"Mensaje recomendado: El encriptación completamente homomórfica (FHE) a menudo es considerado el Santo Grial de la criptografía. Este artículo explora las perspectivas de aplicación de FHE en el campo de la inteligencia artificial, señalando las limitaciones actuales. También enumera algunos proyectos que se dedican a utilizar el encriptación completamente homomórfica (FHE) en el campo de la encriptación para aplicaciones de inteligencia artificial, lo que permite a los entusiastas de la Criptomoneda comprender a fondo el encriptación completamente homomórfica a través de este artículo. ¡Disfruten!"
Texto principal👇
A Espero recibir recomendaciones altamente personalizadas en Netflix y Amazon. B No quieren que Netflix o Amazon conozcan sus preferencias.
En la era digital actual, disfrutamos de la conveniencia de recomendaciones personalizadas proporcionadas por servicios como Amazon y Netflix, que se adaptan de manera precisa a nuestros intereses. Sin embargo, el hecho de que estas plataformas se adentren en nuestra vida privada está generando cada vez más inquietud. Anhelamos disfrutar de servicios personalizados sin comprometer nuestra privacidad. En el pasado, esto parecía ser una paradoja: ¿cómo lograr la personalización sin compartir una gran cantidad de datos personales con sistemas de inteligencia artificial basados en la nube? La encriptación completamente homomórfica (FHE) ofrece una solución que nos permite tener lo mejor de ambos mundos.
Inteligencia Artificial como Servicio (AIaaS)
La inteligencia artificial (IA) juega un papel clave en abordar los desafíos complejos en varios campos, incluyendo visión por computadora, procesamiento del lenguaje natural (NLP) y sistemas de recomendación. Sin embargo, el desarrollo de estos modelos de IA ha planteado grandes desafíos para los usuarios comunes:
Volumen de datos: a menudo se necesitan grandes conjuntos de datos, a veces incluso de hasta millones de billones de bytes, para construir modelos precisos.
Potencia computacional: modelos complejos como el conversor requieren una potencia computacional potente de decenas de GPU, que a menudo se ejecutan continuamente durante semanas.
Expertise in the field: fine-tuning these models requires deep professional knowledge.
Estos obstáculos hacen que la mayoría de los usuarios tengan dificultades para desarrollar modelos de aprendizaje automático potentes de forma independiente.
La tubería de servicios de IA en la aplicación práctica
Entra en la era de AI como servicio (AIaaS), este modelo permite a los usuarios acceder a los modelos de redes neuronales más avanzados al proporcionar servicios en la nube gestionados por gigantes tecnológicos (incluidos los miembros de FAANG), superando así los obstáculos mencionados anteriormente. Los usuarios solo necesitan cargar los datos originales en estas plataformas, que serán procesados en la plataforma para generar resultados de inferencia perspicaces. AIaaS efectivamente democratiza el acceso a modelos de aprendizaje automático de alta calidad, abriendo herramientas de AI avanzadas a un grupo más amplio. Sin embargo, lamentablemente, el AIaaS actual sacrifica nuestra privacidad a cambio de esta conveniencia.
Privacidad de datos en la inteligencia artificial como servicio
Actualmente, los datos solo se encriptan durante la transferencia desde el cliente al servidor. El servidor puede acceder a los datos de entrada y las predicciones basadas en ellos.
En el proceso de AI como servicio, los servidores pueden acceder a los datos de entrada y salida. Esta situación complica que los usuarios comunes compartan información sensible (como datos médicos y financieros). Regulaciones como el GDPR y el CCPA intensifican estas preocupaciones, ya que requieren que los usuarios den su consentimiento explícito antes de compartir los datos y garantizan que los usuarios tengan derecho a saber cómo se utilizan sus datos. El GDPR también establece requisitos estrictos para la encriptación y protección de datos durante la transferencia. Estas regulaciones establecen estándares rigurosos para garantizar la privacidad y los derechos de los usuarios, abogando por una transparencia y control claros sobre la información personal. Dadas estas demandas, debemos desarrollar mecanismos de privacidad sólidos en el proceso de AI como servicio (AIaaS) para mantener la confianza y el cumplimiento.
FHE 解决问题
A través de la encriptación de a y b, podemos asegurar que los datos de entrada se mantengan privados.
