Sedikit tentang FHE terlebih dahulu

Enkripsi Homomorfik Penuh (FHE) merupakan sebuah kelas teknik enkripsi yang dirancang untuk memungkinkan komputasi bermakna dilakukan pada data terenkripsi. Ini berarti bahwa ketika hasil komputasi tersebut didekripsi, mereka konsisten dengan hasil yang akan diperoleh jika komputasi tersebut dilakukan pada data plaintext.

Singkatnya

fenc adalah beberapa fungsi enkripsi homomorfik

Dimana

Sifat homomorfik mempertahankan komputasi dalam ruang terenkripsi

Dalam kategori FHE yang lebih luas, biasanya kita melihat kategorisasi skema FHE menjadi dua atau tiga jenis skema FHE yang

• Enkripsi Homomorfik Sebagian (SHE): Mendukung sejumlah terbatas operasi penambahan dan perkalian pada teks sandi.
• Enkripsi Homomorfik Penuh (FHE): Mendukung sejumlah operasi perkalian dan/atau penambahan pada teks sandi tanpa mengorbankan integritasnya saat dekripsi.
• Enkripsi Homomorfik Parsial (Partial HE): Mendukung operasi penambahan atau perkalian pada teks sandi, namun tidak keduanya.

Upaya sebelumnya dalam ML dengan FHE

Eksplorasi pembelajaran mesin (ML) dengan enkripsi homomorfik penuh (FHE) secara langsung berkontribusi terhadap komputasi yang menjaga privasi memungkinkan komputasi dilakukan pada data terenkripsi.

Area ini telah melihat beberapa kontribusi penting, seperti yang disampaikan oleh Lauter (2021) tentang integrasi enkripsi homomorfik dengan AI untuk pelatihan dan prediksi pribadi, yang menyoroti pernikahan kriptografi dan pembelajaran mesin untuk melindungi privasi data sambil memanfaatkan kekuatan AI.

Selain itu, karya tentang jaringan saraf dalam menjaga privasi dengan menggunakan FHE, sebagaimana dijelaskan dalam sebuah studi yang berfokus pada model hibrida FHE dan Multi-Party Computation (MPC) untuk mengevaluasi fungsi non-aritmatika dalam model ML, mendorong batas dalam menjaga kerahasiaan data dan model selama komputasi.

Karya seminal Graepel, Lauter, dan Naehrig (2012)kertasdi ML Confidential memperkenalkan penerapan enkripsi homomorfik yang agak untuk mendellegasikan perhitungan ML ke layanan komputasi secara aman, memungkinkan algoritma ML yang rahasia data. Selain itu, penelitian tentang regresi logistik dan algoritma pembelajaran tanpa pengawasan pada data terenkripsi menggambarkan aplikasi praktis dan adaptasi metode ML tradisional untuk beroperasi di bawah kendala enkripsi, menunjukkan kelayakan dan efisiensi pendekatan tersebut dalam menjaga privasi data. Karya-karya ini secara kolektif menekankan persimpangan kritis antara pembelajaran mesin dan kriptografi, menawarkan panduan bagi penelitian masa depan tentang algoritma ML yang aman dan menjaga privasi.

Pengenalan FHEML

Machine Learning Enkripsi Homomorfik Penuh (FHEML) adalah cara di mana kami menerapkan algoritma machine learning yang menggunakan skema enkripsi homomorfik penuh. Ini memungkinkan perhitungan dilakukan pada data terenkripsi, memastikan kerahasiaan data yang sedang diproses.

FHEML dapat dilihat sebagai pelengkap untuk Pembelajaran Mesin Tanpa Pengetahuan (ZKML), di mana yang terakhir berfokus pada membuktikan eksekusi yang benar dari algoritma pembelajaran mesin, sementara FHEML menekankan pada melakukan komputasi pada data terenkripsi untuk menjaga privasi data.

Essensi dari FHEML terletak pada kemampuannya untuk memungkinkan komputasi pada data terenkripsi dengan cara yang, begitu hasil komputasi didekripsi, mereka cocok dengan hasil yang akan diperoleh jika komputasi dilakukan pada data asli, plaintext. Kemampuan ini membuka ruang lingkup yang signifikan untuk aplikasi pembelajaran mesin karena memungkinkan algoritma beroperasi pada data terenkripsi tanpa mengorbankan privasi atau keamanan data.

Ini dapat divisualisasikan sebagai:

komputasi pada data terenkripsi

FHEML terdiri dari algoritma pembelajaran mesin yang diadaptasi untuk bekerja dengan skema enkripsi homomorfik penuh. Dengan memanfaatkan skema-skema ini, FHEML membuka pintu untuk berbagai kasus penggunaan pembelajaran mesin yang berorientasi pada privasi. Pada tingkat tinggi, hal ini termasuk komputasi rahasia, pelatihan terenkripsi, dan inferensi pribadi, antara lain. Kemajuan seperti ini tidak hanya meningkatkan keamanan data tetapi juga memperluas aplikasi potensial pembelajaran mesin dalam konteks yang sensitif dan menuntut privasi.

