Orijinal yazar: Advait (Leo) Jayant

Derleyen: LlamaC

"Önerilen mesaj: Tam Homomorfik Şifreleme (FHE), genellikle kriptografinin Kutsal Kasesi olarak selamlanır. Bu makale, FHE'nin yapay zeka alanındaki uygulama olanaklarını araştırıyor, mevcut sınırlamalara dikkat çekiyor ve onu kriptografide kullanmaya yönelik bazı çabaları listeliyor. Tamamen Homomorfik Şifreleme (FHE), yapay zeka uygulamasına yönelik bir projedir. Kripto para meraklıları için bu makale aracılığıyla Tam Homomorfik Şifreleme hakkında derinlemesine bilgi sahibi olabilirsiniz.

metin?

A, Netflix ve Amazon'da son derece kişiselleştirilmiş öneriler istiyor. B, Netflix veya Amazon'un tercihlerini bilmesini istemiyor.

Günümüzün dijital çağında, Amazon ve Netflix gibi hizmetlerden tam olarak zevklerimize göre uyarlanmış kişiselleştirilmiş önerilerin rahatlığını yaşıyoruz. Ancak bu platformların özel hayatlarımıza da sızması tedirginliğin artmasına neden oluyor. Gizlilikten ödün vermeden kişiselleştirmeyi arzuluyoruz. Geçmişte bu bir paradoks gibi görünüyordu: bulut tabanlı yapay zeka sistemleriyle büyük miktarda kişisel veriyi paylaşmadan kişiselleştirmenin nasıl sağlanacağı. Tamamen Homomorfik Şifreleme (FHE), her iki dünyanın da en iyisine sahip olmamızı sağlayan bir çözüm sunar.

Hizmet Olarak Yapay Zeka (AIaaS)

Yapay zeka (AI) artık bilgisayarlı görme, doğal dil işleme (NLP) ve öneri sistemleri de dahil olmak üzere birçok alandaki karmaşık zorlukların çözümünde önemli bir rol oynuyor. Ancak bu yapay zeka modellerinin geliştirilmesi sıradan kullanıcılar için önemli zorluklar doğurmaktadır:

1. Veri hacmi: Doğru modeller oluşturmak çoğu zaman büyük veri kümeleri gerektirir, hatta bazen petabayt ölçeğine ulaşır.

2. Bilgi işlem gücü: Dönüştürücüler gibi karmaşık modeller, genellikle haftalarca sürekli olarak çalışan düzinelerce GPU'nun güçlü bilgi işlem gücünü gerektirir.

3. Alan uzmanlığı: Bu modellere ince ayar yapmak derin uzmanlık gerektirir.

Bu engeller çoğu kullanıcının bağımsız olarak güçlü makine öğrenimi modelleri geliştirmesini zorlaştırır.

Hizmet olarak yapay zeka hattı iş başında

Hizmet Olarak Yapay Zeka (AIaaS) çağına giren bu model, FAANG üyeleri de dahil olmak üzere teknoloji devleri tarafından yönetilen bulut hizmetleri aracılığıyla kullanıcılara en son teknolojiye sahip sinir ağı modellerine erişim sağlayarak bu engelleri aşıyor. Kullanıcıların ham verileri bu platformlara yüklemeleri ve burada işlenerek anlamlı çıkarımlar oluşturmaları sağlanır. AIaaS, gelişmiş yapay zeka araçlarını daha geniş bir insan grubunun kullanımına açarak, yüksek kaliteli makine öğrenimi modellerine erişimi etkili bir şekilde demokratikleştirir. Ancak ne yazık ki günümüzün AIaaS'si bu kolaylıkları gizliliğimizin pahasına sağlıyor.

Hizmet Olarak Yapay Zekada Veri Gizliliği

Şu anda veriler yalnızca istemciden sunucuya aktarım sırasında şifrelenmektedir. Sunucunun giriş verilerine ve bu verilere dayalı tahminlere erişimi vardır.

