Сначала немного о FHE

Полностью гомоморфное шифрование (FHE) представляет собой класс методов шифрования, разработанных для выполнения смысловых вычислений над зашифрованными данными. Это означает, что когда результаты таких вычислений расшифровываются, они согласуются с результатами, которые были бы получены, если бы эти вычисления были выполнены на исходных, незашифрованных данных.

Короче говоря

fenc - это некоторая гомоморфная функция шифрования

Где

Свойство гомоморфизма сохраняет вычисление в зашифрованном пространстве

В рамках более широкой категории FHE мы обычно видим категоризацию схем FHE на два или три типа схем FHE, которые

• Частично гомоморфное шифрование (SHE): поддерживает ограниченное количество операций сложения и умножения на шифротексте.
• Полностью гомоморфное шифрование (FHE): поддерживает любое количество операций умножения и/или сложения на шифртексте без ущерба его целостности при расшифровке.
• Частичное гомоморфное шифрование (Partial HE): Поддерживает либо операцию сложения, либо умножения на шифртексте, но не обе.

Ранее попытки в ML с FHE

Исследование машинного обучения (ML) с полностью гомоморфным шифрованием (FHE) напрямую способствует обеспечению конфиденциальности вычислений, позволяя выполнять вычисления на зашифрованных данных.

Эта область увидела несколько заметных вкладов, таких как экспозиция Лаутера (2021) по интеграции гомоморфного шифрования с искусственным интеллектом для частного обучения и прогнозирования, выделяющая бракосочетание криптографии и машинного обучения для обеспечения конфиденциальности данных при использовании мощи искусственного интеллекта.

Кроме того, работа над дальнейшим развитием нейронных сетей с соблюдением конфиденциальности с использованием полностью гомоморфного шифрования, подробно рассмотренная в исследовании, сосредоточенном на гибридной модели FHE и многопартийных вычислений (MPC) для оценки неарифметических функций в моделях машинного обучения, расширяет границы в области сохранения конфиденциальности данных и моделей во время вычислений.

Основополагающий труд Грапеля, Лаутера и Нерига (2012)бумагаВ ML Confidential представлено применение алгоритма отчасти гомоморфного шифрования для делегирования вычислений ML к вычислительным службам безопасно, обеспечивая конфиденциальные алгоритмы ML, которые гарантируют безопасность данных. Кроме того, исследования логистической регрессии и алгоритмов машинного обучения без учителя на зашифрованных данных приводят пример практического применения и адаптации традиционных методов машинного обучения для работы в условиях шифрования, демонстрируя осуществимость и эффективность таких подходов в сбережении конфиденциальности данных. Эти работы в целом подчеркивают критическое пересечение машинного обучения и криптографии, предлагая план для будущих исследований по безопасным алгоритмам машинного обучения, сохраняющим конфиденциальность.

Введение в FHEML

Полностью гомоморфное шифрование на основе машинного обучения (FHEML) - это способ, при котором мы реализуем алгоритмы машинного обучения, использующие схемы полностью гомоморфного шифрования. Это позволяет выполнять вычисления над зашифрованными данными, обеспечивая конфиденциальность обрабатываемых данных.

FHEML можно рассматривать как дополнение к машинному обучению с нулевым разглашением (ZKML), где последнее сосредотачивается на доказательстве правильного выполнения алгоритмов машинного обучения, в то время как FHEML делает упор на выполнение вычислений над зашифрованными данными для поддержания конфиденциальности данных.

Суть FHEML заключается в том, что он способен выполнять вычисления на зашифрованных данных таким образом, что, когда результаты вычислений расшифровываются, они соответствуют результатам, которые были бы получены, если бы вычисления были выполнены на исходных, открытых данных. Эта возможность открывает значительные возможности для приложений машинного обучения, поскольку она позволяет алгоритмам работать с зашифрованными данными, не нарушая конфиденциальность или безопасность данных.

Это можно визуализировать как:

вычисление на зашифрованных данных

FHEML состоит из алгоритмов машинного обучения, адаптированных для работы с полностью гомоморфными криптосхемами. Используя эти схемы, FHEML открывает дверь к широкому спектру случаев использования конфиденциального машинного обучения. На высоком уровне это включает в себя конфиденциальное вычисление, шифрованное обучение и частные заключения, среди прочего. Такие передовые разработки не только улучшают безопасность данных, но и расширяют потенциальные применения машинного обучения в чувствительных и требующих конфиденциальности контекстах.

