Ученые назвали сдерживающие факторы применения шифрования в нейронных сетях

Математики Северо-Кавказского федерального университета совместно с коллегами из России и Мексики изучили историю развития и современные достижения в области гомоморфного шифрования.

Основной упор они сделали на его применении для создания нейронных сетей с высокой конфиденциальностью данных. О своих выводах ученые рассказали на страницах престижного научного журнала «Peer-to-Peer Networking and Applications» издательства «Springer».

Как отмечают авторы статьи, искусственный интеллект все активнее становится частью нашей жизни, но его создание очень ресурсозатратно. С другой стороны, использование облачных технологий за счет модели «плати за то, что используешь» позволяет оптимизировать вычислительные ресурсы и денежные средства на их содержание, но при этом возникает проблема обеспечения безопасности данных.

– Разработчики по всему миру пытаются решить проблему с безопасностью с помощью гомоморфного шифрования, который считается святым Граалем криптографии, – отметил один из авторов статьи, заведующий кафедрой вычислительной математики и кибернетики СКФУ Михаил Бабенко. – При таком подходе информация обрабатывается удаленным сервером в зашифрованном виде. Он не имеет доступа к секретному ключу. Даже если кому-то удастся перехватить информацию в процессе ее передачи и обработки, он не поймет, о чем идет речь, и не сможет ею воспользоваться. Потенциал у данного метода шифрования очень высокий, но попытки применить его в искусственных нейронных сетях наталкиваются на ряд трудностей и ограничений. Мы в своей работе проанализировали, какие открытые проблемы предстоит решить разработчикам, а также оценили перспективы предлагаемых подходов, их преимущества и недостатки, потенциальные приложения и инструменты разработки.

Так, одна из самых актуальных проблем заключается в том, что при гомоморфном шифровании доступны только две базовые арифметические операции – сложение (вычитание) и умножение. Отсутствует важнейшая операция сравнения чисел, необходимая для обработки информации и реализации многих базовых операций в нейронных сетях. Ученые по всему миру пытаются заменить ее на функцию определения знака числа и делают это разными способами. Один из самых популярных – построение многочлена. У такого подхода есть свои минусы. Чтобы получить высокую точность применения функции определения знака числа, используются многочлены очень большой степени.

Операция требует большого количества операций умножения, из-за чего превращается в вычислительно сложную. Ученые пытаются найти компромисс между сложностью и точностью, но пока не сильно в этом преуспели.

– Для широкого применения гомоморфного шифрования в нейронных сетях требуется значительная оптимизация предлагаемых алгоритмов, – пояснил Михаил Бабенко. – Необходимо повысить производительность и сократить время обработки информации, размер зашифрованных сообщений.

Это далеко не единственная описанная в статье проблема и подходы к ее решению с их плюсами и минусами. Познакомиться с выводами ученых можно, перейдя по ссылке: https://link.springer.com/article/10.1007/s12083-021-01076-8