Pustaka yang ada dalam arah FHEML

Beberapa perpustakaan dan kerangka kerja menuju FHEML, Saat ini belum ada standar yang ditetapkan untuk menulis program FHEML tetapi beberapa kerangka kerja dan perpustakaan paling populer untuk membangun program FHEML adalah:

Concrete-mladalah perpustakaan yang dibuat oleh Zama, dibangun di atas compiler TFHE tingkat rendah mereka,Betonyang memungkinkan untuk kompilasi kode python sembarangan menjadi sirkuit FHE, memungkinkan pengembang menulis fungsi di python yang dapat melakukan komputasi atas data terenkripsi.

Concrete-ml memungkinkan pengembang untuk bekerja dengan API pembelajaran mesin yang akrab (model linier, model berbasis pohon, jaringan saraf) yang tersedia di scikitbelajar atau kerangka kerja lain, memungkinkan konversi model PyTorch ke versi yang kompatibel dengan FHE mereka, kelasifikasi berbasis gradien stokastik yang dapat dilatih pada data terenkripsi dll. Concrete-ml secara signifikan menurunkan hambatan untuk menerapkan operasi ml pada data terenkripsi.

Tenseal, dikembangkan oleh OpenMinedkomunitas, Berfokus pada memungkinkan operasi homomorfik pada tensor (unit dasar dalam jaringan saraf dan dapat merepresentasikan atau memanipulasi data dalam berbagai bentuk). Dibangun di atas MicrosoftSEAL(Simple Encrypted Arithematic Library), Tenseal menyediakan API yang efisien dan dapat diakses oleh Python dengan operasi dasar yang ditulis dalam C++ untuk kinerja yang ditingkatkan dalam mengaktifkan fungsi HE pada tensor terenkripsi.

PySyft, adalah kontribusi lain dari OpenMined yang bertujuan untuk pembelajaran mendalam yang aman dan pribadi dalam Python. Ini dibangun dengan kemampuan enkripsi homomorfik dari Tenseal untuk meningkatkan fungsionalitas menjaga privasinya. PySyft memperkenalkan tensor CKKS, berdasarkan pada CKKSskema enkripsi homomorfik, memungkinkan operasi pada angka real dan memberikan hasil perkiraan. Ini melampaui enkripsi homomorfik, juga menggabungkan komputasi multipihak yang aman dan privasi diferensial untuk menawarkan rangkaian komprehensif untuk pembelajaran mesin yang menjaga privasi.

TF Terenkripsi, adalah kerangka kerja yang dirancang untuk pembelajaran mesin terenkripsi dalam ekosistem TensorFlow. Meniru pengalaman TensorFlow, terutama melalui Keras API, TF Encrypted memfasilitasi pelatihan dan prediksi pada data terenkripsi. Ini memanfaatkan komputasi multi-pihak yang aman dan enkripsi homomorfik untuk menyediakan kemampuan pembelajaran mesin yang menjaga privasi. TF Encrypted bertujuan untuk mendemokratisasi pembelajaran mesin terenkripsi dengan membuatnya dapat diakses oleh mereka yang tidak memiliki latar belakang yang mendalam dalam kriptografi, sistem terdistribusi, atau komputasi berkinerja tinggi.

Beberapa kasus penggunaan umum dari FHEML

Pengalihan komputasi

Karena komputasi terjadi di atas data terenkripsi, pihak yang menginginkan komputasi dapat dengan aman berbagi bentuk terenkripsi dari data kepada pihak ketiga untuk diproses.

Inferensi Terenkripsi

Ini memfasilitasi inferensi terenkripsi, di mana inferensi yang diminta oleh pengguna tidak terungkap kepada model dan tetap terenkripsi secara default dan hanya pengguna yang dapat mendekripsinya dengan kunci mereka.

Pelatihan Terenkripsi Insights

Memberdayakan bisnis untuk memanfaatkan bentuk-bentuk data sensitif yang dienkripsi untuk melatih model pembelajaran mesin dan mendapatkan wawasan. Hal ini memungkinkan organisasi untuk menggunakan data mereka untuk meningkatkan operasi, mengembangkan strategi baru, dan meningkatkan proses pengambilan keputusan, semua sambil memastikan privasi dan keamanan data yang terlibat.

Disclaimer：

1. Artikel ini diambil dari [Foresightnews]. Teruskan Judul Asli '速览 Gitcoin推出的Allo Protocol：Komunitas Donasi Program Infrastruktur Protokol'. Semua hak cipta milik penulis asli [Frank, Foresight News]. Jika ada keberatan terhadap cetakan ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.

2. Penafian Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat investasi apa pun.

3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.