Un poco sobre FHE primero

La Encriptación Homomórfica Total (FHE) representa una clase de técnicas de encriptación diseñadas para permitir que se realicen cálculos significativos en datos encriptados. Esto significa que cuando los resultados de dichos cálculos son desencriptados, son consistentes con los resultados que se habrían obtenido si esos cálculos se hubieran realizado en los datos en texto plano.

En resumen

fenc es alguna función de cifrado homomórfico

Dónde

La propiedad homomórfica conserva la computación en el espacio encriptado

Dentro de la categoría más amplia de FHE, generalmente vemos la categorización de los esquemas FHE en dos o tres tipos de esquemas FHE que son

• Cifrado Somewhat Homomórfico (SHE): Admite un número limitado de operaciones de suma y multiplicación en el texto cifrado.
• Cifrado completamente homomórfico (FHE): Admite cualquier número de operaciones de multiplicación y/o adición en el texto cifrado sin comprometer su integridad durante la descifrado.
• Cifrado Homomórfico Parcial (HE Parcial): Admite ya sea la operación de suma o multiplicación en el texto cifrado, pero no ambas.

Intentos anteriores en ML con FHE

La exploración del aprendizaje automático (ML) con cifrado completamente homomórfico (FHE) contribuye directamente hacia la preservación de la privacidad de las computaciones permitiendo que se realicen cálculos en datos encriptados.

Esta área ha visto varias contribuciones notables, como la de Lauter (2021) sobre la integración del cifrado homomórfico con la IA para entrenamiento y predicciones privadas, resaltando la unión de la criptografía y el aprendizaje automático para salvaguardar la privacidad de los datos mientras se aprovecha el poder de la IA.

Además, el trabajo sobre redes neuronales profundas que preservan la privacidad utilizando EHE, como se detalla en un estudio que se centra en un modelo híbrido de EHE y Computación de Partes Múltiples (CPM) para evaluar funciones no aritméticas en modelos de ML, empuja los límites en cuanto a mantener la confidencialidad de datos y modelos durante las operaciones computacionales.

El seminal de Graepel, Lauter y Naehrig (2012)papelML Confidential presenta la aplicación de la encriptación homomórfica parcial para delegar cálculos de ML a servicios informáticos de forma segura, lo que permite algoritmos de ML confidenciales que garantizan la confidencialidad de los datos. Además, la investigación sobre regresión logística y algoritmos de aprendizaje no supervisado en datos encriptados ejemplifica la aplicación práctica y adaptación de métodos tradicionales de ML para operar bajo restricciones de encriptación, demostrando la viabilidad y eficiencia de dichos enfoques para preservar la privacidad de los datos. Estos trabajos subrayan colectivamente la intersección crítica entre el aprendizaje automático y la criptografía, ofreciendo un modelo para futuras investigaciones sobre algoritmos de ML seguros que preserven la privacidad.

Introducción a FHEML

El Aprendizaje Automático Basado en Cifrado Homomórfico Totalmente (FHEML) es una forma en la que implementamos algoritmos de aprendizaje automático que utilizan esquemas de cifrado homomórfico total. Permite realizar cálculos en datos cifrados, asegurando la confidencialidad de los datos que se están procesando.

FHEML se puede ver como complementario al Aprendizaje Automático de Conocimiento Cero (ZKML), donde este último se centra en demostrar la ejecución correcta de algoritmos de aprendizaje automático, mientras que FHEML enfatiza la realización de cálculos en datos cifrados para mantener la privacidad de los datos.

La esencia de FHEML radica en su capacidad para habilitar cálculos en datos cifrados de tal manera que, una vez que los resultados de los cálculos se descifran, coinciden con los resultados que se habrían obtenido si los cálculos se hubieran realizado en los datos originales en texto plano. Esta capacidad abre un amplio campo para las aplicaciones de aprendizaje automático porque permite que los algoritmos operen en datos cifrados sin comprometer la privacidad o seguridad de los datos.

Se puede visualizar como:

cálculo en datos encriptados

FHEML consta de algoritmos de aprendizaje automático que se adaptan para trabajar con esquemas de cifrado completamente homomórfico. Al aprovechar estos esquemas, FHEML abre la puerta a una amplia gama de casos de uso de aprendizaje automático centrados en la privacidad. A un alto nivel, esto incluye cómputo confidencial, entrenamiento cifrado e inferencias privadas, entre otros. Estos avances no solo mejoran la seguridad de los datos, sino que también expanden las posibles aplicaciones del aprendizaje automático en contextos sensibles y que demandan privacidad.

