"Rekomendasi pesan: Fully Homomorphic Encryption (FHE) sering dianggap sebagai Holy Grail kriptografi, artikel ini membahas prospek penggunaan FHE dalam bidang kecerdasan buatan, menyoroti batasan yang saat ini dihadapi. Dan daftar beberapa proyek yang berkomitmen untuk menggunakan Fully Homomorphic Encryption (FHE) dalam aplikasi kecerdasan buatan di bidang enkripsi, bagi para penggemar Kripto, dapat memperoleh pemahaman mendalam tentang Fully Homomorphic Encryption melalui artikel ini, menikmati!"
Teks Utama👇
A ingin mendapatkan rekomendasi yang sangat personal di Netflix dan Amazon. B tidak ingin Netflix atau Amazon mengetahui preferensinya.
Di era digital saat ini, kita menikmati kenyamanan rekomendasi yang disesuaikan seperti yang ditawarkan oleh layanan seperti Amazon dan Netflix, yang akurat dalam memenuhi selera kita. Namun, perilaku platform-platform ini yang masuk ke dalam kehidupan pribadi kita semakin menimbulkan kekhawatiran yang longgar. Kita ingin menikmati layanan yang disesuaikan tanpa harus mengorbankan privasi. Di masa lalu, ini tampaknya adalah paradoks: bagaimana mencapai personalisasi tanpa harus berbagi banyak data pribadi dengan sistem kecerdasan buatan berbasis awan. Enkripsi Homomorphic penuh (fully homomorphic encryption) menyediakan solusi yang memungkinkan kita untuk mendapatkan keduanya tanpa harus mengorbankan privasi.
Layanan Kecerdasan Buatan sebagai Layanan (AIaaS)
Kecerdasan Buatan (AI) saat ini memainkan peran kunci dalam menghadapi tantangan kompleks di bidang-bidang seperti visi komputer, pemrosesan bahasa alami (NLP), dan sistem rekomendasi, termasuk long. Namun, perkembangan model AI ini telah memberikan tantangan besar bagi pengguna biasa:
1.量数据: membangun model yang akurat sering memerlukan kumpulan data yang besar, kadang-kadang bahkan mencapai skala triliun byte.
Kemampuan komputasi: Model yang kompleks seperti konverter ini memerlukan Daya Komputasi yang kuat dari puluhan GPU, biasanya berjalan terus menerus selama beberapa minggu.
Bidang keahlian: penyetelan ulang model-model ini memerlukan pengetahuan profesional yang mendalam.
Hambatan-hambatan ini membuat sebagian besar pengguna sulit untuk mengembangkan model pembelajaran mesin yang kuat secara mandiri.
Pipeline layanan AI yang digunakan dalam aplikasi praktis
Memasuki era AI as a Service (AIaaS), model ini memungkinkan pengguna untuk mengakses model jaringan saraf paling canggih dengan menyediakan layanan cloud yang dikelola oleh raksasa teknologi (termasuk anggota FAANG), mengatasi hambatan tersebut. Pengguna hanya perlu mengunggah data asli ke platform-platform ini, di mana data akan diproses dan menghasilkan hasil inferensi yang informatif. AIaaS secara efektif mempopulerkan akses penggunaan model pembelajaran mesin berkualitas tinggi, membuka akses ke alat AI canggih kepada kelompok yang lebih luas. Namun, sayangnya, saat ini, AIaaS mengorbankan privasi kita meskipun memberikan kenyamanan ini.
Privasi Data dalam Layanan Kecerdasan Buatan
Saat ini, data hanya dienkripsi selama proses transfer dari klien ke server. Server dapat mengakses data masukan dan prediksi yang dibuat berdasarkan data tersebut.
Dalam proses AI-as-a-Service, server dapat mengakses data masukan dan keluaran. Hal ini membuat berbagi informasi sensitif (seperti data medis dan keuangan) oleh pengguna biasa menjadi kompleks. Regulasi seperti GDPR dan CCPA semakin memperkuat kekhawatiran ini, karena mereka meminta pengguna untuk dengan jelas menyetujui sebelum data dibagikan, dan memastikan bahwa pengguna memiliki hak untuk mengetahui bagaimana data mereka digunakan. GDPR juga mengatur enkripsi dan perlindungan data selama proses transfer. Regulasi-regulasi ini menetapkan standar yang ketat untuk memastikan privasi dan hak-hak pengguna, mendorong transparansi dan kontrol yang jelas terhadap informasi pribadi. Mengingat persyaratan ini, kita harus mengembangkan mekanisme privasi yang kuat dalam proses AI-as-a-Service (AIaaS) untuk menjaga kepercayaan dan kepatuhan.
FHE memecahkan masalah
Dengan melakukan enkripsi terhadap a dan b, kita dapat memastikan keamanan data masukan.