El cifrado homomórfico completo (FHE) proporciona una solución al problema de privacidad de datos asociados en la computación en la nube. El esquema FHE admite operaciones como la encriptación de texto cifrado y multiplicación. El concepto es simple: la suma de dos valores de encriptación es igual al resultado de la encriptación de la suma de esos dos valores, lo mismo ocurre con la multiplicación.
En la operación real, su funcionamiento es el siguiente: el usuario realiza una operación de suma local de los valores en Texto sin formato 𝑎 y 𝑏. Luego, el usuario cifra 𝑎 y 𝑏 y envía el Texto cifrado al servidor en la nube. El servidor puede realizar la operación de suma en los valores cifrados (de manera homomórfica) y devolver el resultado. El resultado descifrado del servidor será consistente con el resultado de la suma local en Texto sin formato de 𝑎 y 𝑏. Este proceso garantiza la privacidad de los datos y permite realizar cálculos en la nube.
Redes neuronales de profundidad (DNN) basadas en encriptación homomórfica total
Además de las operaciones básicas de suma y multiplicación, la tecnología de encriptación completamente homomórfica (FHE) se ha desarrollado significativamente en el proceso de IA como servicio. En este contexto, los usuarios pueden encriptar los datos de entrada originales en texto cifrado y transmitir solo estos datos encriptados al servidor en la nube. El servidor luego realiza cálculos homomórficos en este texto cifrado, generando una salida encriptada y devolviéndola al usuario. La clave radica en que solo el usuario posee la llave privada, lo que le permite descifrar y acceder a los resultados. Esto construye un flujo de datos de encriptación FHE de extremo a extremo, asegurando la privacidad y seguridad de los datos del usuario en todo el proceso.
Las redes neuronales basadas en encriptación completamente homomórfica proporcionan una gran flexibilidad para los usuarios en la IA como servicio. Una vez que el Texto cifrado se envía al servidor, los usuarios pueden trabajar sin conexión, ya que no se requiere una comunicación frecuente entre el cliente y el servidor. Esta característica es especialmente beneficiosa para los dispositivos de internet de las cosas, que suelen funcionar en condiciones limitadas donde la comunicación frecuente no es práctica.
Sin embargo, es importante tener en cuenta las limitaciones de la encriptación completamente homomórfica (FHE). Tiene un costo computacional enorme; los esquemas FHE son inherentemente lentos, complejos y intensivos en recursos. Además, en la actualidad es difícil para FHE admitir eficazmente operaciones no lineales, lo que supone un desafío para la implementación de redes neuronales. Esta limitación podría afectar la precisión de las redes neuronales construidas sobre FHE, ya que las operaciones no lineales son cruciales para el rendimiento de este tipo de modelos.
K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang y S. Q. Goh, "Application of Privacy-Enhanced Neural Networks Based on Efficient Full Cifrado homomórfico in AI-as-a-Service", publicado en la Universidad Tecnológica de Nanyang (Singapur) y la Academia China de Ciencias (China).
(Lam y otros, 2024) describe un tipo de red neuronal de mejora de privacidad para el protocolo de inteligencia artificial como servicio. Este protocolo primero define los parámetros de la capa de entrada utilizando el aprendizaje con errores (LWE). LWE es un tipo de primitiva de encriptación que protege los datos mediante encriptación, lo que permite realizar cálculos en los datos encriptados sin necesidad de desencriptarlos primero. Para los parámetros de la capa de salida oculta, se definen utilizando RLWE (encriptación de red de anillo) y RGSW (GSW de anillo), estas dos técnicas avanzadas de encriptación extienden LWE para lograr operaciones de encriptación más eficientes.
Los parámetros públicos incluyen la descomposición base 𝐵 y 𝐵𝐾𝑆 dada un vector de entrada 𝑥 de longitud 𝑁, un conjunto de 𝑁 Texto cifrado de LWE (𝑎𝑖,𝑏𝑖) que genera cada elemento 𝑥[𝑖] usando la Llave privada LWE 𝑠, la evaluación sobre 𝑠 Llave secreta genera el índice 𝑥[𝑖]>0 y 𝑥[𝑖]<0 Además, se ha establecido un conjunto de LWE de cambio Llave secreta para 𝐵. Estas Llave secreta admiten un cambio eficiente entre diferentes esquemas de encriptación.
