Спочатку трохи про FHE

Повністю гомоморфне шифрування (FHE) представляє клас технік шифрування, призначених для виконання значущих обчислень з зашифрованими даними. Це означає, що після розшифрування результатів таких обчислень вони відповідають результатам, які б були отримані, якщо б ці обчислення були виконані на звичайних даних.

Коротко кажучи

fenc - це деяка гомоморфна функція шифрування

Де

Гомоморфність зберігає обчислення в зашифрованому просторі

У широкому розумінні категорії FHE, ми зазвичай бачимо категоризацію схем FHE на два або три типи схем FHE, які є

• Деякісний гомоморфний шифрувальник (SHE): Підтримує обмежену кількість операцій додавання та множення на шифротексті.
• Повністю гомоморфне шифрування (FHE): підтримує будь-яку кількість операцій множення та / або додавання до шифротексту без порушення його цілісності під час дешифрування.
• Часткова гомоморфна шифрування (Partial HE): Підтримує або операцію додавання, або операцію множення на шифротексті, але не обидві одночасно.

Раніше спроби в ML з FHE

Дослідження машинного навчання (ML) з повністю гомоморфним шифруванням (FHE) безпосередньо сприяє збереженню конфіденційності обчислень, що дозволяє виконувати обчислення на зашифрованих даних.

Ця область була свідком кількох важливих внесків, таких як той, що зробив Лаутер (2021) у своїй експозиції про інтеграцію гомоморфного шифрування з ШШ для приватного тренування та передбачень, підкреслюючи об'єднання криптографії та машинного навчання для захисту конфіденційності даних під час використання потужності ШШ.

Далі, робота над збереженням конфіденційності глибоких нейронних мереж з використанням FHE, як детально описано в дослідженні, що акцентується на гібридній моделі FHE та обчислення багатосторонніх обчислень (MPC) для оцінки неарифметичних функцій у моделях ML, розширює межі збереження конфіденційності даних та моделі під час обчислень.

Семінар Грапеля, Лаутера та Неріґа (2012)папір on ML Confidential представляє застосування дещо гомоморфного шифрування для безпечного делегування обчислень ML обчислювальним службам, що дозволяє використовувати конфіденційні алгоритми машинного навчання, які забезпечують секретність даних. Крім того, дослідження логістичної регресії та алгоритмів неконтрольованого навчання на зашифрованих даних є прикладом практичного застосування та адаптації традиційних методів машинного навчання для роботи в умовах обмежень шифрування, демонструючи доцільність та ефективність таких підходів у збереженні конфіденційності даних. Ці роботи в сукупності підкреслюють критичний перетин машинного навчання та криптографії, пропонуючи план для майбутніх досліджень безпечних алгоритмів машинного навчання, що зберігають конфіденційність.

Вступ до FHEML

Повністю гомоморфне шифрування на основі машинного навчання (FHEML) - це спосіб, за допомогою якого ми реалізуємо алгоритми машинного навчання, які використовують повністю гомоморфні схеми шифрування. Воно дозволяє виконувати обчислення над зашифрованими даними, забезпечуючи конфіденційність даних, які обробляються.

FHEML можна розглядати як доповнення до машинного навчання з нульовим знанням (ZKML), де останнє акцентується на доведенні правильного виконання алгоритмів машинного навчання, тоді як FHEML підкреслює виконання обчислень на зашифрованих даних для збереження конфіденційності даних.

Суть FHEML полягає в здатності здійснювати обчислення на зашифрованих даних таким чином, що, одержавши результати обчислень, розшифровані, вони відповідають результатам, які були б отримані, якби обчислення були виконані на оригінальних, текстових даних. Ця можливість відкриває значний простір для застосувань машинного навчання, оскільки вона дозволяє алгоритмам працювати з зашифрованими даними, не компрометуючи конфіденційність або безпеку даних.

Це можна уявити як:

обчислення на зашифрованих даних

FHEML складається з алгоритмів машинного навчання, які адаптовані для роботи з повністю гомоморфними схемами шифрування. Використовуючи ці схеми, FHEML відкриває доступ до широкого спектру використання центрованого на конфіденційності машинного навчання. На високому рівні це включає конфіденційне обчислення, зашифроване навчання та приватні висновки, серед іншого. Такі досягнення не тільки підвищують безпеку даних, але й розширюють потенційні застосування машинного навчання в чутливих та вимагаючих приватності контекстах.

