เริ่มต้นที่ FHE บ้าง

Fully Homomorphic Encryption (FHE) หมายถึงกลุ่มเทคนิคการเข้ารหัสที่ออกแบบมาเพื่ออนุญาตให้การคำนวณที่มีความหมายสามารถทำได้บนข้อมูลที่ถูกเข้ารหัส นั่นหมายความว่าเมื่อผลลัพธ์ของการคำนวณเช่นนั้นถูกถอดรหัส มันจะสอดคล้องกับผลลัพธ์ที่จะได้รับหากการคำนวณเหล่านั้นได้ดำเนินการบนข้อความที่เป็นข้อความเดียวกัน

สรุปมาก

fenc เป็นฟังก์ชั่นการเข้ารหัสโฮโมอร์ฟิก

ที่ไหน

คุณสมบัติโฮโมมอร์ฟิกสามารถรักษาการคำนวณในพื้นที่ที่เข้ารหัส

ในหมวดหมู่ทั่วไปของ FHE เรามักเห็นการจำแนกประเภทของระบบ FHE เป็นสองหรือสามประเภทของระบบ FHE ที่เป็น

• การเข้ารหัสสายตรวจหน่วยบางส่วน (SHE): รองรับจำนวนจำกัดของการบวกและการคูณบนข้อความเข้ารหัส
• Fully Homomorphic Encryption (FHE): รองรับจำนวนการคูณและ/หรือการบวกใด ๆ บนข้อความลับโดยไม่เสี่ยงภัยต่อความปลอดภัยขณะถอดรหัส
• การเข้ารหัสฮอโมมอร์ฟิกบางส่วน (Partial HE): รองรับการดำเนินการบวกหรือคูณบนข้อความถอยทั้งสอง แต่ไม่สามารถทำทั้งหมด

พยากรณ์เร็วใน ML กับ FHE

การสำรวจของเรคคนิคเริ่มต้นด้วยการเรียนรู้ของเครื่อง (ML) ด้วยการเข้ารหัสที่เสริมที่สุด (FHE) มีส่วนสำคัญต่อการทำงานของการคำนวณที่อนุรักษ์ความเป็นส่วนตัวโดยการเปิดให้การคำนวณทำงานบนข้อมูลที่เข้ารหัส

พื้นที่นี้เคยเห็นการมีส่วนร่วมที่สำคัญหลายอย่าง เช่น การอภิปรายของ Lauter (2021) เกี่ยวกับการผสมรหัสเทพโลหะกับ AI สำหรับการฝึกอบรมและการทำนายเองที่เป็นส่วนตัว โดดเด่นในการสมรรถนะของการเข้ารหัสและการเรียนรู้ของเครื่องจักรในการปกป้องความเป็นส่วนตัวของข้อมูลในขณะเดียวกันการใช้พลังของ AI

นอกจากนี้ งานวิจัยเกี่ยวกับ deep neural networks ที่อยู่ในกรอบการรักษาความเป็นส่วนตัวโดยใช้ FHE ตามที่ระบุในการศึกษาที่เน้นรูปแบบผสมระหว่าง FHE และ Multi-Party Computation (MPC) สำหรับการประเมินฟังก์ชันที่ไม่ใช่คำนวณในโมเดล ML ผลักขอบเขตในการรักษาความลับของข้อมูลและโมเดลขณะทำการคำนวณ

งานวิจัยสำคัญของ Graepel, Lauter, และ Naehrig (2012)กระดาษ บน ML Confidential แนะนําการประยุกต์ใช้การเข้ารหัสแบบ homomorphic เพื่อมอบหมายการคํานวณ ML เพื่อประมวลผลบริการอย่างปลอดภัยทําให้อัลกอริทึม ML ที่เป็นความลับซึ่งรับประกันความลับของข้อมูล นอกจากนี้การวิจัยเกี่ยวกับการถดถอยด้านลอจิสติกส์และอัลกอริธึมการเรียนรู้ที่ไม่ได้รับการดูแลเกี่ยวกับข้อมูลที่เข้ารหัสเป็นตัวอย่างการใช้งานจริงและการปรับตัวของวิธีการ ML แบบดั้งเดิมเพื่อทํางานภายใต้ข้อ จํากัด การเข้ารหัสซึ่งแสดงให้เห็นถึงความเป็นไปได้และประสิทธิภาพของวิธีการดังกล่าวในการรักษาความเป็นส่วนตัวของข้อมูล งานเหล่านี้ร่วมกันเน้นย้ําถึงจุดตัดที่สําคัญของแมชชีนเลิร์นนิงและการเข้ารหัส โดยนําเสนอพิมพ์เขียวสําหรับการวิจัยในอนาคตเกี่ยวกับอัลกอริทึม ML ที่ปลอดภัยและรักษาความเป็นส่วนตัว

คำอธิบายเกี่ยวกับ FHEML

Fully Homomorphic Encryption based Machine Learning (FHEML) เป็นวิธีที่เรานำแอลกอริทึมการเรียนรู้เครื่องที่ใช้ระบบการเข้ารหัสแบบ fully homomorphic มาใช้งาน มันช่วยให้การคำนวณสามารถทำได้บนข้อมูลที่ถูกเข้ารหัส ทำให้มั่นใจได้ว่าข้อมูลที่กำลังถูกประมวลผลมีความลับ