La capa de entrada se designa como la capa 0, y la capa de salida como la capa L. Para cada capa l, desde 1 hasta L, el número de neuronas Hl está determinado en la capa 0. La matriz de pesos Wl y el vector de sesgo βl se definen mediante superposición en la capa 0. Para cada neurona h, desde 0 hasta Hl-1, se evalúan los LWE Texto cifrado provenientes de la capa l-1 bajo Cifrado homomórfico. Esto significa que los cálculos se realizan en datos de encriptación para calcular las funciones lineales en h. El-neurona-ésima en la capa l se combina con la matriz de pesos y el vector de sesgo. Luego, se evalúa la tabla de búsqueda (LUT) en h. Después de realizar la operación desde n' a un n más pequeño para la neurona -ésima, se realiza el redondeo y la reescala en el resultado. Este resultado se incluye en el conjunto de LWE Texto cifrado de la capa L.
Finalmente, el protocolo devuelve el Texto cifrado LWE al usuario. Luego, el usuario puede usar la llave privada 𝑠 para descifrar todo el Texto cifrado. Busque los resultados de la inferencia.
Este protocolo implementa eficientemente la inferencia de redes neuronales con protección de privacidad utilizando la tecnología de encriptación completamente homomórfica (FHE). FHE permite realizar cálculos en los datos encriptados sin revelar los datos en sí al servidor de procesamiento, lo que garantiza la privacidad de los datos y ofrece las ventajas de la IA como servicio.
La privacidad del consumidor en la publicidad: (Armknecht et al., 2013) propuso un innovador sistema de recomendación que utiliza cifrado completamente homomórfico (FHE). Este sistema puede proporcionar recomendaciones personalizadas a los usuarios y al mismo tiempo garantizar la completa confidencialidad de dichas recomendaciones para el propio sistema. Esto asegura la privacidad de la información de preferencias de los usuarios y resuelve eficazmente un problema de privacidad significativo en la publicidad dirigida.
Aplicaciones médicas: (Naehrig et al., 2011) propuso un plan llamativo para la industria de la salud. Sugirieron usar encriptación completamente homomórfica (FHE) para cargar continuamente los datos médicos de los pacientes en forma de encriptación a los proveedores de servicios. Esta práctica garantiza que la información médica sensible se mantenga confidencial durante todo su ciclo de vida, lo que mejora la protección de la privacidad de los pacientes y permite que las instituciones médicas procesen y analicen datos de manera fluida.
Minería de datos: la minería de grandes conjuntos de datos puede generar ideas importantes, pero a menudo a expensas de la privacidad del usuario. (Yang, Zhong, y Wright, 2006) El uso de la encriptación homomórfica completa (FHE) para aplicar la encriptación de funciones en un contexto de cifrado homomórfico resuelve este problema. Este método permite extraer información valiosa de grandes conjuntos de datos sin comprometer la seguridad de la privacidad de los individuos cuyos datos se están minando.
Privacidad financiera: Imagina un escenario en el que una empresa tiene datos confidenciales y un algoritmo patentado. (Naehrig et al., 2011) sugiere utilizar el cifrado homomórfico para abordar este problema. Mediante la aplicación de cifrado homomórfico completo (FHE), la empresa puede realizar cálculos necesarios en los datos encriptados sin revelar los datos ni el algoritmo, asegurando así la protección de la privacidad financiera y la propiedad intelectual.
Reconocimiento de imágenes forenses: (Bosch, 2014) describe un método para externalizar el reconocimiento de imágenes forenses utilizando encriptación completamente homomórfica (FHE). Esta tecnología es particularmente beneficiosa para las agencias de aplicación de la ley. Al aplicar FHE, la policía y otras agencias pueden detectar imágenes ilegales en discos duros sin exponer su contenido, protegiendo así la integridad y confidencialidad de los datos en la investigación.
Desde publicidad y atención médica hasta minería de datos, seguridad financiera y aplicación de la ley, el cifrado homomórfico tiene el potencial de cambiar por completo la forma en que manejamos información sensible en diversos campos. A medida que continuamos desarrollando y perfeccionando estas tecnologías, la importancia de proteger la privacidad y la seguridad en un mundo cada vez más impulsado por los datos no puede ser subestimada.
