Intel duplica las tecnologías emergentes para …



El cifrado homomórfico y el aprendizaje federado podrían permitir a los grupos compartir datos y análisis mientras protegen la información real.

Dos tecnologías, el cifrado homomórfico y el aprendizaje federado, podrían permitir que las empresas y los investigadores colaboren en el análisis de datos y la creación de modelos de aprendizaje automático sin exponer los datos a riesgos de fugas, según un par de investigadores de Intel que hablaron en el evento de laboratorios virtuales de la empresa. el jueves.

El aprendizaje federado permite a los colaboradores comenzar con un único modelo común de aprendizaje automático, entrenar ese modelo en sus propios datos internos y luego recopilar y combinar de forma segura los modelos ahora divergentes para crear una iteración más precisa que incorpore datos de todos los participantes. El cifrado homomórfico es un enfoque más typical, fruto de un campo especial de la criptografía que se centra en las formas de proteger los datos, pero permite realizar cálculos sobre los datos cifrados, por ejemplo, la búsqueda y el entrenamiento de algoritmos de aprendizaje automático. Esto esencialmente protege la privacidad mientras mantiene la utilidad de la información.

Intel ha duplicado ambas tecnologías, incorporando soporte para ellas en su components mediante Computer software Guard Extensions (SGX). El resultado serán aplicaciones menos costosas de las dos tecnologías, dijo Jason Martin, ingeniero principal del equipo de inteligencia segura de Intel, en una entrevista separada con Dark Looking at.

«Los datos sin procesar son datos que no son útiles», dijo. «Las principales herramientas que tenemos para dar sentido a los crecientes volúmenes de datos son el aprendizaje automático y las tecnologías de estadística, pero a las empresas les preocupa compartir esos datos por motivos de seguridad y privacidad».

La investigación y los planes de Intel para la tecnología fueron revelados por Martin y Rosario Cammarota, un ingeniero principal enfocado en la computación en datos encriptados en Intel. en Intel Labs Day.

Encontrar formas de compartir y analizar datos de forma segura se ha convertido en un tema de investigación importante. Este año, un grupo multidisciplinario de investigadores del Instituto de Tecnología de Massachussetts creó un sistema que utiliza encriptación que preserva la privacidad para permitir a las empresas compartir información sobre violaciones sin revelar los datos reales. Si bien algunas empresas, como Duality y Enveil, se han centrado en usos específicos del cifrado homomórfico centrados en la seguridad, Intel espera ampliar las posibilidades al incluir soporte en sus chips.

«Este es el momento en que muchos de los avances de los que estamos escuchando deben cumplir con la ciencia aplicada, y ahí es donde entra en juego nuestra exploración», dijo Cammarota. «Es necesario que haya más avances teóricos y estandarización, en los que estamos participando».

Tecnologías como el aprendizaje federado y el cifrado homomórfico permiten a las empresas colaborar sin ceder el command de sus datos, dijo Cammarota.

Los datos federados resuelven dos problemas: el problema del silo de datos limita el uso de datos porque la información no se puede transmitir por cuestiones de privacidad, consideraciones de propiedad intelectual o regímenes regulatorios. Un tema más práctico es el tamaño del conjunto de datos. Las limitaciones de ancho de banda pueden impedir que las empresas compartan directamente grandes conjuntos de datos para entrenar un modelo de aprendizaje automático en una ubicación central.

Industrias como la atención médica y los servicios financieros ven el aprendizaje federado como una forma de colaborar sin violar las reglas de privacidad o divulgar información confidencial. La Universidad de Pensilvania utilizó el aprendizaje federado para entrenar modelos de aprendizaje automático para reconocer tumores cerebrales mediante una variedad de conjuntos de datos en silos. El entrenamiento federado condujo a un modelo que se desempeñó un 17% mejor, dijo Martin.

«En el aprendizaje federado, dividimos ese cálculo y distribuimos el cálculo a los silos individuales, por lo que cada clinic tendrá su propia infraestructura», dijo. «Una parte del entrenamiento se realiza allí, y luego los modelos se envían al servidor de agregación, y el agregador toma esos modelos y los combina en un modelo global actualizado».

El cifrado homomórfico permite el análisis de datos en texto cifrado cifrado, en lugar de tener que descifrar primero los datos para usarlos. La tecnología promete permitir el análisis sin revelar realmente los datos.

Sin embargo, existen desafíos. El tamaño de los datos se dispara cuando se utiliza encriptación homomórfica, con el texto cifrado entre 100 y 1000 veces más grande que los datos originales. La complejidad de la computación también crece enormemente, en un element de 10,000 a 1 millón, lo que hace que incluso las funciones simples sean costosas de implementar en la práctica.

Pero la industria ha abordado esos desafíos antes, señaló Cammarota. En 1960, un solo transistor costaba entre $ 1 y $ 4 (o alrededor de $ 8 a $ 30 en la actualidad). Durante los últimos 60 años, ese precio se ha reducido en más de un issue de mil millones.

Si la homomórfica se puede implementar de forma tan económica, Cammarota espera aplicaciones generalizadas similares.

«Tan pronto como la tecnología de transistores comenzó a escalar y el transistor se volvió económico, se hicieron posibles aplicaciones completamente imprevistas», dijo. «Si el cifrado homomórfico se vuelve económico, veremos muchas más posibilidades para la tecnología».

Periodista tecnológico veterano de más de 20 años. Ex ingeniero de investigación. Escrito para más de dos docenas de publicaciones, incluidas CNET News.com, Dark Reading, MIT&#39s Technological know-how Critique, Common Science y Wired Information. Cinco premios de periodismo, incluido el de Mejor fecha límite … Ver biografía completa

Lectura recomendada:

Más información





Enlace a la noticia first