Penulis asli: Advait (Leo) Jayant

Disusun oleh: LlamaC

Pesan yang disarankan: Enkripsi Homomorfik Sepenuhnya (FHE) sering dipuji sebagai Cawan Suci kriptografi. Artikel ini mengeksplorasi prospek penerapan FHE di bidang kecerdasan buatan, menunjukkan keterbatasan saat ini, dan mencantumkan beberapa upaya untuk menggunakannya dalam bidang kecerdasan buatan. bidang enkripsi. Enkripsi Homomorfik Sepenuhnya (FHE) adalah proyek untuk aplikasi AI. Bagi penggemar cryptocurrency, Anda dapat memiliki pemahaman mendalam tentang Enkripsi Homomorfik Sepenuhnya melalui artikel ini, selamat menikmati!

teks?

A menginginkan rekomendasi yang sangat dipersonalisasi di Netflix dan Amazon. B tidak ingin Netflix atau Amazon mengetahui preferensi mereka.

Di era digital saat ini, kita menikmati kemudahan rekomendasi yang dipersonalisasi dari layanan seperti Amazon dan Netflix yang disesuaikan dengan selera kita. Namun, penetrasi platform ini ke dalam kehidupan pribadi kita semakin menimbulkan kegelisahan. Kami mendambakan penyesuaian tanpa mengorbankan privasi. Di masa lalu, hal ini tampak seperti sebuah paradoks: bagaimana mencapai personalisasi tanpa berbagi data pribadi dalam jumlah besar dengan sistem AI berbasis cloud. Enkripsi Homomorfik Sepenuhnya (FHE) memberikan solusi yang memungkinkan kita mendapatkan yang terbaik dari kedua dunia.

Kecerdasan Buatan sebagai Layanan (AIaaS)

Kecerdasan buatan (AI) kini memainkan peran penting dalam memecahkan tantangan kompleks di berbagai bidang, termasuk visi komputer, pemrosesan bahasa alami (NLP), dan sistem rekomendasi. Namun, pengembangan model AI ini menimbulkan tantangan besar bagi pengguna awam:

1. Volume data: Membuat model yang akurat sering kali memerlukan kumpulan data yang sangat besar, bahkan terkadang mencapai skala petabyte.

2. Daya komputasi: Model kompleks seperti konverter memerlukan daya komputasi yang kuat dari puluhan GPU, sering kali berjalan terus menerus selama berminggu-minggu.

3. Keahlian domain: Menyempurnakan model ini memerlukan keahlian yang mendalam.

Hambatan ini menyulitkan sebagian besar pengguna untuk mengembangkan model pembelajaran mesin yang kuat secara mandiri.

Pipeline AI-as-a-service sedang beraksi

Memasuki era AI sebagai Layanan (AIaaS), model ini mengatasi hambatan tersebut dengan memberikan pengguna akses ke model jaringan saraf tercanggih melalui layanan cloud yang dikelola oleh raksasa teknologi, termasuk anggota FAANG. Pengguna cukup mengunggah data mentah ke platform ini, lalu memprosesnya untuk menghasilkan kesimpulan yang mendalam. AIaaS secara efektif mendemokratisasikan akses ke model pembelajaran mesin berkualitas tinggi, membuka alat AI canggih untuk lebih banyak orang. Namun sayangnya, AIaaS saat ini memberikan kemudahan tersebut dengan mengorbankan privasi kita.

Privasi Data dalam Kecerdasan Buatan sebagai Layanan

Saat ini, data hanya dienkripsi selama transmisi dari klien ke server. Server memiliki akses untuk memasukkan data dan prediksi berdasarkan data tersebut.

Dalam proses AI-as-a-service, server memiliki akses ke data input dan output. Situasi ini mempersulit pembagian informasi sensitif, seperti data medis dan keuangan, oleh pengguna biasa. Peraturan seperti GDPR dan CCPA memperburuk kekhawatiran ini karena peraturan tersebut memerlukan persetujuan eksplisit dari pengguna sebelum data mereka dapat dibagikan dan menjamin hak pengguna untuk mengetahui bagaimana data mereka digunakan. GDPR selanjutnya mengatur enkripsi dan perlindungan data selama transmisi. Peraturan ini menetapkan standar ketat untuk memastikan privasi dan hak pengguna, menganjurkan transparansi yang jelas dan kontrol atas informasi pribadi. Mengingat persyaratan ini, kita harus mengembangkan mekanisme privasi yang kuat dalam proses AI sebagai Layanan (AIaaS) untuk menjaga kepercayaan dan kepatuhan.