Limitaciones del cifrado homomórfico completamente (FHE)
A pesar del potencial, todavía necesitamos resolver algunas limitaciones clave
Soporte de usuarios largos: La encriptación completamente homomórfica (FHE) permite realizar cálculos en datos encriptados, pero la complejidad se multiplica en escenarios que involucran a largo número de usuarios. Por lo general, los datos de cada usuario se encriptan con una única Llave pública. La gestión de estos conjuntos de datos diferentes, especialmente teniendo en cuenta las necesidades de cálculo de FHE en entornos a gran escala, se vuelve impracticable. Por esto, investigadores como Lopez-Alt propusieron en 2013 el marco de FHE con Llave secreta largo, que permite operar simultáneamente con conjuntos de datos encriptados con diferentes Llave secreta. Aunque este enfoque tiene buenas perspectivas, introduce niveles adicionales de complejidad y requiere una coordinación precisa en la gestión de Llave secreta y la arquitectura del sistema para garantizar la privacidad y eficiencia.
Gran costo computacional a gran escala: El núcleo de la encriptación homomórfica completa (FHE) radica en su capacidad para realizar cálculos en datos encriptados. Sin embargo, esta capacidad conlleva un costo significativo. En comparación con los cálculos tradicionales no encriptados, el costo computacional de las operaciones FHE aumenta considerablemente. Este costo suele manifestarse en forma de polinomios largos, pero involucra polinomios largos de alto grado, lo que agrava el tiempo de ejecución y lo hace inadecuado para aplicaciones en tiempo real. El acelerador de hardware para FHE representa una gran oportunidad de mercado, con el objetivo de soltar la complejidad computacional y mejorar la velocidad de ejecución.
En cuanto a las operaciones limitadas: recientes avances han ampliado efectivamente la aplicación del cifrado homomórfico, permitiéndole soportar una variedad más amplia de cálculos. Sin embargo, sigue siendo principalmente adecuado para cálculos lineales y polinomiales, lo cual representa una limitación significativa para las aplicaciones de inteligencia artificial que involucran modelos complejos no lineales (como las redes neuronales profundas). La ejecución eficiente de las operaciones requeridas por estos modelos de IA dentro del marco actual de cifrado homomórfico sigue siendo un desafío considerable. A pesar de los avances que estamos logrando, la brecha entre la capacidad de operación del cifrado homomórfico completo y los requisitos de algoritmos de IA avanzados sigue siendo una barrera clave que debe ser superada.
encriptación与人工智能背景下的全 Cifrado homomórfico
以下是一些致力于在encriptación领域利用全 Cifrado homomórfico（FHE）进行 AI 应用的公司：
Zama ofrece Concrete ML, una herramienta de código abierto que tiene como objetivo simplificar el proceso de los científicos de datos al utilizar el cifrado homomórfico completo (FHE). Concrete ML puede convertir modelos de aprendizaje automático en su forma equivalente homomórfica, lo que permite realizar cálculos seguros en datos encriptados. El enfoque de Zama permite a los científicos de datos utilizar FHE sin necesidad de conocimientos criptográficos profundos, lo cual es especialmente útil en campos como la medicina y las finanzas, donde la privacidad de los datos es crucial. Las herramientas de Zama fomentan el análisis de datos y el aprendizaje automático seguros al mantener la encriptación de la información sensible.
Privasee se centra en construir una red de cálculo de IA segura. Su plataforma utiliza la tecnología de encriptación completamente homomórfica (FHE) para permitir la colaboración más largo sin revelar información sensible. Al utilizar FHE, Privasee garantiza que los datos de los usuarios permanezcan en estado de encriptación durante todo el proceso de cálculo de IA, protegiendo así la privacidad y cumpliendo con regulaciones estrictas de protección de datos como el GDPR. Su sistema admite varios modelos de IA, ofreciendo una solución versátil para el procesamiento seguro de datos.