Существующие библиотеки в направлении FHEML

Несколько библиотек и фреймворков для FHEML. Пока нет установленного стандарта для написания программ FHEML, но некоторые из самых популярных фреймворков и библиотек для создания программ FHEML:

Concrete-mlбиблиотека, созданная Зама, построена на их низкоуровневом компиляторе TFHE,Конкретныйкоторый позволяет компилировать произвольный код python в FHE-схемы, что позволяет разработчикам писать функции на python, которые могут выполнять вычисления над зашифрованными данными.

Concrete-ml позволяет разработчикам работать с привычным API машинного обучения (линейные модели, модели на основе деревьев, нейронные сети), доступными в scikitlearn или другие фреймворки позволяют преобразовывать модели PyTorch в их совместимые с FHE версии, классификаторы на основе стохастического градиентного спуска, которые могут быть обучены на зашифрованных данных и т.д. Concrete-ml значительно снижает барьеры для реализации операций машинного обучения на зашифрованных данных.

Tenseal, разработанный компанией OpenMinedсообщество, фокусируется на возможности гомоморфных операций над тензорами (основные единицы в нейронных сетях и могут представлять или обрабатывать данные различными способами). Построен на основе Microsoft SEAL(Простая библиотека шифрования арифметики), Tenseal предоставляет эффективный API, доступный из Python, с базовыми операциями, написанными на C++ для повышения производительности при активации функции HE на зашифрованных тензорах.

PySyft, еще один вклад от OpenMined, направленный на безопасное и конфиденциальное глубокое обучение на Python. Он построен с возможностями гомоморфного шифрования Tenseal для улучшения функциональности, сохраняющей конфиденциальность. PySyft представляет тензор CKKS, основанный на CKKSсхема гомоморфного шифрования, позволяющая выполнять операции с вещественными числами и предоставляющая приблизительные результаты. Это выходит за рамки гомоморфного шифрования, также включая в себя безопасные протоколы многопартийных вычислений и дифференциальную конфиденциальность, чтобы предложить комплексный набор инструментов для сохранения конфиденциальности машинного обучения.

TF Зашифрован, это фреймворк, разработанный для зашифрованного машинного обучения в экосистеме TensorFlow. Подражая опыту TensorFlow, особенно через Keras API, TF Encrypted облегчает обучение и прогнозирование на зашифрованных данных. Он использует безопасные вычисления множества сторон и гомоморфное шифрование для обеспечения возможностей машинного обучения, сохраняющих конфиденциальность. TF Encrypted стремится демократизировать зашифрованное машинное обучение, сделав его доступным для тех, у кого нет глубоких знаний в области криптографии, распределенных систем или высокопроизводительных вычислений.

Несколько общих примеров использования FHEML

Внештатная вычислительная мощность

Поскольку вычисления теперь происходят над зашифрованными данными, сторона, которая хочет, чтобы вычисления происходили, может безопасно передавать зашифрованную форму данных третьей стороне для обработки.

Зашифрованные выводы

Он облегчает зашифрованное вывод, где вывод, запрошенный пользователем, не раскрывается моделям и остается зашифрованным по умолчанию, и только пользователь может расшифровать его с помощью своих ключей.

Зашифрованные тренировочные идеи

Предоставляйте бизнесу возможность использовать зашифрованные формы чувствительных данных для обучения моделей машинного обучения и извлечения инсайтов. Это позволяет организациям использовать свои данные для улучшения операций, разработки новых стратегий и улучшения процессов принятия решений, обеспечивая при этом максимальную конфиденциальность и безопасность задействованных данных.

Оговорка:

1. Эта статья перепечатана с [Foresightnews].Пересылка оригинального заголовка «速览 Gitcoin 推出的 Allo Protocol：社区赠款计划的协议层基础设施'. Все авторские права принадлежат оригинальному автору [Frank, Foresight News]. Если у вас есть возражения к этому повторному изданию, пожалуйста, свяжитесь с Gate Learnкоманда, и они оперативно решат эту проблему.

2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, являются исключительно точкой зрения автора и не являются инвестиционным советом.

3. Переводы статьи на другие языки выполняются командой Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.