FHE memecahkan masalah tersebut

Dengan mengenkripsi a dan b kami memastikan bahwa data masukan tetap pribadi.

Enkripsi Homomorfik Sepenuhnya (FHE) memberikan solusi terhadap masalah privasi data yang terkait dengan komputasi awan. Skema FHE mendukung operasi seperti penambahan dan perkalian ciphertext. Konsepnya sederhana dan jelas: jumlah dua nilai terenkripsi sama dengan hasil terenkripsi dari jumlah kedua nilai tersebut, dan hal yang sama berlaku untuk perkalian.

Dalam praktiknya, ini berfungsi sebagai berikut: Pengguna melakukan penambahan lokal pada nilai teks biasa dan ? Selanjutnya, pengguna mengenkripsi ? dan ? dan mengirimkan ciphertext ke server cloud. Server mampu melakukan operasi penambahan (secara homomorfik) pada nilai terenkripsi dan mengembalikan hasilnya. Hasil yang didekripsi dari server akan konsisten dengan penambahan teks biasa lokal ? dan ?. Proses ini menjamin privasi data dan memungkinkan komputasi dilakukan di cloud.

Jaringan saraf dalam (DNN) berdasarkan enkripsi homomorfik sepenuhnya

Selain operasi penjumlahan dan perkalian dasar, kemajuan signifikan telah dicapai dalam pemanfaatan enkripsi homomorfik penuh (FHE) untuk pemrosesan jaringan saraf dalam proses AI-as-a-service. Dalam konteks ini, pengguna dapat mengenkripsi data input mentah menjadi ciphertext dan hanya mengirimkan data terenkripsi ini ke server cloud. Server kemudian melakukan perhitungan homomorfik pada ciphertext ini, menghasilkan output terenkripsi, dan mengembalikannya ke pengguna. Kuncinya adalah hanya pengguna yang memegang kunci privat, sehingga memungkinkan mereka mendekripsi dan mengakses hasilnya. Hal ini membangun aliran data terenkripsi FHE end-to-end, memastikan data pengguna tetap bersifat pribadi selama proses berlangsung.

Jaringan saraf berdasarkan enkripsi homomorfik sepenuhnya memberi pengguna fleksibilitas yang signifikan dalam AI sebagai layanan. Setelah ciphertext dikirim ke server, pengguna dapat offline karena tidak diperlukan komunikasi yang sering antara klien dan server. Fitur ini sangat bermanfaat untuk perangkat IoT, yang sering kali beroperasi dalam kondisi terbatas sehingga komunikasi yang sering sering kali tidak praktis.

Namun, perlu diperhatikan keterbatasan enkripsi homomorfik penuh (FHE). Biaya komputasinya sangat besar; skema FHE pada dasarnya memakan waktu, rumit, dan membutuhkan banyak sumber daya. Selain itu, FHE saat ini kesulitan untuk mendukung operasi nonlinier secara efektif, yang menimbulkan tantangan bagi implementasi jaringan saraf. Keterbatasan ini dapat memengaruhi keakuratan jaringan saraf yang dibangun di FHE, karena operasi nonlinier sangat penting untuk performa model tersebut.

"Penerapan jaringan saraf yang meningkatkan privasi berdasarkan enkripsi homomorfik sepenuhnya yang efisien dalam AI sebagai layanan" oleh K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang, dan S. Q. Goh, Dipresentasikan di Universitas Teknologi Nanyang (Singapura) dan Akademi Ilmu Pengetahuan Tiongkok (Tiongkok).

(Lam et al., 2024) menjelaskan protokol jaringan saraf yang meningkatkan privasi untuk AI-as-a-service. Protokol pertama-tama mendefinisikan parameter lapisan input dengan menggunakan error learning (LWE). LWE adalah kriptografi primitif yang digunakan untuk melindungi data melalui enkripsi sehingga komputasi dapat dilakukan pada data terenkripsi tanpa mendekripsinya terlebih dahulu. Untuk lapisan keluaran tersembunyi, parameter ditentukan oleh ring LWE (RLWE) dan ring GSW (RGSW). Kedua teknologi enkripsi canggih ini memperluas LWE untuk mencapai operasi enkripsi yang lebih efisien.