Octra combina Criptomoneda con inteligencia artificial para mejorar la seguridad del comercio digital y la eficiencia en la gestión de datos. Comprometido con reforzar la seguridad y la privacidad en el almacenamiento en la nube Descentralización mediante la fusión de Cifrado homomórfico (FHE) y tecnologías de aprendizaje automático, su plataforma garantiza que los datos de los usuarios siempre estén en un estado seguro de encriptación. Esta estrategia establece un marco sólido para la seguridad en las transacciones digitales y la privacidad de los datos en la economía Descentralización al combinar blockchain, criptografía e inteligencia artificial.
Mind Network combina encriptación homomórfica (FHE) con inteligencia artificial para lograr cálculos seguros durante el procesamiento de inteligencia artificial, sin necesidad de desencriptación. Esto promueve un entorno de inteligencia artificial encriptado y descentralizado, que integra perfectamente la seguridad de encriptación con las funciones de inteligencia artificial. Este método no solo protege la confidencialidad de los datos, sino que también logra un entorno descentralizado y sin necesidad de confianza, donde las operaciones de inteligencia artificial pueden realizarse sin depender de una autoridad central o exponer información sensible, combinando eficazmente la fortaleza de encriptación de FHE con los requisitos operativos de los sistemas de inteligencia artificial.
En el campo de la encriptación homomórfica totalmente (FHE), inteligencia artificial (IA) y criptomonedas, todavía hay un número limitado de empresas en funcionamiento en la vanguardia. Esto se debe principalmente a que la implementación efectiva de FHE requiere una gran cantidad de gastos de cálculo, y se requiere una potente capacidad de procesamiento para realizar cálculos de encriptación de manera eficiente.
Conclusión
La encriptación completamente homomórfica (FHE) proporciona un método prometedor para mejorar la privacidad en AI al permitir cálculos en datos encriptados sin necesidad de descifrarlos. Esta capacidad es especialmente valiosa en áreas sensibles como la salud y las finanzas, donde la privacidad de los datos es crucial. Sin embargo, FHE se enfrenta a grandes desafíos, como altos costos computacionales y limitaciones en las operaciones no lineales necesarias para el aprendizaje profundo. A pesar de estos obstáculos, los avances en algoritmos y aceleración de hardware están allanando el camino para aplicaciones más prácticas en AI. El continuo desarrollo en este campo tiene el potencial de mejorar significativamente los servicios de AI en términos de seguridad y protección de datos, equilibrando la eficiencia computacional con una sólida protección de datos.
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
¿Por qué se dice que el cifrado homomórfico completamente (FHE) es el próximo Santo Grial de la inteligencia artificial?
Autor original: Advait (Leo) Jayant
Compilado por LlamaC
"Mensaje recomendado: El encriptación completamente homomórfica (FHE) a menudo es considerado el Santo Grial de la criptografía. Este artículo explora las perspectivas de aplicación de FHE en el campo de la inteligencia artificial, señalando las limitaciones actuales. También enumera algunos proyectos que se dedican a utilizar el encriptación completamente homomórfica (FHE) en el campo de la encriptación para aplicaciones de inteligencia artificial, lo que permite a los entusiastas de la Criptomoneda comprender a fondo el encriptación completamente homomórfica a través de este artículo. ¡Disfruten!"
Texto principal👇
A Espero recibir recomendaciones altamente personalizadas en Netflix y Amazon. B No quieren que Netflix o Amazon conozcan sus preferencias.
En la era digital actual, disfrutamos de la conveniencia de recomendaciones personalizadas proporcionadas por servicios como Amazon y Netflix, que se adaptan de manera precisa a nuestros intereses. Sin embargo, el hecho de que estas plataformas se adentren en nuestra vida privada está generando cada vez más inquietud. Anhelamos disfrutar de servicios personalizados sin comprometer nuestra privacidad. En el pasado, esto parecía ser una paradoja: ¿cómo lograr la personalización sin compartir una gran cantidad de datos personales con sistemas de inteligencia artificial basados en la nube? La encriptación completamente homomórfica (FHE) ofrece una solución que nos permite tener lo mejor de ambos mundos.
Inteligencia Artificial como Servicio (AIaaS)
La inteligencia artificial (IA) juega un papel clave en abordar los desafíos complejos en varios campos, incluyendo visión por computadora, procesamiento del lenguaje natural (NLP) y sistemas de recomendación. Sin embargo, el desarrollo de estos modelos de IA ha planteado grandes desafíos para los usuarios comunes:
Volumen de datos: a menudo se necesitan grandes conjuntos de datos, a veces incluso de hasta millones de billones de bytes, para construir modelos precisos.