Hizmet olarak yapay zeka sürecinde sunucunun giriş ve çıkış verilerine erişimi vardır. Bu durum tıbbi ve finansal veriler gibi hassas bilgilerin sıradan kullanıcılar tarafından paylaşılmasını zorlaştırmaktadır. GDPR ve CCPA gibi düzenlemeler, verilerinin paylaşılmasından önce kullanıcıların açık rızasını almaları gerektiğinden ve kullanıcılara verilerinin nasıl kullanıldığını bilme hakkını garanti ettiğinden bu endişeleri daha da artırmaktadır. GDPR ayrıca iletim sırasında verilerin şifrelenmesini ve korunmasını sağlar. Bu düzenlemeler, kullanıcı gizliliğini ve haklarını güvence altına almak için katı standartlar belirlemekte ve kişisel bilgiler üzerinde açık şeffaflığı ve kontrolü savunmaktadır. Bu gereksinimler göz önüne alındığında, güveni ve uyumluluğu sürdürmek için Hizmet Olarak Yapay Zeka (AIaaS) süreçlerinde güçlü gizlilik mekanizmaları geliştirmeliyiz.

FHE sorunu çözüyor

a ve b'yi şifreleyerek giriş verilerinin özel kalmasını sağlıyoruz.

Tamamen Homomorfik Şifreleme (FHE), bulut bilişimle ilişkili veri gizliliği sorunlarına bir çözüm sağlar. FHE şeması şifreli metin ekleme ve çarpma gibi işlemleri destekler. Konsept basit ve açıktır: Şifrelenmiş iki değerin toplamı, bu iki değerin toplamının şifrelenmiş sonucuna eşittir ve aynı şey çarpma için de geçerlidir.

Uygulamada şu şekilde çalışır: Kullanıcı, düz metin değerlerinin yerel olarak eklenmesini gerçekleştirir ve ? Daha sonra kullanıcı ? ve ?'yi şifreler ve şifreli metni bulut sunucusuna gönderir. Sunucu, şifrelenmiş değerler üzerinde toplama işlemlerini (homomorfik olarak) gerçekleştirebilir ve sonucu döndürebilir. Sunucudan şifresi çözülen sonuç, ? ve ?'nin yerel düz metin eklenmesiyle tutarlı olacaktır. Bu süreç hem veri gizliliğini garanti eder hem de bilişimin bulutta gerçekleştirilmesine olanak tanır.

Tamamen homomorfik şifrelemeye dayalı derin sinir ağı (DNN)

Temel toplama ve çarpma işlemlerine ek olarak, hizmet olarak yapay zeka süreçlerinde sinir ağı işleme için tamamen homomorfik şifrelemenin (FHE) kullanılmasında önemli ilerleme kaydedildi. Bu kapsamda kullanıcılar ham girdi verilerini şifreli metin haline getirerek yalnızca bu şifrelenmiş verileri bulut sunucusuna aktarabilmektedir. Sunucu daha sonra bu şifreli metinler üzerinde homomorfik hesaplamalar gerçekleştirir, şifrelenmiş çıktı üretir ve bunu kullanıcıya geri gönderir. Önemli olan, özel anahtarın yalnızca kullanıcının elinde olmasıdır, bu da onların şifreyi çözmesine ve sonuçlara erişmesine olanak tanır. Bu, uçtan uca FHE şifreli bir veri akışı oluşturarak kullanıcı verilerinin süreç boyunca gizli kalmasını sağlar.

Tamamen homomorfik şifrelemeye dayalı sinir ağları, kullanıcılara hizmet olarak yapay zeka konusunda önemli bir esneklik sağlar. Şifreli metin sunucuya gönderildikten sonra, istemci ve sunucu arasında sık iletişim gerekmediğinden kullanıcı çevrimdışı olabilir. Bu özellik, sık sık iletişimin genellikle pratik olmadığı kısıtlı koşullar altında çalışan IoT cihazları için özellikle faydalıdır.