Parameter publik mencakup basis dekomposisi ? dan ??? Diberikan vektor masukan ? dengan panjang ?, satu set teks sandi LWE (??,??) untuk setiap elemen ?[?] tentang Kunci evaluasi untuk ? adalah pembuatan indeks ?[?]>0 dan ?[?]<0. Selain itu, satu set kunci peralihan LWE ditetapkan untuk ?. Kunci-kunci ini memungkinkan peralihan yang efisien antara skema enkripsi yang berbeda.

Lapisan masukan ditetapkan sebagai lapisan 0 dan lapisan keluaran adalah lapisan ? Untuk setiap lapisan ? dari 1 sampai ? Matriks bobot ?? vektor bias ?? didefinisikan mulai dari lapisan 0 dan ditumpangkan pada lapisan 0. Untuk setiap neuron ℎ dari 0 hingga ??−1 ciphertext LWE dari lapisan ?−1 dievaluasi dengan enkripsi homomorfik. Artinya komputasi dilakukan pada data terenkripsi untuk menghitung fungsi linier dalam ℎ. -neuron pada lapisan ?, dikombinasikan dengan matriks bobot dan vektor bias. Selanjutnya, tabel pencarian (LUT) dievaluasi dalam ℎ. -neuron, dan beralih dari ?′ ke ? yang lebih kecil. Setelah melakukan operasi, hasilnya kemudian dibulatkan dan diubah skalanya. Hasilnya termasuk dalam kumpulan ciphertext layer ?LWE.

Terakhir, protokol mengembalikan ciphertext LWE ke pengguna. Pengguna kemudian dapat menggunakan kunci pribadi untuk mendekripsi semua ciphertext. Temukan hasil inferensi.

Protokol ini secara efisien mengimplementasikan inferensi jaringan saraf yang menjaga privasi dengan memanfaatkan teknologi enkripsi homomorfik penuh (FHE). FHE memungkinkan penghitungan dilakukan pada data terenkripsi tanpa membocorkan data itu sendiri ke server pemrosesan, memastikan privasi data sekaligus memberikan keunggulan AI sebagai layanan.

Penerapan enkripsi homomorfik sepenuhnya di AI

FHE (Enkripsi Homomorfik Sepenuhnya) memungkinkan penghitungan aman pada data terenkripsi, yang tidak hanya membuka banyak skenario aplikasi baru, namun juga menjamin privasi dan keamanan data.

Privasi konsumen dalam periklanan: (Armknecht et al., 2013) mengusulkan sistem rekomendasi inovatif yang memanfaatkan enkripsi homomorfik sepenuhnya (FHE). Sistem ini dapat memberikan rekomendasi yang dipersonalisasi kepada pengguna sekaligus memastikan bahwa konten rekomendasi tersebut sepenuhnya bersifat rahasia bagi sistem itu sendiri. Hal ini memastikan privasi informasi preferensi pengguna dan secara efektif memecahkan masalah privasi utama dalam iklan bertarget.

Aplikasi Medis: (Naehrig et al., 2011) menyajikan skenario yang menarik untuk industri kesehatan. Mereka mengusulkan penggunaan enkripsi homomorfik penuh (FHE) untuk terus mengunggah data medis pasien ke penyedia layanan dalam bentuk terenkripsi. Pendekatan ini memastikan bahwa informasi medis yang sensitif tetap bersifat rahasia sepanjang siklus hidupnya, sehingga meningkatkan privasi pasien dan memungkinkan pemrosesan dan analisis data yang lancar oleh organisasi layanan kesehatan.

Penambangan Data: Menambang kumpulan data yang besar dapat menghasilkan wawasan yang signifikan, namun sering kali mengorbankan privasi pengguna. (Yang, Zhong, dan Wright, 2006) memecahkan masalah ini dengan menerapkan enkripsi fungsional dalam konteks enkripsi homomorfik penuh (FHE). Pendekatan ini memungkinkan untuk mengekstrak informasi berharga dari kumpulan data yang sangat besar tanpa mengorbankan keamanan privasi individu yang ditambang.

