Tại sao Mã hóa đồng cấu hoàn toàn (FHE) được coi là cốc thánh tiếp theo của trí tuệ nhân tạo?

Tác giả gốc: Advait (Leo) Jayant

Biên dịch: LlamaC

「推荐寄语：全Mã hóa đồng cấu（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mã hóa领域利用全Mã hóa đồng cấu（FHE）进行 AI 应用的项目，对于Tiền điện tử爱好者来说，可通过本文对全Mã hóa đồng cấu进行一次深入了解，enjoy！」

Văn bản chính👇

A hy vọng nhận được các đề xuất cá nhân hóa cao trên Netflix và Amazon. B không muốn Netflix hoặc Amazon hiểu về sở thích của họ.

Trong thời đại số hiện nay, chúng ta đang tận hưởng sự tiện lợi của các dịch vụ như Amazon và Netflix mang lại thông qua việc tiếp cận cá nhân hóa. Những gợi ý này đáp ứng sở thích của chúng ta một cách chính xác. Tuy nhiên, hành vi của những nền tảng này xâm nhập sâu vào cuộc sống riêng tư của chúng ta đang gây ra ngày càng nhiều mối lo ngại. Chúng ta mong muốn được tận hưởng dịch vụ tùy chỉnh mà không phải hy sinh quyền riêng tư. Trong quá khứ, điều này dường như là một nghịch lý: làm thế nào để cá nhân hóa mà không cần chia sẻ lượng lớn dữ liệu cá nhân với các hệ thống trí tuệ nhân tạo dựa trên đám mây. Mã hóa đồng cấu hoàn toàn (FHE) cung cấp một giải pháp cho vấn đề này, cho phép chúng ta có cả cái chén và cái cục.

Trí tuệ nhân tạo như Dịch vụ (AIaaS)

Trí tuệ nhân tạo (AI) hiện nay đóng vai trò quan trọng trong việc đối mặt với những thách thức phức tạp trong long lĩnh vực bao gồm thị giác máy tính, xử lý ngôn ngữ tự nhiên (NLP) và hệ thống gợi ý. Tuy nhiên, sự phát triển của những mô hình AI này đang đặt ra những thách thức lớn đối với người dùng thông thường:

1. Số liệu: Xây dựng mô hình chính xác thường cần có bộ dữ liệu lớn, đôi khi có thể lên tới hàng nghìn tỷ byte.

2. Khả năng tính toán: Các mô hình phức tạp như bộ chuyển đổi này cần có sức mạnh của hàng chục GPU, thường phải chạy liên tục trong vài tuần.

3. Chuyên môn vượt trội: Việc điều chỉnh mô hình này đòi hỏi kiến thức chuyên sâu vững chắc.

Những rào cản này làm cho việc phát triển mô hình học máy mạnh mẽ một cách độc lập trở nên khó khăn đối với hầu hết người dùng.

Dây chuyền dịch vụ AI trong ứng dụng thực tế

Bước vào thời đại AI as a Service (AIaaS), mô hình này cho phép người dùng tiếp xúc với các mô hình mạng thần kinh tiên tiến nhất thông qua việc cung cấp dịch vụ đám mây do các công ty công nghệ lớn (bao gồm thành viên FAANG) quản lý, từ đó vượt qua những rào cản trên. Người dùng chỉ cần tải lên dữ liệu gốc lên các nền tảng này, dữ liệu sẽ được xử lý trên nền tảng và tạo ra kết quả suy luận sắc bén. AIaaS hiệu quả trong việc phổ biến việc sử dụng các mô hình học máy chất lượng cao, mở rộng các công cụ AI tiên tiến cho một tập hợp đa dạng hơn. Tuy nhiên, tiếc là AIaaS hiện nay đã đánh đổi quyền riêng tư của chúng ta trong khi mang lại những tiện ích này.

Quyền riêng tư dữ liệu trong dịch vụ trí tuệ nhân tạo như một dịch vụ

Hiện tại, dữ liệu chỉ được mã hóa trong quá trình truyền từ máy khách đến máy chủ. Máy chủ có thể truy cập vào dữ liệu đầu vào và các dự đoán dựa trên dữ liệu đó.

