《La capa invisible en la era de Big Data: Descifrando la magia del sistema de recomendación de Cifrado homomórfico》

Introducción: La tecnología de Cifrado homomórfico es como una capa invisible en el mundo digital, que aparece silenciosamente. Promete un futuro aparentemente imposible: realizar análisis y cálculos complejos de datos sin revelar los datos originales. Este artículo le llevará a explorar en profundidad la aplicación de Cifrado homomórfico en sistemas de recomendación, revelando cómo esta tecnología protege nuestra privacidad en la era de los datos masivos.

1、El dilema de privacidad del sistema de recomendación a) Revisión del evento de fuga de datos del usuario y su impacto A lo largo de la historia, ha habido muchos incidentes importantes de filtración de información personal. Según informó Bleeping Computer, a principios de 2023, la empresa de riesgo de inversión embotelladora de PepsiCo fue atacada por hackers. Los atacantes instalaron malware de robo de información y robaron una gran cantidad de datos sensibles del sistema de TI de la empresa. Lo más preocupante es que este ataque no fue descubierto hasta casi un mes después, lo que revela plenamente la vulnerabilidad de las empresas en términos de seguridad en línea.

No solo las empresas, sino también las instituciones gubernamentales no son inmunes. En febrero de 2023, un servidor del Departamento de Defensa de Estados Unidos que almacenaba 3TB de correos electrónicos militares internos estuvo expuesto en línea durante dos semanas. Este servidor estaba alojado en la nube gubernamental de Azure de Microsoft y se suponía que estaba en un entorno seguro físicamente aislado de otros clientes comerciales. Los datos filtrados incluían información sensible relacionada con el Comando de Operaciones Especiales de Estados Unidos, que es responsable de llevar a cabo operaciones militares especiales en el país.

Fuente de la imagen: Blockworks

En la era digital, incluso las grandes empresas y entidades gubernamentales tienen dificultades para garantizar completamente la seguridad de los datos. Con el papel cada vez más importante que desempeñan los datos en la sociedad moderna, las posibles amenazas a la seguridad son cada vez más graves.

b) La contradicción entre la protección de la privacidad y las recomendaciones personalizadas Los sistemas de recomendación personalizados se han convertido en una parte fundamental de la experiencia del usuario, pero existe una contradicción difícil de conciliar entre la conveniencia y la privacidad del usuario. Por un lado, los usuarios desean recomendaciones precisas y personalizadas que se ajusten a sus preferencias personales, lo que requiere que el sistema los conozca a fondo. Por otro lado, para obtener este tipo de servicio personalizado, los usuarios deben proporcionar una gran cantidad de información personal al sistema, lo que aumenta el riesgo de violación de la privacidad. En última instancia, puede ser necesario encontrar un nuevo equilibrio entre los usuarios, las empresas y los organismos reguladores.

2、揭秘 Cifrado homomórfico:数据的隐形衣 En este contexto, la tecnología de Cifrado homomórfico nos brinda una nueva perspectiva. La característica de Descentralización de la cadena de bloques junto con técnicas avanzadas de criptografía como el Cifrado homomórfico, tiene el potencial de transformar por completo la forma en que se recopilan, almacenan y utilizan los datos personales.

Por ejemplo, un sistema de recomendación basado en la cadena de bloques podría funcionar de la siguiente manera: los datos personales del usuario se almacenan en la cadena de bloques, encriptados, y solo el usuario tiene la llave secreta para descifrarlos. El algoritmo de recomendación se ejecuta en los datos encriptados para generar resultados de recomendación. Estos resultados solo se pueden descifrar y utilizar con la autorización del usuario. De esta manera, se garantiza la precisión de las recomendaciones y se protege al máximo la privacidad del usuario. Además, los contratos inteligentes se pueden utilizar para ejecutar automáticamente reglas y restricciones sobre el uso de los datos, asegurando que las empresas solo puedan utilizar los datos dentro del alcance acordado por el usuario. Esto no solo aumenta la transparencia, sino que también otorga al usuario un mayor control sobre sus propios datos.

Fuente de la imagen: zama.ai

a) ¿Qué es el cifrado homomórfico? Explicación simplificada El cifrado homomórfico (HE) es una técnica que permite procesar datos sin necesidad de desencriptarlos. Se puede utilizar para crear contratos inteligentes privados on-chain en un entorno público y no permisible, donde solo usuarios específicos pueden ver los datos de transacción y el estado del contrato. Aunque el FHE solía ser demasiado lento en el pasado para ser práctico, avances recientes indican que este objetivo se logrará en los próximos años.

Dame un ejemplo para ilustrarlo. Supongamos que ahora dos buenos frenPeter y Julie son dos fren, a ambos les gusta coleccionar sellos raros. Un día, Peter quiere saber cuáles de sus sellos en la colección son iguales a los de Julie, pero no quiere revelar completamente su colección.

Método tradicional: Peter le mostró a Julie su catálogo de sellos. Mientras Julie lo revisaba, comparaba con su propia colección. Cada vez que encontraban un sello que ambos tenían, lo anotaban en una nueva lista. Al final, Julie le entregó a Peter la lista de sellos iguales. Así, Peter supo cuáles sellos tenían en común, pero Julie también vio todo el catálogo de sellos de Peter.