Privasi Finansial: Pertimbangkan skenario ketika perusahaan memiliki data sensitif dan algoritme kepemilikan yang harus dirahasiakan. (Naehrig et al., 2011) menyarankan enkripsi homomorfik untuk mengatasi masalah ini. Dengan menerapkan enkripsi homomorfik penuh (FHE), perusahaan dapat melakukan perhitungan yang diperlukan pada data terenkripsi tanpa mengekspos data atau algoritme, sehingga memastikan privasi finansial dan perlindungan kekayaan intelektual.

Pengenalan gambar forensik: (Bosch et al., 2014) menjelaskan metode outsourcing pengenalan gambar forensik menggunakan enkripsi homomorfik penuh (FHE). Teknologi ini sangat bermanfaat bagi lembaga penegak hukum. Dengan menerapkan FHE, polisi dan lembaga lainnya dapat mendeteksi gambar ilegal di hard drive tanpa memaparkan kontennya, sehingga melindungi integritas dan kerahasiaan data yang diselidiki.

Enkripsi yang sepenuhnya homomorfik berjanji untuk merevolusi cara kita menangani informasi sensitif di berbagai bidang, mulai dari periklanan dan layanan kesehatan hingga penambangan data, keamanan finansial, dan penegakan hukum. Seiring kami terus mengembangkan dan menyempurnakan teknologi ini, pentingnya melindungi privasi dan keamanan di dunia yang semakin didorong oleh data tidak bisa dilebih-lebihkan.

Keterbatasan Enkripsi Homomorfik Sepenuhnya (FHE)

Meskipun terdapat potensi, kita perlu mengatasi beberapa keterbatasan utama

• Dukungan multi-pengguna: Enkripsi Homomorfik Sepenuhnya (FHE) memungkinkan komputasi dilakukan pada data terenkripsi, namun kompleksitasnya meningkat secara eksponensial dalam skenario yang melibatkan banyak pengguna. Biasanya, setiap data pengguna dienkripsi menggunakan kunci publik yang unik. Mengelola kumpulan data yang berbeda ini, terutama di lingkungan berskala besar mengingat tuntutan komputasi FHE, menjadi tidak praktis. Untuk mencapai tujuan ini, peneliti seperti Lopez-Alt et al. mengusulkan kerangka kerja FHE multi-kunci pada tahun 2013 yang memungkinkan operasi simultan pada kumpulan data yang dienkripsi dengan kunci berbeda. Pendekatan ini, meskipun menjanjikan, menimbulkan lapisan kompleksitas tambahan dan memerlukan koordinasi yang baik dalam manajemen kunci dan arsitektur sistem untuk memastikan privasi dan efisiensi.

• Overhead komputasi yang besar: Inti dari enkripsi homomorfik penuh (FHE) terletak pada kemampuannya untuk melakukan komputasi pada data terenkripsi. Namun, kemampuan ini memiliki banderol harga yang mahal. Overhead komputasi operasi FHE meningkat secara signifikan dibandingkan dengan komputasi tradisional yang tidak terenkripsi. Overhead ini biasanya muncul dalam bentuk polinomial, namun melibatkan polinomial tingkat tinggi, sehingga memperburuk runtime dan membuatnya tidak cocok untuk aplikasi real-time. Akselerasi perangkat keras untuk FHE mewakili peluang pasar yang besar, yang bertujuan untuk mengurangi kompleksitas komputasi dan meningkatkan kecepatan eksekusi.

• Operasi terbatas: Kemajuan terkini telah memperluas cakupan enkripsi homomorfik sepenuhnya untuk mendukung variasi operasi yang lebih luas. Namun, ini masih cocok untuk penghitungan linier dan polinomial, yang merupakan batasan signifikan untuk aplikasi kecerdasan buatan yang melibatkan model nonlinier kompleks seperti jaringan saraf dalam. Operasi yang diperlukan oleh model AI ini sulit untuk dijalankan secara efisien dalam kerangka enkripsi yang sepenuhnya homomorfik saat ini. Meskipun kami mengalami kemajuan, kesenjangan antara kemampuan operasional enkripsi homomorfik sepenuhnya dan kebutuhan akan algoritme AI tingkat lanjut tetap menjadi kendala penting yang perlu diatasi.