Trong quá trình AI-as-a-Service, máy chủ có thể truy cập vào dữ liệu đầu vào và đầu ra. Tình huống này làm cho việc chia sẻ thông tin nhạy cảm (như dữ liệu y tế và tài chính) của người dùng trở nên phức tạp. Các quy định như GDPR và CCPA càng làm gia tăng những lo ngại này, vì chúng yêu cầu người dùng phải đồng ý rõ ràng trước khi chia sẻ dữ liệu và đảm bảo người dùng có quyền biết làm thế nào dữ liệu của họ được sử dụng. GDPR cũng quy định mã hóa và bảo vệ dữ liệu trong quá trình truyền tải. Những quy định này đặt ra các tiêu chuẩn nghiêm ngặt để đảm bảo sự riêng tư và quyền lợi của người dùng, thúc đẩy sự minh bạch và kiểm soát rõ ràng với thông tin cá nhân. Với những yêu cầu này, chúng ta phải phát triển các cơ chế bảo mật riêng tư mạnh mẽ trong quy trình AI-as-a-Service (AIaaS) để duy trì sự tin tưởng và tuân thủ quy định.

FHE giải quyết vấn đề

Bằng cách mã hóa a và b, chúng ta có thể đảm bảo tính riêng tư của dữ liệu đầu vào.

Mã hóa đồng cấu hoàn toàn (FHE) cung cấp một giải pháp cho vấn đề riêng tư dữ liệu liên quan trong tính toán đám mây. Các giải pháp FHE hỗ trợ các phép toán như phép cộng và phép nhân trên Bản mã. Khái niệm của nó rất đơn giản: tổng của hai giá trị mã hóa bằng tổng của hai giá trị đó mã hóa, và tương tự với phép nhân.

Trong quá trình thực thi, nguyên lý hoạt động của nó như sau: Người dùng thực hiện phép cộng giữa giá trị Văn bản thuần túy của 𝑎 và 𝑏 trên máy cục bộ. Sau đó, người dùng mã hóa 𝑎 và 𝑏 và gửi Bản mã đến máy chủ đám mây. Máy chủ có thể thực hiện phép cộng trên giá trị mã hóa (cùng phạm vi) và trả về kết quả. Kết quả được giải mã từ máy chủ sẽ tương đồng với kết quả phép cộng Văn bản thuần túy của 𝑎 và 𝑏 trên máy cục bộ. Quá trình này đảm bảo sự bảo mật dữ liệu và cho phép tính toán trên đám mây.

DNN dựa trên mã hóa toàn cầu của Độ sâu

Ngoài các phép cộng và nhân cơ bản, trong quá trình AI as a Service, công nghệ xử lý mạng thần kinh bằng toàn Mã hóa đồng cấu (FHE) đã đạt được tiến bộ đáng kể. Trong bối cảnh này, người dùng có thể mã hóa dữ liệu đầu vào ban đầu thành Bản mã và chỉ truyền các dữ liệu đã mã hóa này đến máy chủ đám mây. Máy chủ sau đó thực hiện tính toán đồng cấu trên các Bản mã này, tạo ra đầu ra đã mã hóa và trả về cho người dùng. Điều quan trọng là chỉ có người dùng nắm giữ Khóa riêng, cho phép họ giải mã và truy cập kết quả. Điều này xây dựng một luồng dữ liệu mã hóa FHE từ đầu đến cuối, đảm bảo an toàn quyền riêng tư của dữ liệu người dùng trong toàn bộ quá trình.

Các mạng thần kinh dựa trên mã hóa toàn homomorph cung cấp tính linh hoạt đáng kể cho người dùng trong dịch vụ AI. Khi Bản mã được gửi đến máy chủ, người dùng có thể sử dụng ở chế độ ngoại tuyến vì không cần giao tiếp thường xuyên giữa máy khách và máy chủ. Điều này đặc biệt có lợi cho các thiết bị internet vạn vật, chúng thường hoạt động trong điều kiện hạn chế và việc giao tiếp thường xuyên thường không khả thi.