Enkripsi Homomorphic penuh (FHE) menyediakan solusi untuk masalah privasi data terkait dalam komputasi awan. Skema FHE mendukung operasi seperti penambahan dan perkalian Ciphertext. Konsepnya sederhana: jumlah dari dua nilai enkripsi sama dengan hasil enkripsi dari jumlah nilai tersebut, dan hal yang sama berlaku untuk perkalian.
Dalam operasi sebenarnya, prinsip kerjanya adalah sebagai berikut: pengguna melakukan operasi penambahan pada nilai Plaintext 𝑎 dan 𝑏 secara lokal. Kemudian, pengguna mengenkripsi 𝑎 dan 𝑏, dan mengirimkan Ciphertext ke server cloud. Server dapat melakukan operasi penambahan (homomorfik) pada nilai yang terenkripsi dan mengembalikan hasilnya. Hasil yang didekripsi dari server akan konsisten dengan hasil penambahan Plaintext lokal dari 𝑎 dan 𝑏. Proses ini tidak hanya menjamin privasi data, tetapi juga memungkinkan perhitungan di cloud.
Jaringan Saraf Dalam Kedalaman (DNN) Berbasis enkripsi Homomorfik Penuh
Selain operasi penjumlahan dan perkalian dasar, dalam proses AI sebagai layanan, teknologi pengolahan jaringan saraf menggunakan Enkripsi Homomorfik Penuh (FHE) telah mencapai kemajuan yang signifikan. Dalam konteks ini, pengguna dapat mengenkripsi data input asli menjadi Ciphertext dan hanya mentransfer data enkripsi ini ke server cloud. Server kemudian melakukan komputasi homomorfik pada Ciphertext ini, menghasilkan output enkripsi, dan mengembalikannya kepada pengguna. Kunci dalam hal ini adalah hanya pengguna yang memiliki Kunci Pribadi yang memungkinkannya untuk mendekripsi dan mengakses hasilnya. Ini membangun aliran data enkripsi FHE dari ujung ke ujung, memastikan keamanan privasi data pengguna selama seluruh proses.
Jaringan saraf berbasis enkripsi homomorfik penuh memberikan fleksibilitas yang signifikan bagi pengguna dalam AI sebagai layanan. Begitu Ciphertext dikirim ke server, pengguna dapat offline karena tidak perlu sering berkomunikasi antara klien dan server. Fitur ini sangat menguntungkan untuk perangkat internet of things, yang biasanya beroperasi di bawah kondisi yang terbatas dan sering berkomunikasi tidak realistis.
Namun, perlu diperhatikan bahwa enkripsi homomorfik penuh (FHE) memiliki keterbatasan. Biaya komputasi yang besar; skema FHE secara inheren memakan waktu, kompleks, dan sumber daya intensif. Selain itu, FHE saat ini sulit untuk mendukung operasi non-linear secara efektif, yang merupakan tantangan dalam implementasi jaringan saraf. Batasan ini dapat memengaruhi akurasi jaringan saraf yang dibangun berdasarkan FHE, karena operasi non-linear sangat penting untuk kinerja model seperti itu.
Diterbitkan oleh K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang, dan S. Q. Goh, "Penerapan Jaringan Saraf yang Meningkatkan Privasi berdasarkan Enkripsi Homomorfik Penuh pada Layanan Kecerdasan Buatan" di Nanyang Technological University (Singapura) dan Chinese Academy of Sciences (China).
(Lam et al., 2024) menggambarkan protokol jaringan saraf privasi yang ditingkatkan untuk AI sebagai layanan. Protokol ini pertama-tama mendefinisikan parameter lapisan masukan menggunakan pembelajaran kesalahan (LWE). LWE adalah primitif enkripsi yang melindungi data dengan mengenkripsi data sehingga dapat dihitung tanpa harus didekripsi terlebih dahulu. Untuk lapisan keluaran tersembunyi, parameter didefinisikan menggunakan RLWE dan RGSW, dua teknologi enkripsi canggih yang memperluas LWE untuk operasi enkripsi yang lebih efisien.
Parameter publik meliputi basis dekomposisi 𝐵 dan 𝐵𝐾𝑆. Diberikan vektor input 𝑥 dengan panjang 𝑁, satu set LWE Ciphertext (𝑎𝑖,𝑏𝑖) telah dihasilkan untuk setiap elemen 𝑥[𝑖] menggunakan Kunci Pribadi LWE 𝑠, dan Kunci Rahasia evaluasi tentang 𝑠 telah dihasilkan untuk mengindeks 𝑥[𝑖]>0 dan 𝑥[𝑖]<0. Selain itu, satu set LWE switch Kunci Rahasia telah ditetapkan untuk 𝐵. Kunci Rahasia ini mendukung switching yang efisien antara skema enkripsi yang berbeda.