Enkripsi sepenuhnya homomorfik dalam konteks enkripsi dan kecerdasan buatan

Berikut adalah beberapa perusahaan yang berupaya memanfaatkan enkripsi homomorfik penuh (FHE) untuk aplikasi AI di ruang kripto:

• Zama menawarkan Concrete ML, seperangkat alat sumber terbuka yang dirancang untuk menyederhanakan proses penggunaan enkripsi homomorfik penuh (FHE) untuk data scientist. ML Beton mengubah model pembelajaran mesin menjadi model homomorfiknya, memungkinkan komputasi rahasia pada data terenkripsi. Pendekatan Zama memungkinkan ilmuwan data memanfaatkan FHE tanpa pengetahuan mendalam tentang kriptografi, yang sangat berguna di bidang yang mengutamakan privasi data, seperti layanan kesehatan dan keuangan. Alat Zama memfasilitasi analisis data yang aman dan pembelajaran mesin sekaligus menjaga enkripsi informasi sensitif.

• Privasee berfokus pada pembangunan jaringan komputasi AI yang aman. Platform mereka menggunakan teknologi Fully Homomorphic Encryption (FHE) untuk memungkinkan banyak pihak berkolaborasi tanpa membocorkan informasi sensitif. Dengan menggunakan FHE, Privasee memastikan bahwa data pengguna tetap terenkripsi di seluruh proses komputasi AI, sehingga melindungi privasi dan mematuhi peraturan perlindungan data yang ketat seperti GDPR. Sistem mereka mendukung berbagai model AI, memberikan solusi serbaguna untuk pemrosesan data yang aman.

• Octra menggabungkan cryptocurrency dengan kecerdasan buatan untuk meningkatkan keamanan transaksi digital dan efisiensi manajemen data. Dengan mengintegrasikan enkripsi homomorfik (FHE) sepenuhnya dan teknologi pembelajaran mesin, Octra berkomitmen untuk meningkatkan keamanan dan perlindungan privasi penyimpanan cloud terdesentralisasi. Platformnya menggunakan teknologi blockchain, kriptografi, dan kecerdasan buatan untuk memastikan bahwa data pengguna selalu terenkripsi dan aman. Strategi ini membangun kerangka kerja yang kuat untuk keamanan transaksi digital dan privasi data dalam perekonomian yang terdesentralisasi.

• Mind Network menggabungkan enkripsi homomorfik sepenuhnya (FHE) dengan kecerdasan buatan untuk mencapai perhitungan terenkripsi yang aman selama pemrosesan kecerdasan buatan tanpa memerlukan dekripsi. Hal ini mendorong lingkungan AI yang terdesentralisasi dan menjaga privasi yang memadukan keamanan kriptografi dengan kemampuan AI dengan mulus. Pendekatan ini tidak hanya melindungi kerahasiaan data, namun juga memungkinkan lingkungan yang tidak dapat dipercaya dan terdesentralisasi di mana operasi AI dapat dilakukan tanpa bergantung pada otoritas pusat atau mengungkap informasi sensitif, yang secara efektif menggabungkan kekuatan enkripsi FHE dengan persyaratan operasional untuk sistem kecerdasan buatan.

Jumlah perusahaan yang beroperasi di garis depan enkripsi homomorfik penuh (FHE), kecerdasan buatan (AI), dan mata uang kripto masih terbatas. Hal ini terutama karena penerapan FHE yang efektif memerlukan overhead komputasi yang besar, sehingga memerlukan kekuatan pemrosesan yang kuat untuk melakukan penghitungan kriptografi secara efisien.

Kesimpulan

Enkripsi Homomorfik Sepenuhnya (FHE) menawarkan pendekatan yang menjanjikan untuk meningkatkan privasi dalam AI dengan memungkinkan komputasi dilakukan pada data terenkripsi tanpa dekripsi. Kemampuan ini sangat berharga di bidang sensitif seperti layanan kesehatan dan keuangan, di mana privasi data sangat penting. Namun, FHE menghadapi tantangan yang signifikan, termasuk overhead komputasi yang tinggi dan keterbatasan dalam menangani operasi nonlinier yang diperlukan untuk pembelajaran mendalam. Terlepas dari kendala-kendala ini, kemajuan dalam algoritma FHE dan akselerasi perangkat keras membuka jalan bagi penerapan AI yang lebih praktis. Pengembangan berkelanjutan di bidang ini menjanjikan peningkatan signifikan dalam layanan AI yang aman dan menjaga privasi yang menyeimbangkan efisiensi komputasi dengan perlindungan data yang kuat.