"推荐寄语：全Homomorfik Şifreleme（FHE）常被誉为密码学的圣杯，本文探讨了 FHE 在人工智能领域的应用前景，指出了当前面临的局限性。并 list 了一些致力于在şifreleme领域利用全Homomorfik Şifreleme（FHE）进行 AI 应用的项目，对于Kripto Para爱好者来说，可通过本文对全Homomorfik Şifreleme进行一次深入了解，enjoy！"
**Metin 👇 **
A Netflix ve Amazon'da yüksek derecede kişiselleştirilmiş öneriler almayı umuyor. B tercihlerini Netflix veya Amazon'la paylaşmak istemiyor.
Günümüz dijital çağında, Amazon ve Netflix gibi hizmetlerin sunduğu kişiselleştirilmiş önerilerin kolaylığının keyfini çıkarıyoruz, bu öneriler ilgi alanlarımıza tam olarak uymaktadır. Bununla birlikte, bu platformların kişisel yaşamımızın derinliklerine nüfuz etmesi giderek daha uzun süreli bir endişeye neden oluyor. Özelleştirilmiş hizmetlerin gizlilik özgürlüğümüzü feda etmeden nasıl tadını çıkarabileceğimize özlem duyuyoruz. Geçmişte, bu bir paradokstmış gibi görünüyordu: bulut tabanlı yapay zeka sistemlerine büyük miktarda kişisel veri paylaşmadan nasıl kişiselleştirme sağlanır. Tamamen Homomorfik Şifreleme (FHE), hem balığı hem de ayıyı avlayabilmemizi sağlayan bir çözüm sunar.
Yapay Zeka Servisi (AIaaS)
Yapay zeka (AI) günümüzde bilgisayar görüşü, doğal dil işleme (NLP) ve öneri sistemleri dahil olmak üzere long alandaki karmaşık zorluklarla başa çıkmada önemli bir rol oynamaktadır. Ancak bu AI modellerinin gelişimi, normal kullanıcılar için büyük zorluklar getirdi:
Veri Miktarı: Hassas bir model oluşturmak genellikle büyük veri kümeleri gerektirir ve bazen trilyonlarca byte'a kadar çıkabilir.
Hesaplama gücü: Dönüştürücü gibi karmaşık modeller, genellikle birkaç hafta boyunca sürekli olarak çalıştırılmak üzere onlarca GPU'nun güçlü Bilgi İşlem Gücü'ne ihtiyaç duyar.
Alan uzmanlığı: Bu modellerin ayarlanması derin bir uzmanlık gerektirir.
Bu engeller, çoğu kullanıcının güçlü makine öğrenme modellerini bağımsız olarak geliştirmesini zorlaştırır.
Gerçek uygulamada AI hizmet boru hattı
AI as a Service (AIaaS) çağına girerken, bu model, teknoloji devleri (FAANG üyeleri de dahil olmak üzere) tarafından yönetilen bulut hizmetleri sağlayarak kullanıcıların en gelişmiş sinir ağı modelleriyle tanışmalarını sağlayarak yukarıda bahsedilen engelleri aşmayı mümkün kılar. Kullanıcılar yalnızca orijinal verileri bu platformlara yüklemeleri durumunda veriler platform üzerinde işlenir ve sonuç olarak bilgeliği olan sonuçlar üretilir. AIaaS, yüksek kaliteli makine öğrenimi modellerinin kullanım hakkını etkili bir şekilde yaygınlaştırır ve ileri AI araçlarını daha geniş bir kitleye açar. Ancak, ne yazık ki, günümüzdeki AIaaS, bu kolaylıkları sağlarken gizliliğimizi feda etmektedir.
Veri Gizliliği Yapay Zeka Hizmeti
Şu anda, veriler yalnızca müşteri tarafından sunucuya aktarılırken şifrelenmektedir. Sunucu, giriş verilerine erişebilir ve bu verilere dayalı tahminler yapabilir.
AI as a service (AIaaS) sürecinde, sunucular giriş ve çıkış verilerine erişebilir. Bu durum, normal kullanıcıların hassas bilgileri (tıbbi ve finansal veriler gibi) paylaşmasını karmaşık hale getirir. Bu endişeleri artıran GDPR ve CCPA gibi yasal düzenlemeler, verilerin paylaşılmasından önce kullanıcıların açıkça onayını ve verilerinin nasıl kullanıldığını anlama hakkına sahip olmalarını gerektirir. GDPR ayrıca veri aktarımı sürecinde şifreleme ve korumayı şart koşar. Bu düzenlemeler, kullanıcı gizliliği ve haklarını güvence altına almak için katı standartlar belirler, kişisel bilgilere açık bir şeffaflık ve kontrol sağlanmasını savunur. Bu gereklilikler göz önüne alındığında, AI as a service (AIaaS) sürecinde güçlü gizlilik mekanizmaları geliştirmeli ve güveni ve uyumluluğu sağlamalıyız.
FHE Çözümü
A ve b'yi şifreleyerek, girdi verilerinin gizliliğini sağlayabiliriz.
