ứng dụng học máy vì nó cho phép các thuật toán hoạt động trên dữ liệu đã mã hóa mà không đặt dữ liệu cá nhân hoặc bảo mật dữ liệu vào tình thế nguy hiểm.

Nó có thể được hình dung như là:

tính toán trên dữ liệu đã mã hóa

FHEML bao gồm các thuật toán học máy được điều chỉnh để hoạt động với các kế hoạch mã hóa hoàn toàn homomorphic. Bằng cách tận dụng các kế hoạch này, FHEML mở ra cánh cửa cho một loạt các trường hợp sử dụng học máy tập trung vào quyền riêng tư. Ở mức cao, điều này bao gồm tính toán bí mật, đào tạo được mã hóa và suy luận riêng tư, trong số các trường hợp khác. Những tiến bộ như vậy không chỉ nâng cao an ninh dữ liệu mà còn mở rộng các ứng dụng tiềm năng của học máy trong ngữ cảnh nhạy cảm và đòi hỏi quyền riêng tư.

Các thư viện hiện có theo hướng FHEML

Một số thư viện và frameworks hướng tới FHEML, Hiện tại chưa có tiêu chuẩn cụ thể cho việc viết chương trình FHEML nhưng một số frameworks và thư viện phổ biến nhất để xây dựng chương trình FHEML là:

Concrete-mlthư viện được tạo ra bởi Zama, được xây dựng trên nền tảng của trình biên dịch TFHE cấp thấp của họ, Bê tôngđiều này cho phép biên dịch mã python tùy ý thành mạch FHE, cho phép các nhà phát triển viết các chức năng trong python có thể thực hiện tính toán trên dữ liệu được mã hóa.

Concrete-ml cho phép các nhà phát triển làm việc với API học máy quen thuộc (mô hình tuyến tính, mô hình dựa trên cây, mạng neural) có sẵn trong scikitHọc hoặc các framework khác, cho phép chuyển đổi các mô hình PyTorch thành các phiên bản tương thích với FHE, các bộ phân loại dựa trên descent gradient ngẫu nhiên có thể được huấn luyện trên dữ liệu được mã hóa v.v. Concrete-ml giảm đáng kể rào cản để thực hiện các hoạt động ml trên dữ liệu được mã hóa.

Tenseal, phát triển bởi OpenMinedcộng đồng, Tập trung vào việc kích hoạt các phép toán đồng dạng trên các tensor (đơn vị cơ bản trong các mạng nơ-ron và có thể đại diện hoặc thao tác dữ liệu dưới nhiều hình thức khác nhau). Xây dựng trên nền tảng của Microsoft SEAL(Thư viện toán học đơn giản được mã hóa), Tenseal cung cấp một API hiệu quả, dễ tiếp cận bằng Python với các hoạt động cơ bản được viết bằng C++ để tăng hiệu suất cho việc kích hoạt chức năng HE trên các véc-tơ được mã hóa.

PySyft, là một đóng góp khác từ OpenMined nhằm mục đích học sâu an toàn và riêng tư trong Python. Nó được xây dựng với khả năng mã hóa homomorphic của Tenseal để tăng cường tính năng bảo vệ sự riêng tư của nó. PySyft giới thiệu tensor CKKS, dựa trên CKKShệ mã hóa đồng cấp, cho phép thực hiện các phép toán trên số thực và cung cấp kết quả xấp xỉ. Điều này vượt ra ngoài hệ mã hóa đồng cấp, cũng tích hợp tính toán đa bên an toàn và quyền riêng tư khác biệt để cung cấp một bộ công cụ toàn diện cho việc học máy bảo vệ quyền riêng tư.

TF Encrypted, là một khung công việc được thiết kế cho việc học máy được mã hóa trong hệ sinh thái TensorFlow. Bắt chước trải nghiệm TensorFlow, đặc biệt là thông qua Keras API, TF Encrypted giúp việc huấn luyện và dự đoán trên dữ liệu được mã hóa. Nó tận dụng tính toán đa bên an toàn và mã hóa đồng dạng để cung cấp khả năng học máy bảo vệ quyền riêng tư. TF Encrypted nhằm mục tiêu phổ cập học máy được mã hóa bằng cách làm cho nó dễ tiếp cận đối với những người không có nền tảng sâu về mật mã, hệ thống phân tán, hoặc máy tính hiệu suất cao.

Một số trường hợp sử dụng chung của FHEML

Outsourcing computation

Bởi vì, việc tính toán xảy ra trên dữ liệu được mã hóa nên bên muốn các phép tính xảy ra có thể an toàn chia sẻ dạng mã hóa của dữ liệu cho bên thứ ba xử lý.

Thông tin được mã hóa

Nó tạo điều kiện cho việc suy luận được mã hóa, nơi mà suy luận được yêu cầu bởi người dùng không được tiết lộ cho các mô hình và vẫn được mã hóa mặc định và chỉ người dùng mới có thể giải mã nó bằng các khóa của họ.

Bí mật Đào tạo Cái nhìn

Tạo điều kiện cho các doanh nghiệp tận dụng các dạng dữ liệu nhạy cảm được mã hóa để huấn luyện các mô hình học máy và rút ra những hiểu biết. Điều này giúp tổ chức sử dụng dữ liệu của mình để cải thiện hoạt động, phát triển chiến lược mới, và tăng cường quyết định, tất cả đều đảm bảo tính riêng tư và bảo mật tối đa của dữ liệu liên quan.

免责声明：

1. Bài viết này được tái bản từ [Foresightnews]Chuyển tiếp Tiêu đề Gốc ‘速览 Gitcoin 推出的 Allo Protocol：社区赠款计划的协议层基础设施’.Tất cả quyền bản quyền thuộc về tác giả gốc [Frank, Foresight News]Nếu có bất kỳ ý kiến ​​nào về việc tái bản này, vui lòng liên hệ với Gate Learnđội ngũ, và họ sẽ xử lý nhanh chóng.

2. Bảo mật Trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không hề cung cấp bất kỳ lời khuyên đầu tư nào.

3. Các bản dịch của bài viết sang các ngôn ngữ khác được thực hiện bởi nhóm Gate Learn. Trừ khi được nêu, việc sao chép, phân phối hoặc đạo văn các bài viết dịch là bị cấm.