精选博客系列｜加速基于同态加密的隐私保护机器学习

随着机器学习在当今的企业和软件平台中的广泛使用，跨人工智能 （AI） 平台的隐私保护技术的解决方案也显得非常重要。虽然这个想法在今天看起来很明显，但人工智能研究社区历来更专注于打破数据孤岛的界限，并将数据从一个孤岛匹配到另一个孤岛，以此发掘以前未被发现的数据价值。

随着人工智能领域的成熟，很显然，如果不保护私人数据，我们很可能会将我们的数据源暴露在潜在的漏洞中，而引发难以预料的后果。今天，人工智能行业已经通过与密码学家密切的合作来应对和解决人工智能技术的这一关键难题。有一种使隐私数据不公开的解决方法，即在加密的情况下进行数据计算，它被称为同态加密。

什么是同态加密？

同态加密（HE）属于一类用于隐私保护计算的高级加密技术。它允许对加密数据进行计算，而无需解密，只允许授权方解密计算结果。这种独特的加密技术允许数据在静态、传输和计算过程中保持加密状态。自 1970 年代后期以来，人们一直在寻求对加密数据进行任意计算的办法，直到 2009 年，Craig Gentry 首次描述了全同态加密（FHE）的构建方案。这一突破最终使加密执行任意计算成为可能。

同态加密（HE）可分为三大类：

1. 完全同态加密（FHE）

由 Craig Gentry 于 2009 年首次描述，FHE 是一种加密类型，支持同一方案中的加法和乘法，并允许对加密数据执行任意深度的通用计算，而无需解密它。FHE 方案的流行示例包括具有自举功能变体的 BGV [2]/ BFV [3],[4]/ CKKS [5], FHEW [6] 和 TFHE [7]。FHE 计划正在积极研究和开发，并正在进行标准化过程