Існуючі бібліотеки у напрямку FHEML

Кілька бібліотек та фреймворків для FHEML. Наразі не існує стандарту для написання програм FHEML, але кілька з найпопулярніших фреймворків та бібліотек для розробки програм FHEML є:

Concrete-mlце бібліотека, створена Зама, побудована на основі їх низькорівневого компілятора TFHE,Бетонщо дозволяє компіляцію довільного коду Python в FHE схеми, що дозволяє розробникам писати функції на Python, які можуть виконувати обчислення над зашифрованими даними.

Concrete-ml дозволяє розробникам працювати зі знайомим API машинного навчання (лінійні моделі, моделі на основі дерев, нейронні мережі), доступні в scikitінші фреймворки, дозволяють перетворити моделі PyTorch на їх FHE-сумісні версії, класифікатори на основі стохастичного градієнтного спуску, які можна навчати на зашифрованих даних і т.д. Concrete-ml значно знижує бар'єр для впровадження операцій машинного навчання на зашифрованих даних.

Tenseal, розроблений OpenMinedспільнота, зосереджена на можливості гомоморфних операцій над тензорами (основні одиниці в нейронних мережах, які можуть представляти або маніпулювати даними в різних формах). Побудовано на основі MicrosoftSEAL (Проста криптована бібліотека арифметики), Tenseal надає ефективний API, доступний для Python з основними операціями, написаними на C++, для підвищення продуктивності для увімкнення функції HE на зашифрованих тензорах.

PySyft, є ще одним внеском в OpenMined з метою безпечного та конфіденційного глибокого навчання на Python. Він побудований з можливостями гомоморфного шифрування Tenseal для підвищення його функціоналу збереження конфіденційності. PySyft представляє тензор CKKS, що базується на CKKSсхема гомоморфного шифрування, яка дозволяє виконувати операції з реальними числами та надавати приблизні результати. Це виходить за межі гомоморфного шифрування, включаючи також безпечний обчислювальний процес та диференційовану конфіденційність, щоб надати комплексний набір для збереження конфіденційності машинного навчання.

TF Зашифровано, це фреймворк, призначений для зашифрованого машинного навчання в екосистемі TensorFlow. Наслідуючи досвід TensorFlow, особливо через Keras API, TF Encrypted сприяє навчанню та передбаченню на зашифрованих даних. Він використовує безпечний багатосторонній обчислення та гомоморфне шифрування, щоб забезпечити можливості збереження конфіденційності машинного навчання. TF Encrypted має на меті демократизувати зашифроване машинне навчання, роблячи його доступним тим, хто не має глибоких знань у криптографії, розподілених системах або високопродуктивному обчисленні.

Декілька загальних використань FHEML

Зовнішнє обчислення

Оскільки обчислення відбуваються над зашифрованими даними, тепер сторона, яка хоче, щоб відбулися обчислення, може безпечно поділитися зашифрованою формою даних з третьою стороною для обробки.

Зашифровані висновки

Це сприяє шифрованому інференції, де запит на інференцію, наданий користувачем, за замовчуванням не розголошується моделям та залишається зашифрованим, і тільки користувач може розшифрувати його за допомогою своїх ключів.

Зашифровані навчальні висновки

Надайте бізнесу можливість використовувати зашифровані форми чутливих даних для навчання моделей машинного навчання та отримання інсайтів. Це дозволяє організаціям використовувати свої дані для покращення операцій, розробки нових стратегій та удосконалення процесів прийняття рішень, все це забезпечуючи найвищий рівень конфіденційності та безпеки задіяних даних.

Disclaimer：

1. Ця стаття перепечатана з [ Foresightnews]. Переслати оригінальний заголовок‘速览 Gitcoin 推出的 Allo Protocol：соціально-фінансова програма для грантів на рівні протоколу’. Усі авторські права належать оригінальному автору [Френк, Новини Прозорості]. Якщо є зауваження до цього видання, будь ласка, зв'яжіться з Gate Learnкоманда, і вони оперативно займуться цим.

2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно авторськими і не становлять жодної інвестиційної поради.

3. Переклади статей на інші мови здійснює команда Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіатування перекладених статей заборонено.