Potencia computacional: modelos complejos como el conversor requieren una potencia computacional potente de decenas de GPU, que a menudo se ejecutan continuamente durante semanas.
Expertise in the field: fine-tuning these models requires deep professional knowledge.
Estos obstáculos hacen que la mayoría de los usuarios tengan dificultades para desarrollar modelos de aprendizaje automático potentes de forma independiente.
La tubería de servicios de IA en la aplicación práctica
Entra en la era de AI como servicio (AIaaS), este modelo permite a los usuarios acceder a los modelos de redes neuronales más avanzados al proporcionar servicios en la nube gestionados por gigantes tecnológicos (incluidos los miembros de FAANG), superando así los obstáculos mencionados anteriormente. Los usuarios solo necesitan cargar los datos originales en estas plataformas, que serán procesados en la plataforma para generar resultados de inferencia perspicaces. AIaaS efectivamente democratiza el acceso a modelos de aprendizaje automático de alta calidad, abriendo herramientas de AI avanzadas a un grupo más amplio. Sin embargo, lamentablemente, el AIaaS actual sacrifica nuestra privacidad a cambio de esta conveniencia.
Privacidad de datos en la inteligencia artificial como servicio
Actualmente, los datos solo se encriptan durante la transferencia desde el cliente al servidor. El servidor puede acceder a los datos de entrada y las predicciones basadas en ellos.
En el proceso de AI como servicio, los servidores pueden acceder a los datos de entrada y salida. Esta situación complica que los usuarios comunes compartan información sensible (como datos médicos y financieros). Regulaciones como el GDPR y el CCPA intensifican estas preocupaciones, ya que requieren que los usuarios den su consentimiento explícito antes de compartir los datos y garantizan que los usuarios tengan derecho a saber cómo se utilizan sus datos. El GDPR también establece requisitos estrictos para la encriptación y protección de datos durante la transferencia. Estas regulaciones establecen estándares rigurosos para garantizar la privacidad y los derechos de los usuarios, abogando por una transparencia y control claros sobre la información personal. Dadas estas demandas, debemos desarrollar mecanismos de privacidad sólidos en el proceso de AI como servicio (AIaaS) para mantener la confianza y el cumplimiento.
FHE 解决问题
A través de la encriptación de a y b, podemos asegurar que los datos de entrada se mantengan privados.
El cifrado homomórfico completo (FHE) proporciona una solución al problema de privacidad de datos asociados en la computación en la nube. El esquema FHE admite operaciones como la encriptación de texto cifrado y multiplicación. El concepto es simple: la suma de dos valores de encriptación es igual al resultado de la encriptación de la suma de esos dos valores, lo mismo ocurre con la multiplicación.
En la operación real, su funcionamiento es el siguiente: el usuario realiza una operación de suma local de los valores en Texto sin formato 𝑎 y 𝑏. Luego, el usuario cifra 𝑎 y 𝑏 y envía el Texto cifrado al servidor en la nube. El servidor puede realizar la operación de suma en los valores cifrados (de manera homomórfica) y devolver el resultado. El resultado descifrado del servidor será consistente con el resultado de la suma local en Texto sin formato de 𝑎 y 𝑏. Este proceso garantiza la privacidad de los datos y permite realizar cálculos en la nube.
Redes neuronales de profundidad (DNN) basadas en encriptación homomórfica total
Además de las operaciones básicas de suma y multiplicación, la tecnología de encriptación completamente homomórfica (FHE) se ha desarrollado significativamente en el proceso de IA como servicio. En este contexto, los usuarios pueden encriptar los datos de entrada originales en texto cifrado y transmitir solo estos datos encriptados al servidor en la nube. El servidor luego realiza cálculos homomórficos en este texto cifrado, generando una salida encriptada y devolviéndola al usuario. La clave radica en que solo el usuario posee la llave privada, lo que le permite descifrar y acceder a los resultados. Esto construye un flujo de datos de encriptación FHE de extremo a extremo, asegurando la privacidad y seguridad de los datos del usuario en todo el proceso.