Layer input ditentukan sebagai layer ke-0, layer output adalah layer ke-L. Untuk setiap layer 𝑙 dari 1 hingga 𝐿, jumlah neuronnya adalah 𝐻𝑙 yang telah ditentukan di layer ke-0. Matriks bobot 𝑊𝑙 dan vektor bias 𝛽𝑙 ditentukan dengan menggabungkan layer sebelumnya pada layer ke-0. Untuk setiap neuron ℎ dari 0 hingga 𝐻𝑙−1, dievaluasi dengan menggunakan LWE Ciphertext dari layer 𝑙−1 di bawah Homomorphic Encryption. Ini berarti komputasi dilakukan pada data enkripsi untuk menghitung fungsi linear dalam ℎ. Neuron ke-th pada layer 𝑙 dikombinasikan dengan matriks bobot dan vektor bias. Kemudian, lookup table (LUT) dievaluasi dalam ℎ. Setelah itu, operasi dilakukan pada hasil dengan beralih dari 𝑛′ ke 𝑛 yang lebih kecil, diikuti dengan pembulatan dan penskalaan ulang. Hasil tersebut dimasukkan ke dalam himpunan LWE Ciphertext di layer ke 𝑙.
Akhirnya, protokol akan mengembalikan Ciphertext LWE kepada pengguna. Pengguna kemudian dapat menggunakan Kunci Pribadi 𝑠 untuk mendekripsi semua Ciphertext. Cari hasil inferensi.
Protokol ini mengimplementasikan inferensi jaringan saraf yang melindungi privasi dengan efisien melalui penggunaan Enkripsi Homomorphic penuh (FHE). FHE memungkinkan komputasi pada data yang dienkripsi tanpa mengungkapkan data itu sendiri ke server pemrosesan, menjaga privasi data sambil memberikan keuntungan AI sebagai layanan.
Aplikasi Enkripsi Homomorfik Penuh dalam AI
FHE (Enkripsi Homomorfik Penuh) memungkinkan komputasi yang aman pada data terenkripsi, tidak hanya membuka banyak skenario aplikasi baru, tetapi juga memastikan privasi dan keamanan data.
Privasi konsumen dalam iklan: (Armknecht dkk, 2013) mengusulkan sistem rekomendasi inovatif yang menggunakan enkripsi homomorfik penuh (FHE). Sistem ini dapat memberikan rekomendasi personalisasi kepada pengguna sambil memastikan kerahasiaan total terhadap konten rekomendasi tersebut. Hal ini menjamin kerahasiaan informasi preferensi pengguna dan secara efektif mengatasi masalah privasi yang signifikan dalam iklan berbasis target.
Aplikasi medis: (Naehrig dkk., 2011) mengusulkan suatu solusi menarik untuk industri perawatan kesehatan. Mereka menyarankan penggunaan enkripsi homomorfik penuh (FHE) untuk terus-menerus mengunggah data medis pasien ke penyedia layanan dalam bentuk enkripsi. Pendekatan ini memastikan informasi medis yang sensitif tetap rahasia selama seluruh siklus hidupnya, sehingga meningkatkan perlindungan privasi pasien dan memungkinkan lembaga medis untuk melakukan pemrosesan data dan analisis secara mulus.
Data Mining: Menambang kumpulan data besar dapat menghasilkan wawasan yang signifikan, tetapi seringkali dengan mengorbankan privasi pengguna. (Yang, Zhong, dan Wright, 2006) Masalah ini dapat diselesaikan dengan menerapkan enkripsi fungsi pada latar belakang Enkripsi Homomorfik Penuh (FHE). Pendekatan ini memungkinkan ekstraksi informasi berharga dari kumpulan data besar tanpa mengorbankan keamanan privasi individu data yang ditambang.
Privasi keuangan: Bayangkan sebuah situasi di mana sebuah perusahaan memiliki data sensitif dan Algoritme eksklusif yang harus dirahasiakan. (Naehrig dkk., 2011) Menyarankan penggunaan Enkripsi Homomorphic untuk mengatasi masalah ini. Dengan menerapkan Enkripsi Homomorphic lengkap (FHE), perusahaan dapat melakukan perhitungan yang diperlukan pada data yang dienkripsi tanpa mengungkapkan data atau Algoritme, sehingga memastikan perlindungan privasi keuangan dan kekayaan intelektual.
Pengenalan Gambar Forensik: (Bosch dkk., 2014) menjelaskan metode untuk mengidentifikasi gambar forensik secara enkripsi homomorfik penuh (FHE). Teknologi ini sangat bermanfaat bagi lembaga penegak hukum. Dengan menerapkan FHE, kepolisian dan lembaga lain dapat mendeteksi gambar ilegal di hard disk tanpa harus mengungkapkan konten gambar, sehingga menjaga keutuhan dan kerahasiaan data dalam penyelidikan.
Dari iklan dan perawatan kesehatan hingga eksplorasi data, keamanan keuangan, dan penegakan hukum, fully homomorphic encryption berpotensi untuk benar-benar mengubah cara kita memproses informasi sensitif di berbagai bidang. Dalam dunia yang semakin didorong oleh data, pentingnya melindungi privasi dan keamanan tidak pernah terlalu ditekankan, seiring dengan perkembangan dan penyempurnaan teknologi ini.