FHEML สามารถถูกมองเป็นเสริมที่สำคัญต่อ Zero-Knowledge Machine Learning (ZKML) ที่ซึ่งให้ความสำคัญกับการพิสูจน์การดำเนินการของอัลกอริทึมการเรียนรู้เครื่อง ในขณะที่ FHEML เน้นการดำเนินการคำนวณบนข้อมูลที่เข้ารหัสเพื่อรักษาความเป็นส่วนตัวของข้อมูล

ความเป็นรูปแบบหลักของ EML อยู่ที่ความสามารถในการเปิดให้การคำนวณบนข้อมูลที่เข้ารหัสในทางที่ผลการคำนวณหลังถอดรหัสตรงกับผลลัพธ์ที่จะได้ถ้าการคำนวณถูกดำเนินการบนข้อมูลต้นฉบับที่เป็นข้อความธรรมดา ความสามารถนี้เปิดโอกาสที่สำคัญสำหรับการประยุกต์ใช้เทคโนโลยีการเรียนรู้ของเครื่องเพราะมันช่วยให้อัลกอริทึมสามารถดำเนินการบนข้อมูลที่เข้ารหัสโดยไม่เสี่ยงที่จะเปิดเผยข้อมูลส่วนตัวหรือความมั่นคงของข้อมูล

มันสามารถมองเห็นได้เป็น:

การคำนวณบนข้อมูลที่เข้ารหัส

FHEML ประกอบด้วยอัลกอริทึมการเรียนรู้ของเครื่องที่ปรับใช้กับแผนการเข้ารหัสแบบเต็มอิสระ โดยการใช้การเข้ารหัสเหล่านี้ FHEML เปิดโอกาสให้เข้าถึงช่วงหลากหลายของกรณีการใช้เรียนรู้ของเครื่องซึ่งใส่ใจความเป็นส่วนตัว ในระดับสูงนี้รวมถึงการคำนวณเชิงลับ การฝึกอบรมที่เข้ารหัสและการสร้างความเป็นส่วนตัวระหว่างอื่น ๆ การก้าวหน้าเช่นนี้ไม่เพียงเสริมความปลอดภัยของข้อมูลเท่านั้น แต่ยังขยายขอบเขตของการใช้งานของการเรียนรู้ของเครื่องในบริบทที่อ่อนไหวและต้องการความเป็นส่วนตัว

ไบบรารีที่มีอยู่ในทิศทางของ FHEML

ห้องสมุดและกรอบน้อยมากสำหรับ FHEML ตอนนี้ยังไม่มีมาตรฐานที่กำหนดสำหรับการเขียนโปรแกรม FHEML แต่บางส่วนของกรอบการทำงานและห้องสมุดที่นิยมสำหรับการสร้างโปรแกรม FHEML ได้แก่:

Concrete-mlเป็นห้องสมุดที่สร้างขึ้นโดย Zama ตั้งอยู่บนคอมไพเลอร์ระดับต่ำ TFHE ของพวกเขาคอนกรีตซึ่งช่วยให้สามารถคอมไพล์โค้ด Python อย่างสมบูรณ์เป็นวงจร FHE ซึ่งทำให้นักพัฒนาสามารถเขียนฟังก์ชันใน Python ซึ่งสามารถดำเนินการคำนวณบนข้อมูลที่เข้ารหัส

Concrete-ml ช่วยให้นักพัฒนาสามารถทำงานกับ API การเรียนรู้ของเครื่องที่คุ้นเคย (โมเดลเชิงเส้น โมเดลที่ใช้ต้นไม้ เครือข่ายประสาท) ที่มีให้ใช้ใน Gate.ioscikitการเรียนรู้หรือเฟรมเวิร์กอื่น ๆ ช่วยให้สามารถแปลงโมเดล PyTorch เป็นเวอร์ชันที่เข้ากันได้กับ FHE ได้ คือ คลาสสิฟายเออร์ที่ใช้ stochastic gradient descent ซึ่งสามารถฝึกอบรมข้อมูลที่เข้ารหัสได้ เป็นต้น Concrete-ml ลดอุปสรรค์ในการป้อนข้อมูลที่เข้ารหัสเข้าสู่การดำเนินงาน ml อย่างมีนัยสำคัญ

Tenseal, ที่พัฒนาโดย OpenMinedชุมชน, เน้นให้ความสำคัญกับการเปิดใช้งานการดำเนินการโฮโมร์ฟิกบนเซนเซอร์ (หน่วยพื้นฐานในเครือข่ายประสาทและสามารถแทนและจัดการข้อมูลในรูปแบบต่าง ๆ ได้) ที่สร้างขึ้นบนพื้นฐานของ MicrosoftSEAL (Simple Encrypted Arithematic Library), Tenseal ให้ API ที่มีประสิทธิภาพ พร้อมด้วยการดำเนินการฐานข้อมูลที่เขียนขึ้นใน C++ เพื่อการประสิทธิภาพที่เพิ่มขึ้นสำหรับการเปิดใช้งานฟังก์ชัน HE บนเซ็นเซอร์ที่เข้ารหัส