Ancak tamamen homomorfik şifrelemenin (FHE) sınırlamalarına dikkat etmek önemlidir. Hesaplama yükü çok büyüktür; FHE şemaları doğası gereği zaman alıcıdır, karmaşıktır ve kaynak yoğundur. Ek olarak, FHE şu anda doğrusal olmayan işlemleri etkili bir şekilde desteklemekte zorlanıyor ve bu da sinir ağlarının uygulanmasında zorluk teşkil ediyor. Doğrusal olmayan işlemler bu tür modellerin performansı açısından kritik olduğundan, bu sınırlama FHE üzerine kurulu sinir ağlarının doğruluğunu etkileyebilir.

"Hizmet olarak yapay zekada verimli, tamamen homomorfik şifrelemeye dayalı gizliliği artıran sinir ağlarının uygulanması", K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang ve S.Q. Goh, Sunan: Nanyang Teknoloji Üniversitesi (Singapur) ve Çin Bilimler Akademisi (Çin).

(Lam ve diğerleri, 2024), hizmet olarak yapay zeka için gizliliği artıran bir sinir ağı protokolünü açıklamaktadır. Protokol ilk olarak hata öğrenmeyi (LWE) kullanarak giriş katmanının parametrelerini tanımlar. LWE, verileri şifreleme yoluyla korumak için kullanılan bir kriptografik ilkeldir, böylece şifrelenmiş veriler üzerinde ilk önce şifreyi çözmeden hesaplamalar yapılabilir. Gizli çıkış katmanı için parametreler, halka LWE (RLWE) ve halka GSW (RGSW) tarafından tanımlanır. Bu iki gelişmiş şifreleme teknolojisi, daha verimli şifreleme işlemleri elde etmek için LWE'yi genişletir.

Genel parametreler ? ve ??? uzunluğundaki bir giriş vektörü verildiğinde, her öğe için ??,??) LWE özel anahtarı kullanılarak oluşturulur. yaklaşık ? için değerlendirme anahtarları dizin oluşturma ?[?]>0 ve ?[?]<0'dır. Ayrıca, ? için bir dizi LWE anahtarlama anahtarı ayarlanmıştır. Bu anahtarlar farklı şifreleme şemaları arasında verimli geçiş yapılmasını sağlar.

Giriş katmanı 0. katman, çıkış katmanı ise ? katmanı olarak adlandırılır. 1'den ?'ye kadar olan her katman için 0. katmandaki nöron sayısı belirlenir. Ağırlık matrisi ?? önyargı vektörü ?? katman 0'dan başlayarak tanımlanır ve katman 0'ın üzerine eklenir. 0'dan ??−1'e kadar her nöron ℎ için ?−1 katmanındaki LWE şifreli metni homomorfik şifreleme altında değerlendirilir. Bu, ℎ cinsinden doğrusal fonksiyonları hesaplamak için hesaplamaların şifrelenmiş veriler üzerinde gerçekleştirildiği anlamına gelir. ağırlık matrisi ve önyargı vektörü ile birleştirilmiş ? katmanındaki -inci nöron. Daha sonra arama tablosu (LUT) ℎ'de değerlendirilir. -th nöron ve ?′'den daha küçük ?'ye geçiş İşlemi gerçekleştirdikten sonra sonuç yuvarlanır ve yeniden ölçeklenir. Sonuç, LWE şifreli metinler kümesine dahil edilir.

Son olarak protokol, LWE şifreli metnini kullanıcıya döndürür. Kullanıcı daha sonra tüm şifreli metnin şifresini çözmek için özel anahtarı kullanabilir mi? Çıkarım sonuçlarını bulun.

Bu protokol, tamamen homomorfik şifreleme (FHE) teknolojisini kullanarak gizliliği koruyan sinir ağı çıkarımını verimli bir şekilde uygular. FHE, verilerin kendisini işleme sunucusuna sızdırmadan şifrelenmiş veriler üzerinde hesaplamaların yapılmasına olanak tanır ve bir hizmet olarak yapay zekanın avantajlarını sunarken veri gizliliğini de sağlar.