Keterbatasan Enkripsi Homomorfik Penuh (FHE)
Meskipun memiliki potensi, kita masih perlu mengatasi beberapa batasan kunci
long pengguna mendukung: Enkripsi Homomorphic penuh (FHE) memungkinkan perhitungan pada data terenkripsi, namun dalam skenario yang melibatkan long pengguna, kompleksitasnya menjadi berlipat-lipat. Biasanya, data setiap pengguna akan dienkripsi menggunakan Kunci Publik unik. Mengelola kumpulan data yang berbeda ini, terutama ketika mempertimbangkan kebutuhan komputasi FHE dalam skala besar, menjadi tidak praktis. Oleh karena itu, peneliti seperti Lopez-Alt pada tahun 2013 mengusulkan kerangka kerja FHE dengan Kunci Rahasia long, yang memungkinkan operasi simultan pada kumpulan data yang dienkripsi menggunakan Kunci Rahasia yang berbeda. Meskipun pendekatan ini menjanjikan, namun memperkenalkan tingkat kompleksitas tambahan dan memerlukan koordinasi halus dalam manajemen Kunci Rahasia dan arsitektur sistem untuk memastikan privasi dan efisiensi.
Biaya komputasi skala besar: Inti dari Enkripsi Homomorfik Penuh (FHE) adalah kemampuannya untuk melakukan komputasi pada data yang dienkripsi. Namun, kemampuan ini disertai dengan biaya yang sangat besar. Dibandingkan dengan komputasi yang tidak dienkripsi secara tradisional, biaya operasi FHE meningkat secara signifikan. Biaya ini biasanya diekspresikan dalam bentuk polinomial long, tetapi melibatkan polinomial long tingkat tinggi, yang memperburuk waktu eksekusi, sehingga tidak cocok untuk aplikasi real-time. Akselerasi hardware yang ditujukan untuk FHE mewakili peluang pasar yang besar, dengan tujuan menurunkan kompleksitas komputasi dan meningkatkan kecepatan eksekusi.
Operasi Terbatas: Kemajuan baru-baru ini memperluas cakupan enkripsi homomorfik, sehingga dapat mendukung lebih banyak jenis operasi. Namun, ini masih terutama berlaku untuk perhitungan linier dan polinomial yang membatasi aplikasinya pada model kecerdasan buatan yang kompleks dan non-linier (seperti jaringan syaraf kedalaman). Operasi yang diperlukan oleh model kecerdasan buatan ini menantang untuk dieksekusi secara efisien di bawah kerangka enkripsi homomorfik saat ini. Meskipun kami terus membuat kemajuan, kesenjangan antara kemampuan operasi enkripsi homomorfik dengan kebutuhan algoritme kecerdasan buatan yang canggih masih menjadi hambatan kunci yang perlu diatasi.
enkripsi与人工智能背景下的全Enkripsi Homomorphic
Berikut adalah beberapa perusahaan yang berkomitmen untuk mengaplikasikan Enkripsi Homomorfik Penuh (FHE) dalam aplikasi kecerdasan buatan di bidang enkripsi:
Zama menyediakan Concrete ML, sebuah alat Sumber Terbuka yang bertujuan untuk menyederhanakan proses penggunaan Enkripsi Homomorfik Penuh (FHE) oleh para ilmuwan data. Concrete ML dapat mengubah model pembelajaran mesin menjadi bentuk ekuivalen homomorfiknya, sehingga memungkinkan perhitungan rahasia pada data yang dienkripsi. Pendekatan Zama memungkinkan para ilmuwan data untuk menggunakan FHE tanpa pengetahuan kriptografi yang mendalam, yang sangat berguna dalam bidang seperti kesehatan dan keuangan di mana privasi data sangat penting. Alat Zama memfasilitasi analisis data dan pembelajaran mesin yang aman sambil menjaga kerahasiaan informasi sensitif yang dienkripsi.
Privasee berfokus pada membangun jaringan komputasi AI yang aman. Platform mereka memanfaatkan teknologi Enkripsi Homomorphic (FHE) penuh, memungkinkan kerja sama yang lebih lama dilakukan tanpa mengungkapkan informasi sensitif. Dengan menggunakan FHE, Privasee memastikan data pengguna tetap terenkripsi selama seluruh proses komputasi AI, sehingga melindungi privasi dan mematuhi peraturan perlindungan data yang ketat seperti GDPR. Sistem mereka mendukung berbagai model AI, memberikan solusi serba guna untuk pengolahan data yang aman.