PySyftPySyft คือการร่วมมืออีกอย่างจาก OpenMined ที่มุ่งเน้นไปที่การเรียนรู้เชิงลึกใน Python ที่ปลอดภัยและเชิงส่วนตัว มันถูกสร้างขึ้นด้วยความสามารถในการเข้ารหัสโฮโมมอร์ฟิกของ Tenseal เพื่อเสริมสร้างความสามารถในการรักษาความเป็นส่วนตัวของมัน PySyft นำเสนอเทนเซอร์ CKKS ที่ขึ้นอยู่บนCKKSระบบการเข้ารหัสโฮโมมอร์ฟิกที่เป็นไปได้ที่ช่วยให้การดำเนินการบนจำนวนจริงและให้ผลลัพธ์ที่เป็นค่าโดยประมาณ นอกจากนี้ยังขยายออกไปนอกเหนือจากการเข้ารหัสโฮโมมอร์ฟิก โดยยังผสานการคำนวณแบบหลายฝ่ายที่ปลอดภัยและความเป็นส่วนตัวที่แตกต่างกันเพื่อให้ได้ชุดที่ครอบคลุมสำหรับการเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัว

TF Encrypted, เป็นกรอบการออกแบบสำหรับการเรียนรู้ของเครื่องที่เข้ารหัสลับภายในนิวรอนเครืองของ TensorFlow การจำลองประสบการณ์ของ TensorFlow โดยเฉพาะผ่านทาง Keras API, TF Encrypted ช่วยให้การฝึกอบรมและการทำนายบนข้อมูลที่เข้ารหัสเป็นเรื่องง่าย โดยใช้การคำนวณแบบพรรคการทำงานร่วมกันแบบปลอดภัยและการเข้ารหัสโฮโมมอร์ฟิกเพื่อให้บริการความสามารถในการเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัว TF Encrypted มีเป้าหมายที่จะทำให้การเรียนรู้ของเครื่องที่เข้ารหัสเป็นเรื่องที่สามารถเข้าถึงได้สำหรับผู้ที่ไม่มีพื้นฐานที่ลึกซึ้งในด้านการเข้ารหัสข้อมูล ระบบกระจายหรือการคำนวณที่มีประสิทธิภาพสูง

Few generic usecase of FHEML

การออกแบบคำนวณ

เนื่องจากการคำนวณเกิดขึ้นบนข้อมูลที่เข้ารหัสตอนนี้ ฝ่ายที่ต้องการให้การคำนวณเกิดขึ้นสามารถแบ่งปันรูปแบบที่เข้ารหัสของข้อมูลไปยังฝ่ายที่สามเพื่อประมวลผลได้อย่างปลอดภัย

การอ่านข้อมูลที่เข้ารหัส

มันทำให้การอ้างอิงที่เข้ารหัสได้ โดยที่การอ้างอิงที่ผู้ใช้ขอไม่ได้เปิดเผยต่อแบบจำลองและยังคงเข้ารหัสโดยค่าเริ่มต้นและเฉพาะผู้ใช้เท่านั้นที่สามารถถอดรหัสด้วยกุญแจของพวกเขา

ข้อมูลการฝึกอบรมที่เข้ารหัส

ขับเคลื่อนธุรกิจให้สามารถใช้ข้อมูลที่มีความลับในรูปแบบที่เข้ารหัสเพื่อฝึกโมเดลการเรียนรู้ของเครื่องและซึ่งเป็นการซึ่งเป็นการเชื่อมั่น มองเห็น ซึ่งเป็นการซึ่งเป็นการเชื่อมั่น เป็นการใช้ข้อมูลขององค์กรในการเสริมสร้างการดำเนินงาน พัฒนากลยุทธ์ใหม่ และปรับปรุงกระบวนการตัดสินใจ ทั้งหมดนี้ยังต้องรักษาความเป็นส่วนตัวและความปลอดภัยของข้อมูลที่เข้ามีการใช้งาน

ข้อความประกาศระวัง

1. บทความนี้ถูกคัดลอกมาจาก [ Foresightnews]. ส่งต่อชื่อเรื่องต้นฉบับ '速览 Gitcoin 推出的 Allo Protocol：社区赠款计划的协议层基础设施'. สงวนลิขสิทธิ์ทั้งหมดโดยผู้เขียนต้นฉบับ [Frank, Foresight News]. หากมีข้อบกพร่องต่อการพิมพ์ฉบับนี้ โปรดติดต่อ Gate Learnทีม และพวกเขาจะจัดการกับมันโดยเร็ว

2. คำประกาศความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นที่เป็นที่ปรึกษาด้านการลงทุนใด ๆ

3. การแปลบทความเป็นภาษาอื่น ๆ ทำโดยทีม Gate Learn หากไม่ได้กล่าวถึง การคัดลอก การกระจาย หรือการลอกเลียนบทความที่ถูกแปล จะถูกห้าม