Um pouco sobre FHE primeiro

A Criptografia Totalmente Homomórfica (FHE) representa uma classe de técnicas de criptografia projetadas para permitir que cálculos significativos sejam realizados em dados criptografados. Isso significa que quando os resultados desses cálculos são descriptografados, eles são consistentes com os resultados que teriam sido obtidos se esses cálculos tivessem sido realizados nos dados em texto simples.

Em resumo

fenc é alguma função de criptografia homomórfica

Onde

A propriedade homomórfica preserva cálculos no espaço criptografado

Dentro da categoria mais ampla de EML, geralmente vemos a categorização dos esquemas de EML em dois ou três tipos de esquemas de EML que são

• Criptografia Homomórfica Parcialmente (SHE): Suporta um número limitado de operações de adição e multiplicação em texto cifrado.
• Criptografia Totalmente Homomórfica (FHE): Suporta qualquer número de operações de multiplicação e/ou adição em texto cifrado sem comprometer sua integridade durante a descriptografia.
• Criptografia Homomórfica Parcial (HE Parcial): Suporta apenas a operação de adição ou multiplicação no texto cifrado, mas não ambos.

Tentativas anteriores em ML com FHE

A exploração da aprendizagem de máquina (ML) com criptografia totalmente homomórfica (FHE) contribui diretamente para a computação preservadora de privacidade, permitindo que as computações sejam realizadas em dados criptografados.

Esta área tem visto várias contribuições notáveis, como a de Lauter (2021) sobre a integração da criptografia homomórfica com IA para treinamento e previsões privadas, destacando a união da criptografia e da aprendizagem de máquinas para salvaguardar a privacidade dos dados enquanto alavanca o poder da IA.

Além disso, o trabalho em redes neurais profundas preservando a privacidade usando FHE, conforme detalhado em um estudo que se concentra em um modelo híbrido de FHE e Computação de Múltiplas Partes (MPC) para avaliar funções não aritméticas em modelos de ML, empurra os limites na manutenção da confidencialidade de dados e modelos durante cálculos.

O seminal de Graepel, Lauter e Naehrig (2012)papelO ML Confidential apresenta a aplicação da criptografia homomórfica parcial para delegar cálculos de ML a serviços de computação de forma segura, permitindo algoritmos de ML confidenciais que garantem o sigilo dos dados. Além disso, a pesquisa sobre algoritmos de regressão logística e aprendizado não supervisionado em dados criptografados exemplifica a aplicação prática e adaptação de métodos tradicionais de ML para operar sob restrições de criptografia, demonstrando a viabilidade e eficiência de tais abordagens na preservação da privacidade dos dados. Esses trabalhos destacam coletivamente a interseção crítica entre aprendizado de máquina e criptografia, oferecendo um plano para futuras pesquisas sobre algoritmos de ML seguros e preservadores de privacidade.

Introdução ao FHEML

A Criptografia Totalmente Homomórfica baseada em Aprendizado de Máquina (FHEML) é uma maneira pela qual implementamos algoritmos de aprendizado de máquina que utilizam esquemas de criptografia totalmente homomórfica. Isso permite que cálculos sejam realizados em dados criptografados, garantindo a confidencialidade dos dados que estão sendo processados.

FHEML pode ser considerado como complementar à Aprendizagem de Máquina de Conhecimento Zero (ZKML), onde este último se concentra em comprovar a execução correta de algoritmos de aprendizagem de máquina, enquanto FHEML enfatiza a realização de computações em dados criptografados para manter a privacidade dos dados.

A essência do FHEML reside na sua capacidade de permitir cálculos em dados criptografados de tal forma que, uma vez que os resultados da computação são descriptografados, eles correspondem aos resultados que teriam sido obtidos se os cálculos tivessem sido realizados nos dados originais em texto simples. Essa capacidade abre um escopo significativo para aplicações de aprendizado de máquina, pois permite que algoritmos operem em dados criptografados sem comprometer a privacidade ou segurança dos dados.

Pode ser visualizado como:

computação em dados criptografados

FHEML é composto por algoritmos de aprendizado de máquina adaptados para trabalhar com esquemas de criptografia totalmente homomórfica. Ao alavancar esses esquemas, o FHEML abre as portas para uma ampla gama de casos de uso de aprendizado de máquina centrados na privacidade. Em um nível elevado, isso inclui computação confidencial, treinamento criptografado e inferências privadas, entre outros. Tais avanços não apenas aprimoram a segurança de dados, mas também expandem as aplicações potenciais de aprendizado de máquina em contextos sensíveis e demandantes de privacidade.