Octra menggabungkan Mata Uang Kripto dengan kecerdasan buatan untuk meningkatkan keamanan transaksi digital dan efisiensi manajemen data. Dengan menggabungkan Enkripsi Homomorphic (FHE) dan teknologi pembelajaran mesin, Octra berkomitmen untuk meningkatkan keamanan dan privasi penyimpanan awan Desentralisasi. Platformnya menggunakan teknologi blockchain, kriptografi, dan kecerdasan buatan untuk memastikan data pengguna selalu dalam kondisi terenkripsi dan aman. Strategi ini membangun kerangka yang solid untuk keamanan transaksi digital dan privasi data dalam ekonomi Desentralisasi.
Mind Network menggabungkan Enkripsi Homomorphic (FHE) dengan kecerdasan buatan untuk melakukan perhitungan enkripsi yang aman selama proses pengolahan kecerdasan buatan, tanpa perlu dekripsi. Ini mendorong lingkungan kecerdasan buatan yang Desentralisasi dan melibatkan perlindungan privasi, dengan menggabungkan keamanan enkripsi dengan fungsionalitas kecerdasan buatan secara mulus. Pendekatan ini tidak hanya melindungi kerahasiaan data, tetapi juga menciptakan lingkungan yang Desentralisasi dan tanpa perlu kepercayaan, di mana operasi kecerdasan buatan dapat dilakukan tanpa bergantung pada otoritas pusat atau mengungkapkan informasi sensitif, dan secara efektif menggabungkan kekuatan enkripsi FHE dengan kebutuhan operasional sistem kecerdasan buatan.
Di bidang operasi terdepan fully homomorphic encryption (FHE), kecerdasan buatan (AI), dan Kripto, jumlah perusahaan masih terbatas. Ini terutama karena implementasi FHE yang efektif memerlukan biaya komputasi yang besar, membutuhkan kekuatan pemrosesan yang kuat untuk melakukan perhitungan enkripsi dengan efisien.
Kesimpulan
Enkripsi Homomorphic Penuh (FHE) memungkinkan perhitungan data yang dienkripsi tanpa dekripsi, memberikan metode yang menjanjikan untuk meningkatkan privasi dalam AI. Kemampuan ini sangat berharga dalam bidang sensitif seperti kesehatan dan keuangan di mana privasi data sangat penting. Namun, FHE menghadapi tantangan besar, termasuk biaya komputasi tinggi dan keterbatasan dalam operasi non-linear yang diperlukan dalam Kedalaman learning. Meskipun ada rintangan ini, kemajuan dalam Algoritme FHE dan akselerasi perangkat keras sedang membuka jalan untuk aplikasi yang lebih praktis dalam AI. Pengembangan berkelanjutan di bidang ini diharapkan dapat secara signifikan meningkatkan layanan AI yang aman, melindungi privasi, serta seimbang antara efisiensi komputasi dan perlindungan data yang kuat.
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Mengapa Fully Enkripsi Homomorphic (FHE) Dikatakan Sebagai Cawan Suci Berikutnya dari Kecerdasan Buatan?
Penulis asli: Advait (Leo) Jayant
Kompilasi: LlamaC
"Rekomendasi pesan: Fully Homomorphic Encryption (FHE) sering dianggap sebagai Holy Grail kriptografi, artikel ini membahas prospek penggunaan FHE dalam bidang kecerdasan buatan, menyoroti batasan yang saat ini dihadapi. Dan daftar beberapa proyek yang berkomitmen untuk menggunakan Fully Homomorphic Encryption (FHE) dalam aplikasi kecerdasan buatan di bidang enkripsi, bagi para penggemar Kripto, dapat memperoleh pemahaman mendalam tentang Fully Homomorphic Encryption melalui artikel ini, menikmati!"
Teks Utama👇
A ingin mendapatkan rekomendasi yang sangat personal di Netflix dan Amazon. B tidak ingin Netflix atau Amazon mengetahui preferensinya.
Di era digital saat ini, kita menikmati kenyamanan rekomendasi yang disesuaikan seperti yang ditawarkan oleh layanan seperti Amazon dan Netflix, yang akurat dalam memenuhi selera kita. Namun, perilaku platform-platform ini yang masuk ke dalam kehidupan pribadi kita semakin menimbulkan kekhawatiran yang longgar. Kita ingin menikmati layanan yang disesuaikan tanpa harus mengorbankan privasi. Di masa lalu, ini tampaknya adalah paradoks: bagaimana mencapai personalisasi tanpa harus berbagi banyak data pribadi dengan sistem kecerdasan buatan berbasis awan. Enkripsi Homomorphic penuh (fully homomorphic encryption) menyediakan solusi yang memungkinkan kita untuk mendapatkan keduanya tanpa harus mengorbankan privasi.
Layanan Kecerdasan Buatan sebagai Layanan (AIaaS)
Kecerdasan Buatan (AI) saat ini memainkan peran kunci dalam menghadapi tantangan kompleks di bidang-bidang seperti visi komputer, pemrosesan bahasa alami (NLP), dan sistem rekomendasi, termasuk long. Namun, perkembangan model AI ini telah memberikan tantangan besar bagi pengguna biasa:
1.量数据: membangun model yang akurat sering memerlukan kumpulan data yang besar, kadang-kadang bahkan mencapai skala triliun byte.