Tuy nhiên, điều đáng chú ý là sự hạn chế của mã hóa đồng cấu hoàn toàn (FHE). Chi phí tính toán của nó rất lớn; Các phương án FHE cần thời gian và tài nguyên rất phức tạp và tốn kém. Ngoài ra, FHE hiện tại khó mà hỗ trợ hiệu quả các hoạt động phi tuyến tính, điều này tạo ra thách thức đối với việc triển khai mạng thần kinh. Hạn chế này có thể ảnh hưởng đến tính chính xác của mạng nơ-ron dựa trên FHE, vì các hoạt động phi tuyến tính rất quan trọng đối với hiệu suất của loại mô hình này.

Bài báo “Ứng dụng mạng thần kinh tăng cường riêng tư dựa trên mã hóa đồng cấu hoàn toàn hiệu quả cao trong AI như Dịch vụ” của K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang và S. Q. Goh đã được công bố tại Đại học Nanyang Technological (Singapore) và Viện hàn lâm Khoa học Trung Quốc (Trung Quốc).

(Lam và đồng nghiên cứu, năm 2024) mô tả một giao thức mạng thần kinh tăng cường quyền riêng tư cho trí tuệ nhân tạo dưới dạng dịch vụ. Giao thức này đầu tiên xác định các tham số của lớp đầu vào bằng cách sử dụng học sai số mã hóa (LWE). LWE là một ngôn ngữ mã hóa được sử dụng để bảo vệ dữ liệu bằng cách mã hóa, cho phép tính toán trên dữ liệu mã hóa mà không cần giải mã trước. Đối với lớp đầu ra ẩn, các tham số được xác định bằng RLWE (Ring LWE) và RGSW (Ring GSW), hai công nghệ mã hóa tiên tiến mở rộng LWE để thực hiện các thao tác mã hóa hiệu quả hơn.

Các tham số công cộng bao gồm việc phân rã cơ sở 𝐵 và 𝐵𝐾𝑆 cho một vector đầu vào 𝑥 độ dài 𝑁, một tập hợp 𝑁 LWE Bản mã (𝑎𝑖,𝑏𝑖) được tạo ra cho mỗi phần tử 𝑥[𝑖] bằng cách sử dụng Khóa riêng LWE 𝑠, đánh giá về 𝑠 được sinh ra theo chỉ mục Chìa khoá bảo mật để tạo ra 𝑥[𝑖]>0 và 𝑥[𝑖]<0. Ngoài ra, còn có một tập hợp Chìa khoá bảo mật LWE được thiết lập cho 𝐵. Những Chìa khoá bảo mật này hỗ trợ chuyển đổi hiệu quả giữa các lược đồ mã hóa khác nhau.

Đầu vào được chỉ định là lớp 0, đầu ra là lớp 𝐿. Đối với mỗi lớp 𝑙 từ 1 đến 𝐿, số lượng neuron là 𝐻𝑙 đã được xác định ở lớp 0. Ma trận trọng số 𝑊𝑙 và vector độ lệch 𝛽𝑙 được xác định bằng cách cộng lớp 0. Đối với mỗi neuron ℎ từ 0 đến 𝐻𝑙−1, đánh giá LWE Bản mã từ lớp 𝑙−1 theo Mã hóa đồng cấu. Điều này có nghĩa là tính toán được thực hiện trên dữ liệu mã hóa để tính toán hàm tuyến tính trong ℎ. Neuron thứ 𝑙 trong lớp, kết hợp ma trận trọng số và vector độ lệch. Sau đó, đánh giá bảng tra cứu (LUT) trong ℎ. Neuron thứ -th, sau khi thực hiện hoạt động từ 𝑛′ sang 𝑛 nhỏ hơn, sau đó làm tròn và tỉ lệ lại kết quả. Kết quả này được bao gồm trong tập hợp LWE Bản mã lớp 𝑙.

Cuối cùng, giao thức trả về Bản mã LWE cho người dùng. Sau đó, người dùng có thể sử dụng Khóa riêng 𝑠 để giải mã tất cả các Bản mã. Tìm kết quả suy luận.

Giao thức này thông qua việc sử dụng công nghệ mã hóa đồng cấu hoàn toàn (FHE), hiệu quả thực hiện việc suy luận mạng thần kinh bảo vệ quyền riêng tư cao. FHE cho phép tính toán trên dữ liệu đã được mã hóa mà không tiết lộ dữ liệu chính thức cho máy chủ xử lý, đảm bảo quyền riêng tư dữ liệu và đồng thời cung cấp lợi ích của AI dưới dạng dịch vụ.