Tamamen Homomorfik Şifreleme（FHE）, bulut hesaplamasında veri gizliliği sorunlarına çözüm sunar. FHE çözümü, şifreli metin için toplama ve çarpma gibi işlemleri destekler. Temel fikir oldukça açıktır: İki şifreleme değerinin toplamı, bu iki değerin toplamına eşittir ve çarpma işlemi de aynıdır.
Gerçek işlemde, çalışma prensibi şöyledir: Kullanıcı, yerel olarak Düz metin değeri 𝑎 ve 𝑏 üzerinde toplama işlemi gerçekleştirir. Ardından, kullanıcı 𝑎 ve 𝑏'yı şifreler ve Şifreli Metin'i bulut sunucusuna gönderir. Sunucu, şifreli değerler üzerinde (homomorfik olarak) toplama işlemi gerçekleştirir ve sonucu döndürür. Sunucudan elde edilen şifre çözülmüş sonuç, 𝑎 ve 𝑏'nin yerel Düz metin toplama sonucuyla aynı olacaktır. Bu işlem, veri gizliliğini korurken bulutta hesaplama yapmayı mümkün kılar.
基于全同态şifreleme的Derinlik神经网络（DNN）
Temel toplama ve çarpma işlemlerinin yanı sıra, AI as a service sürecinde, sinir ağı işleme için tamamen homomorfik şifreleme (FHE) kullanarak önemli ilerlemeler kaydedilmiştir. Bu bağlamda, kullanıcılar orijinal giriş verilerini Şifreli Metin olarak şifreleyebilir ve sadece bu şifreli verileri buluta iletebilir. Sunucu daha sonra bu Şifreli Metin üzerinde homomorfik hesaplama yapar, şifreli çıktıyı oluşturur ve kullanıcıya geri gönderir. Önemli olan, yalnızca kullanıcının Özel Anahtarı olduğunda sonuçları çözebilmesi ve erişebilmesidir. Bu, kullanıcı verilerinin tüm süreç boyunca gizliliğini sağlayan bir uçtan uca FHE şifreleme veri akışı oluşturur.
Tam homomorfik şifreleme tabanlı sinir ağları, AI as a service için kullanıcılara önemli esneklik sağlar. Bir kez Şifreli Metin sunucuya gönderildikten sonra, kullanıcı çevrimdışı olabilir çünkü istemci ile sunucu arasında sık sık iletişim gerekmez. Bu özellik özellikle nesnelerin interneti cihazları için faydalıdır, genellikle kısıtlı koşullarda çalışır ve sık sık iletişim pratik değildir.
Ancak, tamamen Homomorfik Şifreleme (FHE) 'nin sınırlamalarına dikkat etmek önemlidir. FHE şeması hesaplama maliyeti çok yüksektir; FHE çözümü özünde zaman alıcı, karmaşık ve kaynak yoğundur. Ayrıca, FHE şu anda nonlineer işlemleri etkili bir şekilde desteklemekte zorluk yaşamaktadır, bu da sinir ağlarının uygulanmasında bir zorluk oluşturmaktadır. Bu kısıtlama, FHE üzerine inşa edilen sinir ağlarının doğruluğunu etkileyebilir çünkü bu tür modeller için nonlineer işlemler çok önemlidir.
K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang, 和 S. Q. Goh 所著的 "基于高效全Homomorfik Şifreleme的隐私增强神经网络在 AI 即服务中的应用"，在南洋理工大学（新加坡）和中国科学院（中国）发表。
(Lam ve diğerleri, 2024) AI hizmetleri için gizlilik artırıcı bir sinir ağı protokolü açıklar. Bu protokol, giriş katmanının parametrelerini tanımlamak için öncelikle Hata İnceltme (LWE) kullanır. LWE, verileri şifreleme yoluyla korumak için kullanılan bir şifreleme protokolüdür ve şifreleme verilerini önce çözmeden hesaplama yapılmasını sağlar. Gizli çıkış katmanı için parametreler ise Halka LWE (RLWE) ve Halka GSW (RGSW) ile tanımlanır; bu iki gelişmiş şifreleme tekniği LWE'yi genişleterek daha verimli şifreleme işlemleri gerçekleştirilmesini sağlar.
Genel parametreler, 𝐵 ayrıştırma temeli ve 𝐵𝐾𝑆 verilerini içerir. 𝑥 uzunluğu 𝑁 olan bir girdi vektörü verildiğinde, her bir öğe 𝑥[𝑖] için bir 𝑁 LWE Şifreli Metin (𝑎𝑖,𝑏𝑖) LWE Özel Anahtar 𝑠 kullanılarak oluşturulur. 𝑠 hakkında değerlendirme Gizli Anahtar indeksleri oluşturmak için 𝑥[𝑖]>0 ve 𝑥[𝑖]<0 için. Ayrıca, 𝐵 için bir dizi LWE anahtar değiştirme Gizli Anahtarları ayarlandı. Bu Gizli Anahtarlar, farklı şifreleme şemaları arasında verimli bir şekilde geçiş yapmayı destekler.
