FHE簡介

完全同態加密 (FHE) 代表一類加密技術，旨在允許對加密數據執行有意義的計算。這意味着當此類計算的結果被解密時，它們與在明文數據上執行這些計算所獲得的結果一致。

簡而言之

fenc 是一些同態加密函數

其中

同態屬性保留了加密空間中的計算

在更廣泛的 FHE 類別中，我們通常將 FHE 計劃分爲三種 FHE 計劃中的兩種，即

• 某種同態加密（SHE）：支持對密文進行有限數量的加法和乘法運算。
• 完全同態加密 (FHE)：支持對密文進行任意數量的乘法和/或加法運算，而不會在解密時損害其完整性。
• 部分同態加密（部分 HE）：支持密文的加法或乘法運算，但不能同時支持兩者。

早期使用 FHE 進行機器學習的嘗試

對具有完全同態加密 (FHE) 的機器學習 (ML) 的探索直接有助於隱私保護計算，使計算能夠在加密數據上執行。

該領域已做出了一些值得關注的貢獻，例如 Lauter (2021) 關於將同態加密與 AI 集成用於私人訓練和預測的論述，強調了密碼學和機器學習的結合，以在利用 AI 的力量的同時保護數據隱私。

此外，一項研究詳細介紹了使用 FHE 保護隱私的深度神經網路的工作，該研究重點關注 FHE 和多方計算 (MPC) 的混合模型，用於評估 ML 模型中的非算術函數，突破了維護數據的界限以及計算過程中的模型機密性。

Graepel、Lauter 和 Naehrig (2012) 開創性的論文 ML Confidential 引入了某種同態加密的應用，將 ML 計算安全地委托給計算服務，從而實現確保數據保密的機密 ML 算法。此外，對加密數據的邏輯回歸和無監督學習算法的研究例證了傳統機器學習方法在加密約束下的實際應用和適應，證明了此類方法在保護數據隱私方面的可行性和效率。這些工作共同強調了機器學習和密碼學的關鍵交叉點，爲未來安全、保護隱私的機器學習算法的研究提供了藍圖。

FHEML簡介

基於全同態加密的機器學習 (FHEML) 是我們利用全同態加密方案的機器學習算法的一種方式。它允許對加密數據進行計算，確保正在處理的數據的機密性。

FHEML 可以被視爲零知識機器學習（ZKML）的補充，後者專注於證明機器學習算法的正確執行，而 FHEML 則強調對加密數據進行計算以維護數據隱私。

FHEML 的本質在於它能夠對加密數據進行計算，一旦計算結果被解密，它們就會與對原始明文數據執行計算所獲得的結果相匹配。此功能爲機器學習應用開闢了廣闊的空間，因爲它允許算法對加密數據進行操作，而不會損害數據的隱私或安全性。

它可以被可視化爲：

加密數據的計算

FHEML 由機器學習算法組成，適用於完全同態加密方案。通過利用這些方案，FHEML 爲各種以隱私爲中心的機器學習用例打開了大門。在較高層面上，這包括機密計算、加密訓練和私人推理等。這些進步不僅增強了數據安全性，還擴大了機器學習在敏感和隱私要求較高的環境中的潛在應用。

FHEML 方向的現有庫

針對 FHEML 的庫和框架很少，目前還沒有編寫 FHEML 程序的標準，但用於構建 FHEML 程序的最普遍的框架和庫如下：

Concrete-ml 是由Zama創建的庫，構建在低級 TFHE 編譯器之上。Concrete允許將任意Python代碼編譯到FHE電路中，使開發人員能夠在Python中編寫可以對加密數據執行計算的函數。

Concrete-ml 使開發人員能夠使用熟悉的機器學習 API（線性模型、基於樹的模型、神經網路）可在scikit學院或其他框架中獲得。它允許將 PyTorch 模型轉換爲 FHE 兼容版本，支持基於隨機梯度下降的分類器（可以在加密數據等上進行訓練）。 Concrete-ml 顯著降低了對加密數據實施機器學習操作的準入門檻。

Tenseal由OpenMined社區開發，專注於啓用張量（神經網路中的基本單位，可以以各種形式表示或操作數據）的同態運算。構建於微軟SEAL（簡單加密算術庫）之上，Tenseal 提供了一個高效的、可通過 Python 訪問的 API，其底層操作是用 C++ 編寫的，以增強在加密張量上啓用 HE 函數的性能。

PySyft是 OpenMined 的另一項貢獻，旨在使用 Python 進行安全且私密的深度學習。它採用 Tenseal 的同態加密功能構建，以增強其隱私保護功能。PySyft 引入了 CKKS 張量，基於CKKS 同態加密方案，能夠對實數進行運算並提供近似結果。這超出了同態加密的範圍，它還結合了安全多方計算和差異隱私，爲保護隱私的機器學習提供了全面的套件。

TF Encrypted 是一個專爲 TensorFlow 生態系統中的加密機器學習而設計的框架。特別是通過Keras API 模仿 TensorFlow 體驗的 TF Encrypted 有助於對加密數據進行訓練和預測。它利用安全的多方計算和同態加密來提供保護隱私的機器學習功能。TF Encrypted 旨在使加密機器學習民主化，讓那些沒有深厚的密碼學、分布式系統或高性能計算背景的人也可以使用它。

FHEML 較少的通用用例

外包計算

由於計算是在加密數據上進行的，現在希望進行計算的一方可以安全地將數據的加密形式共享給第三方進行處理。

加密推理

它有助於加密推理，用戶請求的推理不會透露給模型，並且默認情況下保持加密狀態，只有用戶可以使用其密鑰對其進行解密。

加密訓練洞察

使企業能夠利用加密形式的敏感數據來訓練機器學習模型並獲得見解。這使組織能夠利用其數據來增強運營、制定新策略和改進決策流程，同時確保所涉及數據的最大隱私和安全性。

聲明：

1. 本文轉載自【Foresightnews】。原文標題爲“WTF is FHEML”。所有版權歸原作者【Frank, Foresight News】所有。若對本次轉載有異議，請聯系【Gate Learn】團隊，他們會及時處理。
2. 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，不構成任何投資建議。
3. Gate Learn 團隊將文章翻譯成其他語言。除非另有說明，否則禁止復制、分發或抄襲本譯文。