Las redes neuronales basadas en encriptación completamente homomórfica proporcionan una gran flexibilidad para los usuarios en la IA como servicio. Una vez que el Texto cifrado se envía al servidor, los usuarios pueden trabajar sin conexión, ya que no se requiere una comunicación frecuente entre el cliente y el servidor. Esta característica es especialmente beneficiosa para los dispositivos de internet de las cosas, que suelen funcionar en condiciones limitadas donde la comunicación frecuente no es práctica.
Sin embargo, es importante tener en cuenta las limitaciones de la encriptación completamente homomórfica (FHE). Tiene un costo computacional enorme; los esquemas FHE son inherentemente lentos, complejos y intensivos en recursos. Además, en la actualidad es difícil para FHE admitir eficazmente operaciones no lineales, lo que supone un desafío para la implementación de redes neuronales. Esta limitación podría afectar la precisión de las redes neuronales construidas sobre FHE, ya que las operaciones no lineales son cruciales para el rendimiento de este tipo de modelos.
K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang y S. Q. Goh, "Application of Privacy-Enhanced Neural Networks Based on Efficient Full Cifrado homomórfico in AI-as-a-Service", publicado en la Universidad Tecnológica de Nanyang (Singapur) y la Academia China de Ciencias (China).
(Lam y otros, 2024) describe un tipo de red neuronal de mejora de privacidad para el protocolo de inteligencia artificial como servicio. Este protocolo primero define los parámetros de la capa de entrada utilizando el aprendizaje con errores (LWE). LWE es un tipo de primitiva de encriptación que protege los datos mediante encriptación, lo que permite realizar cálculos en los datos encriptados sin necesidad de desencriptarlos primero. Para los parámetros de la capa de salida oculta, se definen utilizando RLWE (encriptación de red de anillo) y RGSW (GSW de anillo), estas dos técnicas avanzadas de encriptación extienden LWE para lograr operaciones de encriptación más eficientes.
Los parámetros públicos incluyen la descomposición base 𝐵 y 𝐵𝐾𝑆 dada un vector de entrada 𝑥 de longitud 𝑁, un conjunto de 𝑁 Texto cifrado de LWE (𝑎𝑖,𝑏𝑖) que genera cada elemento 𝑥[𝑖] usando la Llave privada LWE 𝑠, la evaluación sobre 𝑠 Llave secreta genera el índice 𝑥[𝑖]>0 y 𝑥[𝑖]<0 Además, se ha establecido un conjunto de LWE de cambio Llave secreta para 𝐵. Estas Llave secreta admiten un cambio eficiente entre diferentes esquemas de encriptación.
La capa de entrada se designa como la capa 0, y la capa de salida como la capa L. Para cada capa l, desde 1 hasta L, el número de neuronas Hl está determinado en la capa 0. La matriz de pesos Wl y el vector de sesgo βl se definen mediante superposición en la capa 0. Para cada neurona h, desde 0 hasta Hl-1, se evalúan los LWE Texto cifrado provenientes de la capa l-1 bajo Cifrado homomórfico. Esto significa que los cálculos se realizan en datos de encriptación para calcular las funciones lineales en h. El-neurona-ésima en la capa l se combina con la matriz de pesos y el vector de sesgo. Luego, se evalúa la tabla de búsqueda (LUT) en h. Después de realizar la operación desde n' a un n más pequeño para la neurona -ésima, se realiza el redondeo y la reescala en el resultado. Este resultado se incluye en el conjunto de LWE Texto cifrado de la capa L.
Finalmente, el protocolo devuelve el Texto cifrado LWE al usuario. Luego, el usuario puede usar la llave privada 𝑠 para descifrar todo el Texto cifrado. Busque los resultados de la inferencia.
Este protocolo implementa eficientemente la inferencia de redes neuronales con protección de privacidad utilizando la tecnología de encriptación completamente homomórfica (FHE). FHE permite realizar cálculos en los datos encriptados sin revelar los datos en sí al servidor de procesamiento, lo que garantiza la privacidad de los datos y ofrece las ventajas de la IA como servicio.