Giriş katmanı 0. katman olarak belirlenirken, çıkış katmanı 𝐿. katmandır. Her bir katman 𝑙 için 1'den 𝐿'ye kadar olan nöron sayısı 𝐻𝑙 olarak belirlenir ve 0. katmanda sabittir. Ağırlık matrisi 𝑊𝑙 ve bias vektörü 𝛽𝑙 0. katmandan başlayarak 0. katman üzerinde birleştirilmiş olarak tanımlanır. Her bir nöron için ℎ 0'dan 𝐻𝑙−1'e kadar olan katmanlardan LWE Şifreli Metin, Homomorfik Şifreleme altında değerlendirilir. Bu, hesaplamaların şifreli veriler üzerinde gerçekleştirildiği ve ℎ içindeki lineer işlevin hesaplandığı anlamına gelir. 𝑙. katmandaki 𝑡-th nöron, ağırlık matrisi ve bias vektörü ile birleştirilir. Ardından, ℎ'de bir arama tablosu (LUT) değerlendirmesi yapılır. 𝑛'den 𝑛'ın daha küçüğüne geçtikten sonra, sonuç yuvarlanır ve yeniden ölçeklendirilir. Bu sonuç, 𝑙. katman LWE Şifreli Metin kümesine dahil edilir.
Son olarak, protokol LWE Şifreli Metin'i kullanıcıya geri döndürür. Kullanıcı daha sonra tüm Şifreli Metin'i çözmek için Özel Anahtar 𝑠 kullanabilir. Çözüm sonuçlarını bulun.
Bu protokol, Veri şifrelemesiyle gizlilik korumasını sağlayan Yüksek Homomorfik Şifreleme (FHE) teknolojisini kullanarak verimli bir şekilde gizlilik korumalı sinir ağı çıkarımı gerçekleştirir. FHE, veri kendisini ifşa etmeden şifreli veriler üzerinde hesaplama yapmaya olanak tanır ve veri gizliliğini sağlarken AI as a Service avantajı sunar.
AI 中全Homomorfik Şifreleme的应用
FHE (Tamamen Homomorfik Şifreleme), şifreli veriler üzerinde güvenli hesaplama yapmayı mümkün kılar, bu da birçok yeni uygulama alanının açılmasını sağlar ve verilerin gizliliğini ve güvenliğini sağlar.
Reklamda tüketicinin gizliliği: (Armknecht ve diğerleri, 2013) tamamen Homomorfik Şifreleme (FHE) kullanan yenilikçi bir öneri sistemi önerdi. Bu sistem, kullanıcılara kişiselleştirilmiş öneriler sunarken, bu önerilerin sisteme tamamen gizli kalmasını sağlar. Bu, kullanıcı tercih bilgilerinin gizliliğini sağlayarak, hedefli reklamcılıktaki büyük gizlilik sorununu etkili bir şekilde çözer.
Tıbbi Uygulamalar: (Naehrig vd., 2011) sağlık sektörü için dikkat çekici bir plan ortaya koydu. Hastaların tıbbi verilerinin tamamen Homomorfik Şifreleme (FHE) kullanılarak hizmet sağlayıcıya şifreleme şeklinde sürekli olarak yüklenmesini önerdiler. Bu uygulama, hassas tıbbi bilgilerin tüm yaşam döngüleri boyunca gizliliğini sağlar, hem hasta gizliliğini arttırır hem de tıbbi kurumların veri işleme ve analizini sorunsuz hale getirir.
Veri Madenciliği: Büyük veri kümelerini madencilik yapmak önemli içgörüler üretebilir, ancak genellikle kullanıcı gizliliği bedel öder. (Yang, Zhong, and Wright, 2006) Bu sorunu tamamen homomorfik şifreleme (FHE) üzerinde şifreleme işlevleri uygulayarak çözmüştür. Bu yaklaşım, büyük veri kümelerinden değerli bilgilerin çıkarılmasını mümkün kılar, aynı zamanda madencilik yapılan veri bireylerinin gizliliğini tehlikeye atmadan.
Adli tıp görüntü tanıma: (Bosch vd., 2014) Adli tıp görüntü tanıma için tamamen Homomorfik Şifreleme (FHE) kullanımını tanımlar. Bu teknoloji özellikle yasal kurumlar için faydalıdır. FHE uygulaması ile polis ve diğer kurumlar, görüntü içeriğini ortaya çıkarmadan, hard diskindeki yasa dışı görüntüleri tespit edebilir, böylece soruşturma verilerinin bütünlüğünü ve gizliliğini koruyabilirler.
Reklam ve sağlık hizmetlerinden veri madenciliğine, finansal güvenliğe ve kolluk kuvvetlerine kadar tamamen homomorfik şifreleme, çeşitli alanlarda hassas bilgileri işleme şeklimizde devrim yaratmayı vaat ediyor. Bu teknolojileri geliştirmeye ve iyileştirmeye devam ettikçe, giderek daha fazla veri odaklı hale gelen bir dünyada gizliliği ve güvenliği korumanın önemi göz ardı edilemez.