Yapay zekada tamamen homomorfik şifrelemenin uygulanması

FHE (Tam Homomorfik Şifreleme), şifrelenmiş veriler üzerinde güvenli hesaplamalar yapılmasını mümkün kılar; bu, yalnızca birçok yeni uygulama senaryosunun önünü açmakla kalmaz, aynı zamanda verilerin gizliliğini ve güvenliğini de sağlar.

Reklamcılıkta tüketici gizliliği: (Armknecht ve diğerleri, 2013) tamamen homomorfik şifrelemeyi (FHE) kullanan yenilikçi bir öneri sistemi önerdi. Bu sistem kullanıcılara kişiselleştirilmiş öneriler sunabildiği gibi, bu önerilerin içeriğinin de tamamen sistemin kendisine ait olmasını sağlar. Bu, kullanıcı tercih bilgilerinin gizliliğini sağlar ve hedefli reklamcılıktaki önemli gizlilik sorunlarını etkili bir şekilde çözer.

Tıbbi Uygulamalar: (Naehrig ve diğerleri, 2011) sağlık sektörü için ilgi çekici bir senaryo sunmaktadır. Hastaların tıbbi verilerini sürekli olarak hizmet sağlayıcılara şifrelenmiş biçimde yüklemek için tamamen homomorfik şifreleme (FHE) kullanılmasını öneriyorlar. Bu yaklaşım, hassas tıbbi bilgilerin yaşam döngüsü boyunca gizli kalmasını sağlayarak hem hasta mahremiyetini artırır hem de sağlık kuruluşları tarafından kesintisiz veri işleme ve analiz yapılmasına olanak tanır.

Veri Madenciliği: Büyük veri kümelerinin madenciliği önemli bilgiler sağlayabilir, ancak çoğu zaman kullanıcı gizliliği pahasına. (Yang, Zhong ve Wright, 2006) bu sorunu tamamen homomorfik şifreleme (FHE) bağlamında işlevsel şifreleme uygulayarak çözdü. Bu yaklaşım, madenciliği yapılan bireylerin mahremiyetinin güvenliğinden ödün vermeden devasa veri kümelerinden değerli bilgilerin çıkarılmasını mümkün kılıyor.

Finansal Gizlilik: Bir şirketin gizli tutulması gereken hassas verilere ve özel algoritmalara sahip olduğu bir senaryoyu düşünün. (Naehrig ve diğerleri, 2011) bu sorunu çözmek için homomorfik şifrelemeyi önerdi. Şirketler, tamamen homomorfik şifreleme (FHE) uygulayarak, verileri veya algoritmaları açığa çıkarmadan şifrelenmiş veriler üzerinde gerekli hesaplamaları gerçekleştirerek finansal gizliliği ve fikri mülkiyetin korunmasını sağlayabilirler.

Adli görüntü tanıma: (Bosch ve diğerleri, 2014), tamamen homomorfik şifreleme (FHE) kullanarak adli görüntü tanımanın dış kaynak kullanımı için bir yöntemi açıklamaktadır. Bu teknoloji özellikle emniyet teşkilatları için faydalıdır. FHE'yi uygulayarak polis ve diğer kurumlar, sabit disklerdeki yasa dışı görüntüleri içeriklerini açığa çıkarmadan tespit edebilir, böylece soruşturma altındaki verilerin bütünlüğünü ve gizliliğini koruyabilirler.

Tamamen homomorfik şifreleme, reklam ve sağlık hizmetlerinden veri madenciliğine, finansal güvenliğe ve kolluk kuvvetlerine kadar çeşitli alanlarda hassas bilgileri işleme biçimimizde devrim yaratmayı vaat ediyor. Bu teknolojileri geliştirmeye ve iyileştirmeye devam ettikçe, giderek daha fazla veriye dayalı hale gelen dünyada gizliliği ve güvenliği korumanın önemi göz ardı edilemez.