Aplicación de Cifrado homomórfico en AI 中
FHE（全 Cifrado homomórfico）使得在encriptación数据上进行安全计算成为可能，不仅开拓了众多新的应用场景，同时确保了数据的隐私性和安全性。
La privacidad del consumidor en la publicidad: (Armknecht et al., 2013) propuso un innovador sistema de recomendación que utiliza cifrado completamente homomórfico (FHE). Este sistema puede proporcionar recomendaciones personalizadas a los usuarios y al mismo tiempo garantizar la completa confidencialidad de dichas recomendaciones para el propio sistema. Esto asegura la privacidad de la información de preferencias de los usuarios y resuelve eficazmente un problema de privacidad significativo en la publicidad dirigida.
Aplicaciones médicas: (Naehrig et al., 2011) propuso un plan llamativo para la industria de la salud. Sugirieron usar encriptación completamente homomórfica (FHE) para cargar continuamente los datos médicos de los pacientes en forma de encriptación a los proveedores de servicios. Esta práctica garantiza que la información médica sensible se mantenga confidencial durante todo su ciclo de vida, lo que mejora la protección de la privacidad de los pacientes y permite que las instituciones médicas procesen y analicen datos de manera fluida.
Minería de datos: la minería de grandes conjuntos de datos puede generar ideas importantes, pero a menudo a expensas de la privacidad del usuario. (Yang, Zhong, y Wright, 2006) El uso de la encriptación homomórfica completa (FHE) para aplicar la encriptación de funciones en un contexto de cifrado homomórfico resuelve este problema. Este método permite extraer información valiosa de grandes conjuntos de datos sin comprometer la seguridad de la privacidad de los individuos cuyos datos se están minando.
Privacidad financiera: Imagina un escenario en el que una empresa tiene datos confidenciales y un algoritmo patentado. (Naehrig et al., 2011) sugiere utilizar el cifrado homomórfico para abordar este problema. Mediante la aplicación de cifrado homomórfico completo (FHE), la empresa puede realizar cálculos necesarios en los datos encriptados sin revelar los datos ni el algoritmo, asegurando así la protección de la privacidad financiera y la propiedad intelectual.
Reconocimiento de imágenes forenses: (Bosch, 2014) describe un método para externalizar el reconocimiento de imágenes forenses utilizando encriptación completamente homomórfica (FHE). Esta tecnología es particularmente beneficiosa para las agencias de aplicación de la ley. Al aplicar FHE, la policía y otras agencias pueden detectar imágenes ilegales en discos duros sin exponer su contenido, protegiendo así la integridad y confidencialidad de los datos en la investigación.
Desde publicidad y atención médica hasta minería de datos, seguridad financiera y aplicación de la ley, el cifrado homomórfico tiene el potencial de cambiar por completo la forma en que manejamos información sensible en diversos campos. A medida que continuamos desarrollando y perfeccionando estas tecnologías, la importancia de proteger la privacidad y la seguridad en un mundo cada vez más impulsado por los datos no puede ser subestimada.
Limitaciones del cifrado homomórfico completamente (FHE)
A pesar del potencial, todavía necesitamos resolver algunas limitaciones clave
encriptación与人工智能背景下的全 Cifrado homomórfico
以下是一些致力于在encriptación领域利用全 Cifrado homomórfico（FHE）进行 AI 应用的公司：
En el campo de la encriptación homomórfica totalmente (FHE), inteligencia artificial (IA) y criptomonedas, todavía hay un número limitado de empresas en funcionamiento en la vanguardia. Esto se debe principalmente a que la implementación efectiva de FHE requiere una gran cantidad de gastos de cálculo, y se requiere una potente capacidad de procesamiento para realizar cálculos de encriptación de manera eficiente.
Conclusión
La encriptación completamente homomórfica (FHE) proporciona un método prometedor para mejorar la privacidad en AI al permitir cálculos en datos encriptados sin necesidad de descifrarlos. Esta capacidad es especialmente valiosa en áreas sensibles como la salud y las finanzas, donde la privacidad de los datos es crucial. Sin embargo, FHE se enfrenta a grandes desafíos, como altos costos computacionales y limitaciones en las operaciones no lineales necesarias para el aprendizaje profundo. A pesar de estos obstáculos, los avances en algoritmos y aceleración de hardware están allanando el camino para aplicaciones más prácticas en AI. El continuo desarrollo en este campo tiene el potencial de mejorar significativamente los servicios de AI en términos de seguridad y protección de datos, equilibrando la eficiencia computacional con una sólida protección de datos.