全Homomorfik Şifreleme（FHE）的局限性
Potansiyel olsa da, bazı temel kısıtlamaları çözmemiz gerekiyor.
long kullanıcı desteği: Tamamen Homomorfik Şifreleme (FHE), şifreli veriler üzerinde hesaplama yapılmasına izin verir, ancak long kullanıcıların bulunduğu senaryolarda, karmaşıklık katlanarak artar. Genellikle, her kullanıcının verileri benzersiz bir Açık Anahtar ile şifrelenir. Bu farklı veri kümelerini yönetmek, özellikle FHE'nin hesaplama gereksinimlerini büyük ölçekli bir ortamda düşünürsek, pratik değil hale gelir. Bu nedenle, araştırmacılar, özellikle Lopez-Alt ve diğerleri, 2013 yılında long Gizli Anahtar FHE çerçevesini önerdiler, farklı Gizli Anahtarlar ile şifrelenmiş veri kümeleri üzerinde aynı anda işlem yapılmasına izin verir. Bu yaklaşım umut vadeder olsa da, ek karmaşık seviyeleri beraberinde getirir ve gizlilik ve verimliliği sağlamak için Gizli Anahtar yönetimi ve sistem mimarisi açısından hassas bir koordinasyon gerektirir.
Büyük ölçekli hesaplama maliyeti: Tamamen Homomorfik Şifreleme'nin (FHE) temeli, şifreli veriler üzerinde hesaplama yapabilme yeteneğidir. Bununla birlikte, bu yetenek büyük bir maliyetle gelir. Geleneksel şifrelenmemiş hesaplamalara kıyasla, FHE işlemlerinin hesaplama maliyeti önemli ölçüde artar. Bu maliyet genellikle uzun polinomlar şeklinde ifade edilir, ancak yüksek dereceli uzun polinomlarla uğraşmak, çalışma süresini artırır ve gerçek zamanlı uygulamalara uygun olmaz. FHE için donanım hızlandırması, hesaplama karmaşıklığını düşürmek ve yürütme hızını artırmak için büyük bir pazar fırsatı sunar.
Sınırlı işlemler: Son gelişmeler, Homomorfik Şifrelemenin uygulama alanını genişletti ve daha fazla çeşitli işlemi destekleyebilir hale getirdi. Bununla birlikte, hala öncelikle lineer ve uzun polinom hesaplamaları için uygunken, bu, Derinlikli sinir ağları gibi karmaşık olmayan lineer olmayan modellerle ilgili yapay zeka uygulamaları için önemli bir kısıtlama oluşturmaktadır. Bu AI modelleri için gereken işlemler, mevcut Homomorfik Şifreleme çerçevesinde etkin bir şekilde gerçekleştirilmesi zorlu bir durumdur. İlerleme kaydetmekte olmamıza rağmen, Homomorfik Şifreleme işlevselliği ile ileri AI Algoritma gereksinimleri arasındaki fark hala aşılması gereken önemli bir engeldir.
şifreleme与人工智能背景下的全Homomorfik Şifreleme
Şifreleme alanındaki AI uygulamaları için tam Homomorfik Şifreleme'den (FHE) yararlanmak için çalışan şirketlerden bazıları şunlardır:
Zama, Concrete ML sunar, bu, Açık Kaynak bir araçtır, veri bilimcilerin tamamen Homomorfik Şifreleme (FHE) kullanımını kolaylaştırmayı amaçlayan. Concrete ML, makine öğrenme modellerini homomorfik eşdeğer biçimine dönüştürebilir, böylece şifreli veriler üzerinde gizlilik hesaplaması yapılabilir. Zama'nın yaklaşımı, tıp ve finans gibi veri gizliliğinin son derece önemli olduğu alanlarda, veri bilimcilerin FHE'den faydalanmasını, derin kriptografi bilgisi gerektirmez hale getirir. Zama'nın araçları, hassas bilgilerin şifreli tutulmasını sağlarken, güvenli veri analizi ve makine öğrenmesini teşvik eder.
Privasee, güvenli bir yapay zeka hesaplama ağı inşa etmeye odaklanmıştır. Platformları tamamen Homomorfik Şifreleme (FHE) teknolojisinden faydalanarak long'cu'nun hassas bilgileri ifşa etmeden işbirliği yapmasını sağlar. FHE kullanarak Privasee, kullanıcı verilerinin tüm yapay zeka hesaplama sürecinde şifreli kalmasını sağlayarak gizliliği korur ve GDPR gibi sıkı veri koruma düzenlemelerine uyar. Sistemi, çeşitli yapay zeka modellerini destekleyerek güvenli veri işleme için çok yönlü bir çözüm sunar.