Bibliotecas existentes na direção da FHEML

Poucas bibliotecas e frameworks em direção ao FHEML, Por agora, não há um padrão definido para escrever programas FHEML, mas alguns dos frameworks e bibliotecas mais populares para construir programas FHEML são:

Concreto-mlé uma biblioteca criada por Zama, construída em cima de seu compilador TFHE de baixo nível,Concretoque permite a compilação de código python arbitrário em circuitos FHE, permitindo que os desenvolvedores escrevam funções em python que possam realizar computações sobre dados criptografados.

Concrete-ml permite aos desenvolvedores trabalhar com a API de aprendizado de máquina familiar (modelos lineares, modelos baseados em árvores, redes neurais) disponíveis em scikitA Concrete-ml, ou outros frameworks, permite a conversão de modelos PyTorch em suas versões compatíveis com FHE, classificadores baseados em descida de gradiente estocástica que podem ser treinados em dados criptografados etc. O Concrete-ml reduz significativamente a barreira de entrada para implementar operações de ml em dados criptografados.

Tenseal, desenvolvido pela OpenMinedcomunidade, foca em possibilitar operações homomórficas em tensores (unidades fundamentais em redes neurais e podem representar ou manipular dados de diversas formas). Construído em cima da MicrosoftSEAL (Biblioteca de Aritmética Criptografada Simples), Tenseal fornece uma API eficiente acessível em Python com operações subjacentes escritas em C++ para desempenho aprimorado para habilitar a função de HE em tensores criptografados.

PySyft, é mais uma contribuição da OpenMined destinada a aprendizado profundo seguro e privado em Python. É construído com capacidades de criptografia homomórfica do Tenseal para aprimorar suas funcionalidades de preservação de privacidade. PySyft introduz o tensor CKKS, baseado no CKKSesquema de criptografia homomórfica, permitindo operações em números reais e fornecendo resultados aproximados. Isso vai além da criptografia homomórfica, incorporando também computação segura multipartidária e privacidade diferencial para oferecer um conjunto abrangente para aprendizado de máquina preservando a privacidade.

TF Criptografado, é uma estrutura projetada para aprendizado de máquina criptografado dentro do ecossistema do TensorFlow. Imitando a experiência do TensorFlow, especialmente através do API Keras, TF Encrypted facilita o treinamento e a previsão em dados criptografados. Ele aproveita a computação segura de várias partes e a criptografia homomórfica para fornecer capacidades de aprendizado de máquina preservando a privacidade. TF Encrypted tem como objetivo democratizar a aprendizagem de máquina criptografada, tornando-a acessível para aqueles sem um profundo conhecimento em criptografia, sistemas distribuídos ou computação de alto desempenho.

Alguns casos de uso genéricos da FHEML

Terceirização de computação

Uma vez que a computação ocorre sobre dados criptografados, agora a parte que deseja que as computações ocorram pode compartilhar com segurança a forma criptografada dos dados com terceiros para processamento.

Inferências Criptografadas

Facilita o raciocínio criptografado, onde o raciocínio solicitado pelo usuário não é revelado aos modelos e permanece criptografado por padrão, e apenas o usuário pode descriptografá-lo com suas chaves.

Treinamento Criptografado Insights

Capacitar empresas para aproveitar formas criptografadas de dados sensíveis para treinar modelos de machine learning e obter insights. Isso permite que as organizações utilizem seus dados para aprimorar operações, desenvolver novas estratégias e melhorar processos de tomada de decisão, tudo isso garantindo a máxima privacidade e segurança dos dados envolvidos.

Aviso Legal：

1. Este artigo é reproduzido a partir de [Foresightnews]. Encaminhe o 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 os direitos autorais pertencem ao autor original [Frank, Foresight News]. Se houver objeções a esta reimpressão, entre em contato com o Gate Learnequipe e eles lidarão com isso prontamente.

2. Aviso de responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem nenhum conselho de investimento.

3. As traduções do artigo para outros idiomas são feitas pela equipe da Gate Learn. Salvo indicação em contrário, copiar, distribuir ou plagiar os artigos traduzidos é proibido.