Tamamen Homomorfik Şifrelemenin (FHE) Sınırlamaları

Potansiyele rağmen bazı temel sınırlamaları ele almamız gerekiyor

• Çoklu kullanıcı desteği: Tam Homomorfik Şifreleme (FHE), şifrelenmiş veriler üzerinde hesaplamaların yapılmasına olanak tanır, ancak birden fazla kullanıcının yer aldığı senaryolarda karmaşıklık katlanarak artar. Genellikle her kullanıcının verileri benzersiz bir genel anahtar kullanılarak şifrelenir. FHE'nin hesaplama talepleri göz önüne alındığında, özellikle büyük ölçekli ortamlarda bu farklı veri kümelerini yönetmek pratik olmaz. Bu amaçla Lopez-Alt ve diğerleri gibi araştırmacılar, 2013 yılında farklı anahtarlarla şifrelenmiş veri kümeleri üzerinde eş zamanlı işlemlere izin veren çok anahtarlı bir FHE çerçevesi önerdiler. Bu yaklaşım umut verici olsa da ek karmaşıklık katmanları getirir ve gizliliği ve verimliliği sağlamak için anahtar yönetimi ve sistem mimarisinde iyi bir koordinasyon gerektirir.

• Muazzam hesaplama yükü: Tamamen homomorfik şifrelemenin (FHE) özü, şifrelenmiş veriler üzerinde hesaplamalar yapabilme yeteneğinde yatmaktadır. Ancak bu yeteneğin çok büyük bir bedeli var. FHE işlemlerinin hesaplama yükü, geleneksel şifrelenmemiş hesaplamalara kıyasla önemli ölçüde artar. Bu ek yük genellikle kendisini polinom biçiminde gösterir, ancak yüksek dereceli polinomları içerir, çalışma süresini kötüleştirir ve onu gerçek zamanlı uygulamalar için uygunsuz hale getirir. FHE için donanım hızlandırma, hesaplama karmaşıklığını azaltmayı ve yürütme hızını artırmayı amaçlayan büyük bir pazar fırsatını temsil ediyor.

• Sınırlı işlemler: Son gelişmeler gerçekten de tamamen homomorfik şifrelemenin kapsamını daha çeşitli işlemleri destekleyecek şekilde genişletti. Ancak yine de temel olarak doğrusal ve polinom hesaplamaları için uygundur; bu, derin sinir ağları gibi karmaşık doğrusal olmayan modelleri içeren yapay zeka uygulamaları için önemli bir sınırlamadır. Bu yapay zeka modellerinin gerektirdiği operasyonların mevcut tamamen homomorfik şifreleme çerçeveleri altında verimli bir şekilde yürütülmesi zordur. İlerleme kaydetmemize rağmen, tamamen homomorfik şifrelemenin operasyonel yetenekleri ile gelişmiş yapay zeka algoritmalarına duyulan ihtiyaç arasındaki uçurum, aşılması gereken kritik bir engel olmaya devam ediyor.

Şifreleme ve yapay zeka bağlamında tamamen homomorfik şifreleme

Kripto alanındaki yapay zeka uygulamaları için tamamen homomorfik şifrelemeden (FHE) yararlanmaya çalışan bazı şirketler:

• Zama, veri bilimcileri için tamamen homomorfik şifreleme (FHE) kullanma sürecini basitleştirmek üzere tasarlanmış bir dizi açık kaynak araç olan Concrete ML'yi sunuyor. Concrete ML, makine öğrenimi modellerini homomorfik eşdeğerlerine dönüştürerek şifrelenmiş veriler üzerinde gizli hesaplama yapılmasına olanak tanır. Zama'nın yaklaşımı, veri bilimcilerinin, özellikle sağlık ve finans gibi veri gizliliğinin kritik olduğu alanlarda yararlı olan derinlemesine kriptografi bilgisi olmadan FHE'den yararlanmasına olanak tanır. Zama'nın araçları, hassas bilgileri şifreli tutarken güvenli veri analizini ve makine öğrenimini kolaylaştırır.