Octra, Kripto Para'yı yapay zeka ile birleştirerek dijital işlemlerin güvenliğini ve veri yönetim verimliliğini artırmayı amaçlamaktadır. Tüm Homomorfik Şifreleme (FHE) ve makine öğrenme teknolojilerini birleştirerek, Octra, Merkeziyetsizlik bulut depolamanın güvenliğini ve gizliliğini artırmayı hedeflemektedir. Platformu, blok zinciri, şifreleme ve yapay zeka teknolojilerini kullanarak, kullanıcı verilerinin her zaman şifreli ve güvende olmasını sağlar. Bu strateji, Merkeziyetsizlik ekonomisinde dijital işlemlerin güvenliği ve veri gizliliği için sağlam bir çerçeve oluşturur.
Mind Network, tamamen homomorfik şifreleme (FHE) ile yapay zeka, şifreleme hesaplamaları yapabilen ve çözülme gerektirmeyen güvenli bir ortamda birleştirerek, gizlilik koruma sağlayan, merkeziyetsiz bir yapay zeka ortamını sağlar. Bu yöntem, verilerin gizliliğini korumakla kalmaz, aynı zamanda güvene dayanmayan, merkeziyetsiz bir ortamda yapay zeka işlemlerini gerçekleştirir, bu sayede FHE'nin şifreleme gücünü ve yapay zeka sistemlerinin işletme gereksinimlerini etkili bir şekilde birleştirir.
Tamamen Homomorfik Şifreleme (FHE), yapay zeka (AI) ve Kripto Para alanlarında öncü olarak faaliyet gösteren şirketlerin sayısı hala sınırlıdır. Bu, etkin bir şekilde FHE'nin uygulanması için büyük hesaplama maliyetleri gerektirmesi ve şifreleme hesaplamalarını verimli bir şekilde yürütmek için güçlü işlem kapasitesi gerektirmesi nedeniyle özellikle geçerlidir.
Sonuç
全Homomorfik Şifreleme(FHE) AI'daki gizliliği artırmak için şifreli verilerin açılmadan hesaplanmasına izin vererek umut verici bir yöntem sunar. Bu yetenek, tıp ve finans gibi veri gizliliğinin son derece önemli olduğu hassas alanlarda özellikle değerlidir. Ancak, FHE, yüksek hesaplama maliyetleri ve Derinlik öğrenmesi için gereken non-lineer işlemlerle ilgili sınırlamalar gibi büyük zorluklarla karşı karşıyadır. Bu engellemelere rağmen, FHE Algoritma ve donanım hızlandırması AI'daki daha pratik uygulamalar için yol açıyor. Bu alanın sürekli gelişimi, hesaplama verimliliği ile güçlü veri koruması arasında denge sağlayarak, güvenli ve gizliliği koruyan AI hizmetlerinin büyük ölçüde geliştirilmesini sağlayabilecektir.
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
Neden tamamen Homomorfik Şifreleme (FHE), yapay zekânın bir sonraki kutsal kase olduğu söyleniyor?
原文作者：Advait (Leo) Jayant
Derleme: LlamaC
"推荐寄语：全Homomorfik Şifreleme（FHE）常被誉为密码学的圣杯，本文探讨了 FHE 在人工智能领域的应用前景，指出了当前面临的局限性。并 list 了一些致力于在şifreleme领域利用全Homomorfik Şifreleme（FHE）进行 AI 应用的项目，对于Kripto Para爱好者来说，可通过本文对全Homomorfik Şifreleme进行一次深入了解，enjoy！"
**Metin 👇 **
A Netflix ve Amazon'da yüksek derecede kişiselleştirilmiş öneriler almayı umuyor. B tercihlerini Netflix veya Amazon'la paylaşmak istemiyor.
Günümüz dijital çağında, Amazon ve Netflix gibi hizmetlerin sunduğu kişiselleştirilmiş önerilerin kolaylığının keyfini çıkarıyoruz, bu öneriler ilgi alanlarımıza tam olarak uymaktadır. Bununla birlikte, bu platformların kişisel yaşamımızın derinliklerine nüfuz etmesi giderek daha uzun süreli bir endişeye neden oluyor. Özelleştirilmiş hizmetlerin gizlilik özgürlüğümüzü feda etmeden nasıl tadını çıkarabileceğimize özlem duyuyoruz. Geçmişte, bu bir paradokstmış gibi görünüyordu: bulut tabanlı yapay zeka sistemlerine büyük miktarda kişisel veri paylaşmadan nasıl kişiselleştirme sağlanır. Tamamen Homomorfik Şifreleme (FHE), hem balığı hem de ayıyı avlayabilmemizi sağlayan bir çözüm sunar.
Yapay Zeka Servisi (AIaaS)
Yapay zeka (AI) günümüzde bilgisayar görüşü, doğal dil işleme (NLP) ve öneri sistemleri dahil olmak üzere long alandaki karmaşık zorluklarla başa çıkmada önemli bir rol oynamaktadır. Ancak bu AI modellerinin gelişimi, normal kullanıcılar için büyük zorluklar getirdi:
Veri Miktarı: Hassas bir model oluşturmak genellikle büyük veri kümeleri gerektirir ve bazen trilyonlarca byte'a kadar çıkabilir.