Kemampuan komputasi: Model yang kompleks seperti konverter ini memerlukan Daya Komputasi yang kuat dari puluhan GPU, biasanya berjalan terus menerus selama beberapa minggu.
Bidang keahlian: penyetelan ulang model-model ini memerlukan pengetahuan profesional yang mendalam.
Hambatan-hambatan ini membuat sebagian besar pengguna sulit untuk mengembangkan model pembelajaran mesin yang kuat secara mandiri.
Pipeline layanan AI yang digunakan dalam aplikasi praktis
Memasuki era AI as a Service (AIaaS), model ini memungkinkan pengguna untuk mengakses model jaringan saraf paling canggih dengan menyediakan layanan cloud yang dikelola oleh raksasa teknologi (termasuk anggota FAANG), mengatasi hambatan tersebut. Pengguna hanya perlu mengunggah data asli ke platform-platform ini, di mana data akan diproses dan menghasilkan hasil inferensi yang informatif. AIaaS secara efektif mempopulerkan akses penggunaan model pembelajaran mesin berkualitas tinggi, membuka akses ke alat AI canggih kepada kelompok yang lebih luas. Namun, sayangnya, saat ini, AIaaS mengorbankan privasi kita meskipun memberikan kenyamanan ini.
Privasi Data dalam Layanan Kecerdasan Buatan
Saat ini, data hanya dienkripsi selama proses transfer dari klien ke server. Server dapat mengakses data masukan dan prediksi yang dibuat berdasarkan data tersebut.
Dalam proses AI-as-a-Service, server dapat mengakses data masukan dan keluaran. Hal ini membuat berbagi informasi sensitif (seperti data medis dan keuangan) oleh pengguna biasa menjadi kompleks. Regulasi seperti GDPR dan CCPA semakin memperkuat kekhawatiran ini, karena mereka meminta pengguna untuk dengan jelas menyetujui sebelum data dibagikan, dan memastikan bahwa pengguna memiliki hak untuk mengetahui bagaimana data mereka digunakan. GDPR juga mengatur enkripsi dan perlindungan data selama proses transfer. Regulasi-regulasi ini menetapkan standar yang ketat untuk memastikan privasi dan hak-hak pengguna, mendorong transparansi dan kontrol yang jelas terhadap informasi pribadi. Mengingat persyaratan ini, kita harus mengembangkan mekanisme privasi yang kuat dalam proses AI-as-a-Service (AIaaS) untuk menjaga kepercayaan dan kepatuhan.
FHE memecahkan masalah
Dengan melakukan enkripsi terhadap a dan b, kita dapat memastikan keamanan data masukan.
Enkripsi Homomorphic penuh (FHE) menyediakan solusi untuk masalah privasi data terkait dalam komputasi awan. Skema FHE mendukung operasi seperti penambahan dan perkalian Ciphertext. Konsepnya sederhana: jumlah dari dua nilai enkripsi sama dengan hasil enkripsi dari jumlah nilai tersebut, dan hal yang sama berlaku untuk perkalian.
Dalam operasi sebenarnya, prinsip kerjanya adalah sebagai berikut: pengguna melakukan operasi penambahan pada nilai Plaintext 𝑎 dan 𝑏 secara lokal. Kemudian, pengguna mengenkripsi 𝑎 dan 𝑏, dan mengirimkan Ciphertext ke server cloud. Server dapat melakukan operasi penambahan (homomorfik) pada nilai yang terenkripsi dan mengembalikan hasilnya. Hasil yang didekripsi dari server akan konsisten dengan hasil penambahan Plaintext lokal dari 𝑎 dan 𝑏. Proses ini tidak hanya menjamin privasi data, tetapi juga memungkinkan perhitungan di cloud.
Jaringan Saraf Dalam Kedalaman (DNN) Berbasis enkripsi Homomorfik Penuh
Selain operasi penjumlahan dan perkalian dasar, dalam proses AI sebagai layanan, teknologi pengolahan jaringan saraf menggunakan Enkripsi Homomorfik Penuh (FHE) telah mencapai kemajuan yang signifikan. Dalam konteks ini, pengguna dapat mengenkripsi data input asli menjadi Ciphertext dan hanya mentransfer data enkripsi ini ke server cloud. Server kemudian melakukan komputasi homomorfik pada Ciphertext ini, menghasilkan output enkripsi, dan mengembalikannya kepada pengguna. Kunci dalam hal ini adalah hanya pengguna yang memiliki Kunci Pribadi yang memungkinkannya untuk mendekripsi dan mengakses hasilnya. Ini membangun aliran data enkripsi FHE dari ujung ke ujung, memastikan keamanan privasi data pengguna selama seluruh proses.