Bibliotecas existentes en la dirección de FHEML

Pocas bibliotecas y marcos hacia FHEML, por ahora no hay un estándar establecido para escribir programas FHEML, pero algunos de los marcos y bibliotecas más populares para construir programas FHEML son:

Concrete-mles una biblioteca creada por Zama, construida sobre su compilador TFHE de bajo nivel,Concretoque permite la compilación de código Python arbitrario en circuitos FHE, lo que permite a los desarrolladores escribir funciones en Python que pueden realizar cálculos sobre datos cifrados.

Concrete-ml permite a los desarrolladores trabajar con una API de aprendizaje automático familiar (modelos lineales, modelos basados en árboles, redes neuronales) disponibles en scikitaprende u otros marcos, permite la conversión de modelos de PyTorch en sus versiones compatibles con FHE, clasificadores basados en descenso de gradientes estocásticos que pueden entrenarse en datos cifrados, etc. Concrete-ml reduce significativamente la barrera de entrada para implementar operaciones de ml en datos cifrados.

Tenseal, desarrollado por el OpenMinedcomunidad, se centra en habilitar operaciones homomórficas en tensores (unidades fundamentales en redes neuronales y pueden representar o manipular datos en diversas formas). Construido sobre MicrosoftSEAL(Biblioteca Aritmética Simple Encriptada), Tenseal proporciona una API eficiente, accesible desde Python, con operaciones subyacentes escritas en C++ para un rendimiento mejorado que permite la función de HE en tensores encriptados.

PySyft, es otra contribución de OpenMined destinada a un aprendizaje profundo seguro y privado en Python. Está construido con capacidades de cifrado homomórfico de Tenseal para mejorar sus funcionalidades de preservación de la privacidad. PySyft introduce el tensor CKKS, basado en el CKKSEsquema de cifrado homomórfico, que permite operaciones en números reales y proporciona resultados aproximados. Esto va más allá del cifrado homomórfico, incorporando también la computación segura entre varias partes y la privacidad diferencial para ofrecer un conjunto completo para el aprendizaje automático preservando la privacidad.

TF Encriptado, es un marco diseñado para el aprendizaje automático cifrado dentro del ecosistema de TensorFlow. Imitando la experiencia de TensorFlow, especialmente a través del API Keras, TF Encrypted facilita el entrenamiento y la predicción en datos encriptados. Aprovecha la computación segura multiparte y el cifrado homomórfico para proporcionar capacidades de aprendizaje automático que preservan la privacidad. TF Encrypted tiene como objetivo democratizar el aprendizaje automático encriptado al hacerlo accesible a aquellos sin un profundo conocimiento en criptografía, sistemas distribuidos o computación de alto rendimiento.

Algunos casos de uso genéricos de FHEML

Outsourcing computation

Dado que ahora la computación se realiza sobre datos cifrados, la parte que desea que se realicen los cálculos puede compartir de forma segura la forma cifrada de los datos con un tercero para procesarlos.

Inferencias Encriptadas

Facilita la inferencia encriptada, donde la inferencia solicitada por el usuario no se revela a los modelos y permanece encriptada por defecto, y solo el usuario puede descifrarla con sus claves.

Informes de Entrenamiento Encriptados

Empoderar a las empresas para aprovechar formas encriptadas de datos sensibles para entrenar modelos de aprendizaje automático y obtener ideas. Esto permite a las organizaciones utilizar sus datos para mejorar las operaciones, desarrollar nuevas estrategias y mejorar los procesos de toma de decisiones, todo ello garantizando la máxima privacidad y seguridad de los datos involucrados.

Descargo de responsabilidad:

1. Este artículo es reimpreso de [Foresightnews].Reenviar el Título Original‘速览 Gitcoin 推出的 Allo Protocol：社区赠款计划的协议层基础设施’.Todos los derechos de autor pertenecen al autor original [Frank, Foresight News]. Si hay objeciones a esta reimpresión, por favor contacte al Gate Learnequipo y lo resolverán rápidamente.

2. Exención de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen consejos de inversión.

3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.