Hesaplama gücü: Dönüştürücü gibi karmaşık modeller, genellikle birkaç hafta boyunca sürekli olarak çalıştırılmak üzere onlarca GPU'nun güçlü Bilgi İşlem Gücü'ne ihtiyaç duyar.
Alan uzmanlığı: Bu modellerin ayarlanması derin bir uzmanlık gerektirir.
Bu engeller, çoğu kullanıcının güçlü makine öğrenme modellerini bağımsız olarak geliştirmesini zorlaştırır.
Gerçek uygulamada AI hizmet boru hattı
AI as a Service (AIaaS) çağına girerken, bu model, teknoloji devleri (FAANG üyeleri de dahil olmak üzere) tarafından yönetilen bulut hizmetleri sağlayarak kullanıcıların en gelişmiş sinir ağı modelleriyle tanışmalarını sağlayarak yukarıda bahsedilen engelleri aşmayı mümkün kılar. Kullanıcılar yalnızca orijinal verileri bu platformlara yüklemeleri durumunda veriler platform üzerinde işlenir ve sonuç olarak bilgeliği olan sonuçlar üretilir. AIaaS, yüksek kaliteli makine öğrenimi modellerinin kullanım hakkını etkili bir şekilde yaygınlaştırır ve ileri AI araçlarını daha geniş bir kitleye açar. Ancak, ne yazık ki, günümüzdeki AIaaS, bu kolaylıkları sağlarken gizliliğimizi feda etmektedir.
Veri Gizliliği Yapay Zeka Hizmeti
Şu anda, veriler yalnızca müşteri tarafından sunucuya aktarılırken şifrelenmektedir. Sunucu, giriş verilerine erişebilir ve bu verilere dayalı tahminler yapabilir.
AI as a service (AIaaS) sürecinde, sunucular giriş ve çıkış verilerine erişebilir. Bu durum, normal kullanıcıların hassas bilgileri (tıbbi ve finansal veriler gibi) paylaşmasını karmaşık hale getirir. Bu endişeleri artıran GDPR ve CCPA gibi yasal düzenlemeler, verilerin paylaşılmasından önce kullanıcıların açıkça onayını ve verilerinin nasıl kullanıldığını anlama hakkına sahip olmalarını gerektirir. GDPR ayrıca veri aktarımı sürecinde şifreleme ve korumayı şart koşar. Bu düzenlemeler, kullanıcı gizliliği ve haklarını güvence altına almak için katı standartlar belirler, kişisel bilgilere açık bir şeffaflık ve kontrol sağlanmasını savunur. Bu gereklilikler göz önüne alındığında, AI as a service (AIaaS) sürecinde güçlü gizlilik mekanizmaları geliştirmeli ve güveni ve uyumluluğu sağlamalıyız.
FHE Çözümü
A ve b'yi şifreleyerek, girdi verilerinin gizliliğini sağlayabiliriz.
Tamamen Homomorfik Şifreleme（FHE）, bulut hesaplamasında veri gizliliği sorunlarına çözüm sunar. FHE çözümü, şifreli metin için toplama ve çarpma gibi işlemleri destekler. Temel fikir oldukça açıktır: İki şifreleme değerinin toplamı, bu iki değerin toplamına eşittir ve çarpma işlemi de aynıdır.
Gerçek işlemde, çalışma prensibi şöyledir: Kullanıcı, yerel olarak Düz metin değeri 𝑎 ve 𝑏 üzerinde toplama işlemi gerçekleştirir. Ardından, kullanıcı 𝑎 ve 𝑏'yı şifreler ve Şifreli Metin'i bulut sunucusuna gönderir. Sunucu, şifreli değerler üzerinde (homomorfik olarak) toplama işlemi gerçekleştirir ve sonucu döndürür. Sunucudan elde edilen şifre çözülmüş sonuç, 𝑎 ve 𝑏'nin yerel Düz metin toplama sonucuyla aynı olacaktır. Bu işlem, veri gizliliğini korurken bulutta hesaplama yapmayı mümkün kılar.
基于全同态şifreleme的Derinlik神经网络（DNN）
Temel toplama ve çarpma işlemlerinin yanı sıra, AI as a service sürecinde, sinir ağı işleme için tamamen homomorfik şifreleme (FHE) kullanarak önemli ilerlemeler kaydedilmiştir. Bu bağlamda, kullanıcılar orijinal giriş verilerini Şifreli Metin olarak şifreleyebilir ve sadece bu şifreli verileri buluta iletebilir. Sunucu daha sonra bu Şifreli Metin üzerinde homomorfik hesaplama yapar, şifreli çıktıyı oluşturur ve kullanıcıya geri gönderir. Önemli olan, yalnızca kullanıcının Özel Anahtarı olduğunda sonuçları çözebilmesi ve erişebilmesidir. Bu, kullanıcı verilerinin tüm süreç boyunca gizliliğini sağlayan bir uçtan uca FHE şifreleme veri akışı oluşturur.