Ứng dụng Mã hóa đồng cấu toàn diện trong AI

FHE (Fully Homomorphic Encryption) cho phép tính toán an toàn trên dữ liệu được mã hóa, mở rộng nhiều kịch bản ứng dụng mới và đảm bảo tính riêng tư và an toàn của dữ liệu.

Quyền riêng tư của người tiêu dùng trong quảng cáo: (Armknecht và cộng sự, 2013) đã đề xuất một hệ thống đề xuất sáng tạo sử dụng mã hóa đồng cấu hoàn toàn (FHE). Hệ thống này có thể cung cấp các đề xuất cá nhân cho người dùng đồng thời đảm bảo tính bảo mật hoàn toàn của nội dung này đối với hệ thống chính mình. Điều này đảm bảo tính riêng tư của thông tin sở thích của người dùng và giải quyết hiệu quả vấn đề quyền riêng tư quan trọng trong quảng cáo định hướng.

Ứng dụng y tế: (Naehrig và đồng nghiệp, 2011) đã đề xuất một giải pháp đáng chú ý cho ngành chăm sóc sức khỏe. Họ đề xuất sử dụng Mã hóa đồng cấu hoàn toàn (FHE) để liên tục tải lên dữ liệu y tế của bệnh nhân dưới dạng mã hóa cho nhà cung cấp dịch vụ. Phương pháp này đảm bảo tính bảo mật của thông tin y tế nhạy cảm trong suốt vòng đời của nó, đồng thời tăng cường bảo vệ quyền riêng tư cho bệnh nhân và cho phép các cơ sở y tế xử lý và phân tích dữ liệu một cách mượt mà.

Khám phá dữ liệu: Khám phá các bộ dữ liệu lớn có thể tạo ra những thông tin quan trọng, nhưng thường đi kèm với việc tiết lộ quyền riêng tư của người dùng. (Yang, Zhong, và Wright, 2006) đã giải quyết vấn đề này bằng cách áp dụng mã hóa đồng cấu hoàn toàn (FHE) để giải mã hóa hàm trong bối cảnh mã hóa đồng cấu. Phương pháp này cho phép trích xuất thông tin có giá trị từ các bộ dữ liệu lớn trở nên khả thi, đồng thời không làm tổn thương tính bảo mật của quyền riêng tư của cá nhân trong dữ liệu được khai thác.

Quyền riêng tư tài chính: Hãy tưởng tượng một tình huống, một công ty sở hữu dữ liệu nhạy cảm và thuật toán độc quyền, phải giữ bí mật. (Naehrig và cộng sự, 2011) đề xuất sử dụng mã hóa đồng cấu để giải quyết vấn đề này. Bằng cách áp dụng mã hóa đồng cấu hoàn toàn (FHE), công ty có thể thực hiện các phép tính cần thiết trên dữ liệu mã hóa mà không tiết lộ dữ liệu hoặc thuật toán, đảm bảo quyền riêng tư tài chính và bảo vệ quyền sở hữu trí tuệ.

Nhận dạng hình ảnh pháp y: Bosch và các đồng sự (2014) mô tả một phương pháp sử dụng mã hóa đồng cấu hoàn toàn (FHE) để phát hiện hình ảnh pháp y được giao việc bên ngoài. Công nghệ này đặc biệt hữu ích đối với cơ quan thực thi pháp luật. Bằng cách áp dụng FHE, cảnh sát và các cơ quan khác có thể phát hiện hình ảnh bất hợp pháp trên ổ cứng mà không tiết lộ nội dung hình ảnh, từ đó bảo vệ tính toàn vẹn và bí mật của dữ liệu trong cuộc điều tra.

Từ quảng cáo và chăm sóc sức khỏe đến khai thác dữ liệu, an ninh tài chính và thực thi pháp luật, việc mã hóa đồng cấu hoàn toàn có thể thay đổi cách chúng ta xử lý thông tin nhạy cảm trong mọi lĩnh vực. Với việc liên tục phát triển và hoàn thiện các công nghệ này, tính quan trọng của việc bảo vệ sự riêng tư và an toàn trong một thế giới ngày càng dữ liệu hóa không thể nào được nhấn mạnh quá nhiều.