• Privasee, güvenli bir yapay zeka bilgi işlem ağı oluşturmaya odaklanıyor. Platformları, birden fazla tarafın hassas bilgileri sızdırmadan işbirliği yapmasını sağlamak için Tam Homomorfik Şifreleme (FHE) teknolojisini kullanıyor. Privasee, FHE'yi kullanarak kullanıcı verilerinin tüm AI bilgi işlem süreci boyunca şifrelenmiş kalmasını sağlar, böylece gizliliği korur ve GDPR gibi katı veri koruma düzenlemelerine uyar. Sistemleri birden fazla yapay zeka modelini destekleyerek güvenli veri işleme için çok yönlü bir çözüm sunuyor.

• Octra, dijital işlem güvenliğini ve veri yönetimi verimliliğini artırmak için kripto para birimini yapay zekayla birleştirir. Octra, tamamen homomorfik şifreleme (FHE) ve makine öğrenimi teknolojisini entegre ederek, merkezi olmayan bulut depolamanın güvenliğini ve gizlilik korumasını artırmaya kendini adamıştır. Platformu, kullanıcı verilerinin her zaman şifreli ve güvenli olmasını sağlamak için blockchain, kriptografi ve yapay zeka teknolojilerini kullanıyor. Bu strateji, merkezi olmayan bir ekonomide dijital işlem güvenliği ve veri gizliliği için sağlam bir çerçeve oluşturur.

• Mind Network, yapay zeka işleme sırasında şifre çözmeye gerek kalmadan güvenli şifreli hesaplamalar elde etmek için tamamen homomorfik şifrelemeyi (FHE) yapay zekayla birleştirir. Bu, kriptografik güvenliği yapay zeka yetenekleriyle kusursuz bir şekilde birleştiren, gizliliği koruyan, merkezi olmayan bir yapay zeka ortamını destekler. Bu yaklaşım yalnızca verilerin gizliliğini korumakla kalmaz, aynı zamanda FHE'nin şifreleme gücünü yapay zeka sistemlerine yönelik Operasyonel gereksinimlerle etkili bir şekilde birleştirerek yapay zeka operasyonlarının merkezi bir otoriteye dayanmadan veya hassas bilgileri açığa vurmadan gerçekleştirilebildiği güvensiz, merkezi olmayan bir ortam sağlar.

Tamamen homomorfik şifreleme (FHE), yapay zeka (AI) ve kripto para birimi alanında ön saflarda faaliyet gösteren şirketlerin sayısı sınırlı kalıyor. Bunun temel nedeni, FHE'nin etkili bir şekilde uygulanmasının büyük hesaplama yükü gerektirmesi ve kriptografik hesaplamaları verimli bir şekilde gerçekleştirmek için güçlü işlem gücü gerektirmesidir.

Çözüm

Tamamen Homomorfik Şifreleme (FHE), şifrelenmiş veriler üzerinde şifre çözme olmadan hesaplamaların yapılmasına izin vererek yapay zekadaki gizliliği artırmaya yönelik umut verici bir yaklaşım sunar. Bu yetenek, veri gizliliğinin kritik olduğu sağlık ve finans gibi hassas alanlarda özellikle değerlidir. Ancak FHE, yüksek hesaplama yükü ve derin öğrenme için gerekli olan doğrusal olmayan işlemleri yönetmedeki sınırlamalar dahil olmak üzere önemli zorluklarla karşı karşıyadır. Bu engellere rağmen FHE algoritmalarındaki ve donanım hızlandırmadaki ilerlemeler, yapay zekada daha pratik uygulamaların önünü açıyor. Bu alanda devam eden gelişme, hesaplama verimliliğini güçlü veri korumasıyla dengeleyen güvenli, gizliliği koruyan yapay zeka hizmetlerini önemli ölçüde iyileştirmeyi vaat ediyor.