Tam homomorfik şifreleme tabanlı sinir ağları, AI as a service için kullanıcılara önemli esneklik sağlar. Bir kez Şifreli Metin sunucuya gönderildikten sonra, kullanıcı çevrimdışı olabilir çünkü istemci ile sunucu arasında sık sık iletişim gerekmez. Bu özellik özellikle nesnelerin interneti cihazları için faydalıdır, genellikle kısıtlı koşullarda çalışır ve sık sık iletişim pratik değildir.
Ancak, tamamen Homomorfik Şifreleme (FHE) 'nin sınırlamalarına dikkat etmek önemlidir. FHE şeması hesaplama maliyeti çok yüksektir; FHE çözümü özünde zaman alıcı, karmaşık ve kaynak yoğundur. Ayrıca, FHE şu anda nonlineer işlemleri etkili bir şekilde desteklemekte zorluk yaşamaktadır, bu da sinir ağlarının uygulanmasında bir zorluk oluşturmaktadır. Bu kısıtlama, FHE üzerine inşa edilen sinir ağlarının doğruluğunu etkileyebilir çünkü bu tür modeller için nonlineer işlemler çok önemlidir.
K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang, 和 S. Q. Goh 所著的 "基于高效全Homomorfik Şifreleme的隐私增强神经网络在 AI 即服务中的应用"，在南洋理工大学（新加坡）和中国科学院（中国）发表。
(Lam ve diğerleri, 2024) AI hizmetleri için gizlilik artırıcı bir sinir ağı protokolü açıklar. Bu protokol, giriş katmanının parametrelerini tanımlamak için öncelikle Hata İnceltme (LWE) kullanır. LWE, verileri şifreleme yoluyla korumak için kullanılan bir şifreleme protokolüdür ve şifreleme verilerini önce çözmeden hesaplama yapılmasını sağlar. Gizli çıkış katmanı için parametreler ise Halka LWE (RLWE) ve Halka GSW (RGSW) ile tanımlanır; bu iki gelişmiş şifreleme tekniği LWE'yi genişleterek daha verimli şifreleme işlemleri gerçekleştirilmesini sağlar.
Genel parametreler, 𝐵 ayrıştırma temeli ve 𝐵𝐾𝑆 verilerini içerir. 𝑥 uzunluğu 𝑁 olan bir girdi vektörü verildiğinde, her bir öğe 𝑥[𝑖] için bir 𝑁 LWE Şifreli Metin (𝑎𝑖,𝑏𝑖) LWE Özel Anahtar 𝑠 kullanılarak oluşturulur. 𝑠 hakkında değerlendirme Gizli Anahtar indeksleri oluşturmak için 𝑥[𝑖]>0 ve 𝑥[𝑖]<0 için. Ayrıca, 𝐵 için bir dizi LWE anahtar değiştirme Gizli Anahtarları ayarlandı. Bu Gizli Anahtarlar, farklı şifreleme şemaları arasında verimli bir şekilde geçiş yapmayı destekler.
Giriş katmanı 0. katman olarak belirlenirken, çıkış katmanı 𝐿. katmandır. Her bir katman 𝑙 için 1'den 𝐿'ye kadar olan nöron sayısı 𝐻𝑙 olarak belirlenir ve 0. katmanda sabittir. Ağırlık matrisi 𝑊𝑙 ve bias vektörü 𝛽𝑙 0. katmandan başlayarak 0. katman üzerinde birleştirilmiş olarak tanımlanır. Her bir nöron için ℎ 0'dan 𝐻𝑙−1'e kadar olan katmanlardan LWE Şifreli Metin, Homomorfik Şifreleme altında değerlendirilir. Bu, hesaplamaların şifreli veriler üzerinde gerçekleştirildiği ve ℎ içindeki lineer işlevin hesaplandığı anlamına gelir. 𝑙. katmandaki 𝑡-th nöron, ağırlık matrisi ve bias vektörü ile birleştirilir. Ardından, ℎ'de bir arama tablosu (LUT) değerlendirmesi yapılır. 𝑛'den 𝑛'ın daha küçüğüne geçtikten sonra, sonuç yuvarlanır ve yeniden ölçeklendirilir. Bu sonuç, 𝑙. katman LWE Şifreli Metin kümesine dahil edilir.
Son olarak, protokol LWE Şifreli Metin'i kullanıcıya geri döndürür. Kullanıcı daha sonra tüm Şifreli Metin'i çözmek için Özel Anahtar 𝑠 kullanabilir. Çözüm sonuçlarını bulun.
Bu protokol, Veri şifrelemesiyle gizlilik korumasını sağlayan Yüksek Homomorfik Şifreleme (FHE) teknolojisini kullanarak verimli bir şekilde gizlilik korumalı sinir ağı çıkarımı gerçekleştirir. FHE, veri kendisini ifşa etmeden şifreli veriler üzerinde hesaplama yapmaya olanak tanır ve veri gizliliğini sağlarken AI as a Service avantajı sunar.
AI 中全Homomorfik Şifreleme的应用
FHE (Tamamen Homomorfik Şifreleme), şifreli veriler üzerinde güvenli hesaplama yapmayı mümkün kılar, bu da birçok yeni uygulama alanının açılmasını sağlar ve verilerin gizliliğini ve güvenliğini sağlar.