Jaringan saraf berbasis enkripsi homomorfik penuh memberikan fleksibilitas yang signifikan bagi pengguna dalam AI sebagai layanan. Begitu Ciphertext dikirim ke server, pengguna dapat offline karena tidak perlu sering berkomunikasi antara klien dan server. Fitur ini sangat menguntungkan untuk perangkat internet of things, yang biasanya beroperasi di bawah kondisi yang terbatas dan sering berkomunikasi tidak realistis.
Namun, perlu diperhatikan bahwa enkripsi homomorfik penuh (FHE) memiliki keterbatasan. Biaya komputasi yang besar; skema FHE secara inheren memakan waktu, kompleks, dan sumber daya intensif. Selain itu, FHE saat ini sulit untuk mendukung operasi non-linear secara efektif, yang merupakan tantangan dalam implementasi jaringan saraf. Batasan ini dapat memengaruhi akurasi jaringan saraf yang dibangun berdasarkan FHE, karena operasi non-linear sangat penting untuk kinerja model seperti itu.
Diterbitkan oleh K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang, dan S. Q. Goh, "Penerapan Jaringan Saraf yang Meningkatkan Privasi berdasarkan Enkripsi Homomorfik Penuh pada Layanan Kecerdasan Buatan" di Nanyang Technological University (Singapura) dan Chinese Academy of Sciences (China).
(Lam et al., 2024) menggambarkan protokol jaringan saraf privasi yang ditingkatkan untuk AI sebagai layanan. Protokol ini pertama-tama mendefinisikan parameter lapisan masukan menggunakan pembelajaran kesalahan (LWE). LWE adalah primitif enkripsi yang melindungi data dengan mengenkripsi data sehingga dapat dihitung tanpa harus didekripsi terlebih dahulu. Untuk lapisan keluaran tersembunyi, parameter didefinisikan menggunakan RLWE dan RGSW, dua teknologi enkripsi canggih yang memperluas LWE untuk operasi enkripsi yang lebih efisien.
Parameter publik meliputi basis dekomposisi 𝐵 dan 𝐵𝐾𝑆. Diberikan vektor input 𝑥 dengan panjang 𝑁, satu set LWE Ciphertext (𝑎𝑖,𝑏𝑖) telah dihasilkan untuk setiap elemen 𝑥[𝑖] menggunakan Kunci Pribadi LWE 𝑠, dan Kunci Rahasia evaluasi tentang 𝑠 telah dihasilkan untuk mengindeks 𝑥[𝑖]>0 dan 𝑥[𝑖]<0. Selain itu, satu set LWE switch Kunci Rahasia telah ditetapkan untuk 𝐵. Kunci Rahasia ini mendukung switching yang efisien antara skema enkripsi yang berbeda.
Layer input ditentukan sebagai layer ke-0, layer output adalah layer ke-L. Untuk setiap layer 𝑙 dari 1 hingga 𝐿, jumlah neuronnya adalah 𝐻𝑙 yang telah ditentukan di layer ke-0. Matriks bobot 𝑊𝑙 dan vektor bias 𝛽𝑙 ditentukan dengan menggabungkan layer sebelumnya pada layer ke-0. Untuk setiap neuron ℎ dari 0 hingga 𝐻𝑙−1, dievaluasi dengan menggunakan LWE Ciphertext dari layer 𝑙−1 di bawah Homomorphic Encryption. Ini berarti komputasi dilakukan pada data enkripsi untuk menghitung fungsi linear dalam ℎ. Neuron ke-th pada layer 𝑙 dikombinasikan dengan matriks bobot dan vektor bias. Kemudian, lookup table (LUT) dievaluasi dalam ℎ. Setelah itu, operasi dilakukan pada hasil dengan beralih dari 𝑛′ ke 𝑛 yang lebih kecil, diikuti dengan pembulatan dan penskalaan ulang. Hasil tersebut dimasukkan ke dalam himpunan LWE Ciphertext di layer ke 𝑙.
Akhirnya, protokol akan mengembalikan Ciphertext LWE kepada pengguna. Pengguna kemudian dapat menggunakan Kunci Pribadi 𝑠 untuk mendekripsi semua Ciphertext. Cari hasil inferensi.
Protokol ini mengimplementasikan inferensi jaringan saraf yang melindungi privasi dengan efisien melalui penggunaan Enkripsi Homomorphic penuh (FHE). FHE memungkinkan komputasi pada data yang dienkripsi tanpa mengungkapkan data itu sendiri ke server pemrosesan, menjaga privasi data sambil memberikan keuntungan AI sebagai layanan.
Aplikasi Enkripsi Homomorfik Penuh dalam AI
FHE (Enkripsi Homomorfik Penuh) memungkinkan komputasi yang aman pada data terenkripsi, tidak hanya membuka banyak skenario aplikasi baru, tetapi juga memastikan privasi dan keamanan data.