Hạn chế của Mã hóa đồng cấu toàn diện (FHE)

Mặc dù tiềm năng, chúng ta vẫn cần giải quyết một số hạn chế quan trọng

• Hỗ trợ người dùng đa dạng: Mã hóa đồng cấu hoàn toàn (FHE) cho phép tính toán trên dữ liệu được mã hóa, nhưng trong các tình huống liên quan đến nhiều người dùng, độ phức tạp tăng gấp đôi. Thông thường, dữ liệu của mỗi người dùng sẽ được mã hóa bằng một Khóa công khai duy nhất. Việc quản lý các tập dữ liệu khác nhau này, đặc biệt là khi xem xét yêu cầu tính toán FHE trong môi trường quy mô lớn, trở nên không thực tế. Vì vậy, các nhà nghiên cứu như Lopez-Alt đã đề xuất một khung FHE với Chìa khoá bảo mật đa dạng vào năm 2013, cho phép hoạt động đồng thời trên các tập dữ liệu được mã hóa bằng các Chìa khoá bảo mật khác nhau. Phương pháp này, mặc dù triển vọng tích cực, nhưng đưa ra các lớp phức tạp bổ sung và yêu cầu sự phối hợp tỉ mỉ trong việc quản lý Chìa khoá bảo mật và kiến trúc hệ thống để đảm bảo sự riêng tư và hiệu suất.
• Chi phí tính toán quy mô lớn: Nhân tố chính của Mã hóa đồng cấu toàn phần (FHE) là khả năng thực hiện tính toán trên dữ liệu đã được mã hóa. Tuy nhiên, khả năng này đi kèm với một chi phí lớn. So với tính toán chưa được mã hóa truyền thống, chi phí tính toán của FHE tăng đáng kể. Chi phí này thường được biểu diễn dưới dạng đa thức long, nhưng có liên quan đến đa thức long cấp cao, làm gia tăng thời gian thực thi và làm cho nó không phù hợp cho các ứng dụng thời gian thực. Việc tăng tốc phần cứng cho FHE đại diện cho một cơ hội thị trường lớn, nhằm giảm thiểu tính phức tạp của tính toán và cải thiện tốc độ thực thi.
• Có hạn chế: Các tiến triển gần đây thực sự đã mở rộng phạm vi áp dụng của mã hóa đồng cấu hoàn toàn, cho phép nó hỗ trợ nhiều loại toán học hơn. Tuy nhiên, nó vẫn chủ yếu áp dụng cho các phép toán tuyến tính và đa thức, đây là một hạn chế lớn đối với các ứng dụng trí tuệ nhân tạo liên quan đến mô hình phi tuyến phức tạp (ví dụ như mạng nơ-ron). Việc thực hiện các phép toán cần thiết cho các mô hình AI này trong bối cảnh khung công cụ mã hóa đồng cấu hoàn toàn hiện tại vẫn đầy thách thức. Mặc dù chúng ta đang tiến triển, nhưng khoảng cách giữa khả năng thực hiện các phép toán của mã hóa đồng cấu hoàn toàn và yêu cầu thuật toán AI tiên tiến vẫn là một rào cản chính cần phải vượt qua.

mã hóa与人工智能背景下的全Mã hóa đồng cấu

Dưới đây là một số công ty đang nỗ lực sử dụng mã hóa đồng cấu hoàn toàn (FHE) trong lĩnh vực AI:

• Zama cung cấp Concrete ML, đây là một công cụ mã nguồn mở, nhằm mục đích làm đơn giản hóa quá trình sử dụng mã hóa đồng cấu hoàn toàn (FHE) cho các nhà khoa học dữ liệu. Concrete ML có thể chuyển đổi mô hình học máy thành dạng tương đương đồng cấu của nó, từ đó thực hiện tính toán bảo mật trên dữ liệu đã được mã hóa. Phương pháp của Zama cho phép nhà khoa học dữ liệu sử dụng FHE mà không cần kiến thức mật mã sâu rộng, điều này hữu ích đặc biệt trong các lĩnh vực y tế và tài chính, nơi mà việc bảo vệ quyền riêng tư dữ liệu rất quan trọng. Công cụ của Zama không chỉ giữ thông tin nhạy cảm được mã hóa mà còn thúc đẩy phân tích dữ liệu và học máy an toàn.
• Privasee tập trung vào việc xây dựng một mạng tính toán AI an toàn. Nền tảng của họ sử dụng công nghệ Mã hóa đồng cấu hoàn toàn (FHE), cho phép người theo lệnh long có thể hợp tác mà không tiết lộ thông tin nhạy cảm. Bằng cách sử dụng FHE, Privasee đảm bảo dữ liệu người dùng được duy trì trong trạng thái mã hóa trong quá trình tính toán AI, bảo vệ quyền riêng tư và tuân thủ các quy định bảo vệ dữ liệu nghiêm ngặt như GDPR. Hệ thống của họ hỗ trợ nhiều mô hình AI và cung cấp một giải pháp đa chức năng cho xử lý dữ liệu an toàn.
• Octra kết hợp Tiền điện tử với trí tuệ nhân tạo để nâng cao tính an toàn giao dịch số và hiệu quả quản lý dữ liệu. Bằng việc kết hợp hoàn toàn Mã hóa đồng cấu (FHE) với công nghệ học máy, Octra cam kết tăng cường tính an toàn và bảo vệ quyền riêng tư cho lưu trữ đám mây Phi tập trung. Nền tảng của họ sử dụng công nghệ blockchain, mật mã học và trí tuệ nhân tạo để đảm bảo dữ liệu người dùng luôn ở trạng thái mã hóa và an toàn. Chiến lược này xây dựng nên một cấu trúc vững chắc cho tính an toàn giao dịch số và quyền riêng tư dữ liệu trong nền kinh tế Phi tập trung.
• Mind Network kết hợp mã hóa đồng cấu hoàn toàn (FHE) với trí tuệ nhân tạo để thực hiện tính toán mã hóa an toàn trong quá trình xử lý trí tuệ nhân tạo mà không cần giải mã. Điều này thúc đẩy môi trường trí tuệ nhân tạo phi tập trung và bảo vệ quyền riêng tư, tạo sự hòa hợp hoàn hảo giữa tính bảo mật mã hóa và chức năng trí tuệ nhân tạo. Phương pháp này không chỉ bảo vệ tính bảo mật của dữ liệu mà còn thực hiện môi trường phi tập trung và không cần tin tưởng, trong đó các hoạt động trí tuệ nhân tạo có thể được thực hiện mà không phụ thuộc vào quyền lực trung ương hoặc tiết lộ thông tin nhạy cảm, hiệu quả kết hợp sức mạnh mã hóa FHE và yêu cầu hoạt động của hệ thống trí tuệ nhân tạo.

Trong lĩnh vực Tiền điện tử, Mã hóa đồng cấu hoàn toàn (FHE), Trí tuệ nhân tạo (AI) và số lượng công ty vận hành tại đỉnh cao vẫn còn hạn chế. Điều này chủ yếu là do việc triển khai FHE hiệu quả đòi hỏi chi phí tính toán lớn và yêu cầu sức mạnh xử lý mạnh mẽ để thực hiện tính toán mã hóa hiệu quả.

Kết luận

Mã hóa đồng cấu hoàn toàn (FHE) cung cấp một phương pháp tiềm năng để tăng cường quyền riêng tư trong trí tuệ nhân tạo bằng cách cho phép tính toán trên dữ liệu mã hóa mà không giải mã. Khả năng này rất quý giá trong các lĩnh vực nhạy cảm về quyền riêng tư của dữ liệu, như y tế và tài chính. Tuy nhiên, FHE đối mặt với những thách thức lớn, bao gồm chi phí tính toán cao và giới hạn trong các hoạt động phi tuyến tính cần thiết cho học sâu. Mặc dù có những rào cản này, tiến bộ về thuật toán FHE và tăng tốc phần cứng đang mở đường cho các ứng dụng thực tiễn hơn trong trí tuệ nhân tạo. Sự phát triển liên tục của lĩnh vực này có thể giúp cải thiện đáng kể dịch vụ trí tuệ nhân tạo an toàn và bảo vệ quyền riêng tư, đồng thời cân bằng giữa hiệu suất tính toán và bảo vệ dữ liệu mạnh mẽ.