Reklamda tüketicinin gizliliği: (Armknecht ve diğerleri, 2013) tamamen Homomorfik Şifreleme (FHE) kullanan yenilikçi bir öneri sistemi önerdi. Bu sistem, kullanıcılara kişiselleştirilmiş öneriler sunarken, bu önerilerin sisteme tamamen gizli kalmasını sağlar. Bu, kullanıcı tercih bilgilerinin gizliliğini sağlayarak, hedefli reklamcılıktaki büyük gizlilik sorununu etkili bir şekilde çözer.
Tıbbi Uygulamalar: (Naehrig vd., 2011) sağlık sektörü için dikkat çekici bir plan ortaya koydu. Hastaların tıbbi verilerinin tamamen Homomorfik Şifreleme (FHE) kullanılarak hizmet sağlayıcıya şifreleme şeklinde sürekli olarak yüklenmesini önerdiler. Bu uygulama, hassas tıbbi bilgilerin tüm yaşam döngüleri boyunca gizliliğini sağlar, hem hasta gizliliğini arttırır hem de tıbbi kurumların veri işleme ve analizini sorunsuz hale getirir.
Veri Madenciliği: Büyük veri kümelerini madencilik yapmak önemli içgörüler üretebilir, ancak genellikle kullanıcı gizliliği bedel öder. (Yang, Zhong, and Wright, 2006) Bu sorunu tamamen homomorfik şifreleme (FHE) üzerinde şifreleme işlevleri uygulayarak çözmüştür. Bu yaklaşım, büyük veri kümelerinden değerli bilgilerin çıkarılmasını mümkün kılar, aynı zamanda madencilik yapılan veri bireylerinin gizliliğini tehlikeye atmadan.
财务隐私：设想一个场景，一家公司拥有敏感数据和专有Algoritma，必须保密。（Naehrig 等人，2011 年）建议采用Homomorfik Şifreleme来解决这一问题。通过应用全Homomorfik Şifreleme（FHE），公司能够在不暴露数据或Algoritma的情况下，对şifreleme数据进行必要的计算，从而确保财务隐私和知识产权的保护。
Adli tıp görüntü tanıma: (Bosch vd., 2014) Adli tıp görüntü tanıma için tamamen Homomorfik Şifreleme (FHE) kullanımını tanımlar. Bu teknoloji özellikle yasal kurumlar için faydalıdır. FHE uygulaması ile polis ve diğer kurumlar, görüntü içeriğini ortaya çıkarmadan, hard diskindeki yasa dışı görüntüleri tespit edebilir, böylece soruşturma verilerinin bütünlüğünü ve gizliliğini koruyabilirler.
Reklam ve sağlık hizmetlerinden veri madenciliğine, finansal güvenliğe ve kolluk kuvvetlerine kadar tamamen homomorfik şifreleme, çeşitli alanlarda hassas bilgileri işleme şeklimizde devrim yaratmayı vaat ediyor. Bu teknolojileri geliştirmeye ve iyileştirmeye devam ettikçe, giderek daha fazla veri odaklı hale gelen bir dünyada gizliliği ve güvenliği korumanın önemi göz ardı edilemez.
全Homomorfik Şifreleme（FHE）的局限性
Potansiyel olsa da, bazı temel kısıtlamaları çözmemiz gerekiyor.
şifreleme与人工智能背景下的全Homomorfik Şifreleme
Şifreleme alanındaki AI uygulamaları için tam Homomorfik Şifreleme'den (FHE) yararlanmak için çalışan şirketlerden bazıları şunlardır:
Tamamen Homomorfik Şifreleme (FHE), yapay zeka (AI) ve Kripto Para alanlarında öncü olarak faaliyet gösteren şirketlerin sayısı hala sınırlıdır. Bu, etkin bir şekilde FHE'nin uygulanması için büyük hesaplama maliyetleri gerektirmesi ve şifreleme hesaplamalarını verimli bir şekilde yürütmek için güçlü işlem kapasitesi gerektirmesi nedeniyle özellikle geçerlidir.
Sonuç
全Homomorfik Şifreleme(FHE) AI'daki gizliliği artırmak için şifreli verilerin açılmadan hesaplanmasına izin vererek umut verici bir yöntem sunar. Bu yetenek, tıp ve finans gibi veri gizliliğinin son derece önemli olduğu hassas alanlarda özellikle değerlidir. Ancak, FHE, yüksek hesaplama maliyetleri ve Derinlik öğrenmesi için gereken non-lineer işlemlerle ilgili sınırlamalar gibi büyük zorluklarla karşı karşıyadır. Bu engellemelere rağmen, FHE Algoritma ve donanım hızlandırması AI'daki daha pratik uygulamalar için yol açıyor. Bu alanın sürekli gelişimi, hesaplama verimliliği ile güçlü veri koruması arasında denge sağlayarak, güvenli ve gizliliği koruyan AI hizmetlerinin büyük ölçüde geliştirilmesini sağlayabilecektir.