Privasi konsumen dalam iklan: (Armknecht dkk, 2013) mengusulkan sistem rekomendasi inovatif yang menggunakan enkripsi homomorfik penuh (FHE). Sistem ini dapat memberikan rekomendasi personalisasi kepada pengguna sambil memastikan kerahasiaan total terhadap konten rekomendasi tersebut. Hal ini menjamin kerahasiaan informasi preferensi pengguna dan secara efektif mengatasi masalah privasi yang signifikan dalam iklan berbasis target.
Aplikasi medis: (Naehrig dkk., 2011) mengusulkan suatu solusi menarik untuk industri perawatan kesehatan. Mereka menyarankan penggunaan enkripsi homomorfik penuh (FHE) untuk terus-menerus mengunggah data medis pasien ke penyedia layanan dalam bentuk enkripsi. Pendekatan ini memastikan informasi medis yang sensitif tetap rahasia selama seluruh siklus hidupnya, sehingga meningkatkan perlindungan privasi pasien dan memungkinkan lembaga medis untuk melakukan pemrosesan data dan analisis secara mulus.
Data Mining: Menambang kumpulan data besar dapat menghasilkan wawasan yang signifikan, tetapi seringkali dengan mengorbankan privasi pengguna. (Yang, Zhong, dan Wright, 2006) Masalah ini dapat diselesaikan dengan menerapkan enkripsi fungsi pada latar belakang Enkripsi Homomorfik Penuh (FHE). Pendekatan ini memungkinkan ekstraksi informasi berharga dari kumpulan data besar tanpa mengorbankan keamanan privasi individu data yang ditambang.
Privasi keuangan: Bayangkan sebuah situasi di mana sebuah perusahaan memiliki data sensitif dan Algoritme eksklusif yang harus dirahasiakan. (Naehrig dkk., 2011) Menyarankan penggunaan Enkripsi Homomorphic untuk mengatasi masalah ini. Dengan menerapkan Enkripsi Homomorphic lengkap (FHE), perusahaan dapat melakukan perhitungan yang diperlukan pada data yang dienkripsi tanpa mengungkapkan data atau Algoritme, sehingga memastikan perlindungan privasi keuangan dan kekayaan intelektual.
Pengenalan Gambar Forensik: (Bosch dkk., 2014) menjelaskan metode untuk mengidentifikasi gambar forensik secara enkripsi homomorfik penuh (FHE). Teknologi ini sangat bermanfaat bagi lembaga penegak hukum. Dengan menerapkan FHE, kepolisian dan lembaga lain dapat mendeteksi gambar ilegal di hard disk tanpa harus mengungkapkan konten gambar, sehingga menjaga keutuhan dan kerahasiaan data dalam penyelidikan.
Dari iklan dan perawatan kesehatan hingga eksplorasi data, keamanan keuangan, dan penegakan hukum, fully homomorphic encryption berpotensi untuk benar-benar mengubah cara kita memproses informasi sensitif di berbagai bidang. Dalam dunia yang semakin didorong oleh data, pentingnya melindungi privasi dan keamanan tidak pernah terlalu ditekankan, seiring dengan perkembangan dan penyempurnaan teknologi ini.
Keterbatasan Enkripsi Homomorfik Penuh (FHE)
Meskipun memiliki potensi, kita masih perlu mengatasi beberapa batasan kunci
enkripsi与人工智能背景下的全Enkripsi Homomorphic
Berikut adalah beberapa perusahaan yang berkomitmen untuk mengaplikasikan Enkripsi Homomorfik Penuh (FHE) dalam aplikasi kecerdasan buatan di bidang enkripsi:
Di bidang operasi terdepan fully homomorphic encryption (FHE), kecerdasan buatan (AI), dan Kripto, jumlah perusahaan masih terbatas. Ini terutama karena implementasi FHE yang efektif memerlukan biaya komputasi yang besar, membutuhkan kekuatan pemrosesan yang kuat untuk melakukan perhitungan enkripsi dengan efisien.
Kesimpulan
Enkripsi Homomorphic Penuh (FHE) memungkinkan perhitungan data yang dienkripsi tanpa dekripsi, memberikan metode yang menjanjikan untuk meningkatkan privasi dalam AI. Kemampuan ini sangat berharga dalam bidang sensitif seperti kesehatan dan keuangan di mana privasi data sangat penting. Namun, FHE menghadapi tantangan besar, termasuk biaya komputasi tinggi dan keterbatasan dalam operasi non-linear yang diperlukan dalam Kedalaman learning. Meskipun ada rintangan ini, kemajuan dalam Algoritme FHE dan akselerasi perangkat keras sedang membuka jalan untuk aplikasi yang lebih praktis dalam AI. Pengembangan berkelanjutan di bidang ini diharapkan dapat secara signifikan meningkatkan layanan AI yang aman, melindungi privasi, serta seimbang antara efisiensi komputasi dan perlindungan data yang kuat.