Métodos de protección de la privacidad: Ahora imagina una máquina mágica. Peter y Julie ingresan sus respectivos catálogos de sellos en la máquina. La máquina comparará mágicamente los dos catálogos y solo mostrará a Peter los sellos comunes. Durante este proceso, Julie no puede ver el catálogo de Peter, y Peter no puede ver el catálogo de Julie. Julie ni siquiera sabe cuál es el resultado final a menos que Peter se lo diga activamente.

Esta es la aplicación del cifrado homomórfico en el mundo de la cadena de bloques. Nos permite realizar transacciones y operaciones privadas en una plataforma pública, protegiendo la privacidad y manteniendo la transparencia y seguridad de la cadena de bloques. Aunque esta tecnología anteriormente era difícil de implementar debido a problemas de velocidad, con los avances tecnológicos recientes, se espera que se convierta en una realidad en los próximos años, brindándonos más protección de privacidad e innovación en nuestra vida digital.

b) La magia del cifrado homomórfico: realizar cálculos mientras se encuentra en estado de encriptación El principio fundamental de la encriptación homomórfica es que las operaciones realizadas en los datos de encriptación son equivalentes a las operaciones realizadas en los datos originales antes de la encriptación. Esto significa que podemos realizar cálculos y análisis significativos en los datos de encriptación sin conocer el contenido de los datos originales.

Los principales tipos de Cifrado homomórfico incluyen:  Cifrado homomórfico parcial (Partially Homomorphic Encryption, PHE): Sólo admite una operación, como la suma o la multiplicación. Por ejemplo, RSAencriptación admite homomorfismo de multiplicación, Paillierencriptación admite homomorfismo de adición. • Cifrado homomórfico de cierto tipo (Somewhat Homomorphic Encryption, SHE): Soporte para operaciones de suma y multiplicación de número limitado. Por ejemplo, el plan Gentry temprano.  Cifrado homomórfico completo (Fully Homomorphic Encryption, FHE): Soporta operaciones de suma y multiplicación de cualquier cantidad de veces, teóricamente se pueden realizar cualquier cálculo. Por ejemplo: el esquema mejorado de Gentry, la biblioteca HElib de IBM. Cifrado homomórfico nivelado (Leveled Homomorphic Encryption): Entre SHE y FHE, admite cálculos de circuitos predefinidos 01928374656574839201.

Implementación técnica:  Criptografía basada en retículas(Lattice-based Cryptography): Muchas soluciones FHE modernas se basan en criptografía de retícula, como el esquema original de Gentry y sus posteriores mejoras. Estas soluciones suelen basarse en el problema de Ring-LWE (Learning With Errors en un Anillo).  Esquema de base entera: Algunos esquemas trabajan directamente en números enteros, como el esquema propuesto por van Dijk, entre otros.  近似数学(Approximate Math): El esquema CKKS permite cálculos homomórficos en números aproximados, adecuados para aplicaciones como el aprendizaje automático.  Basado en el aprendizaje (Learning-based): Algunas soluciones combinan tecnología de aprendizaje automático, como la encriptación homomórfica basada en redes neuronales.

Por supuesto, también hay casos de uso prácticos, como el cálculo seguro de múltiples partes donde varias partes pueden calcular conjuntamente una función sin revelar sus entradas respectivas. Otro ejemplo es el aprendizaje automático de protección de la privacidad, que entrena y ejecuta modelos de aprendizaje automático en datos de encriptación para proteger la privacidad de los datos.

Aunque la tecnología de encriptación homomórfica es muy poderosa, también enfrenta algunos desafíos, principalmente en cuanto a la eficiencia del cálculo. El costo computacional de la encriptación homomórfica completa sigue siendo alto, lo que limita su uso en algunas aplicaciones en tiempo real. Sin embargo, con la investigación en curso y el progreso del hardware, estas limitaciones están siendo gradualmente superadas.

Fuente de la imagen: tvdn

c)与传统encriptación方法的对比 El cifrado homomórfico (HE) y la prueba de conocimiento cero (ZKP) son técnicas de protección de la privacidad que son muy seguidas en el campo de la criptografía actual, pero tienen diferencias significativas en su aplicación y características. Hay algunas diferencias principales:

1. El cifrado homomórfico permite realizar cálculos directamente en los datos de encriptación, mientras que las pruebas de conocimiento cero permiten demostrar la veracidad de una afirmación sin revelar información específica. En cuanto a la disponibilidad de los datos, el cifrado homomórfico suele almacenar los datos encriptados en el bloque, lo que permite acceder y procesar los datos en todo momento. Por otro lado, las pruebas de conocimiento cero pueden retener los datos originales fuera de la cadena, proporcionando solo los resultados de la verificación en la cadena. 2） Un aspecto destacado del cifrado homomórfico es su excelente capacidad de composición: una vez que los datos se han encriptado y se han colocado en la cadena, debido a su naturaleza homomórfica, pueden integrarse fácilmente en otras aplicaciones para realizar cálculos y procesamientos adicionales. Esta característica es especialmente importante en la construcción de aplicaciones complejas de protección de la privacidad. Por otro lado, la flexibilidad de la prueba de conocimiento cero en este aspecto es relativamente baja, ya que es difícil utilizar directamente el resultado de una prueba en otro proceso de prueba. Sin embargo, estas dos técnicas no son mutuamente excluyentes, al contrario, son frecuentemente combinadas para aprovechar sus respectivas ventajas.

Con el continuo desarrollo de la tecnología blockchain y de cálculo de privacidad, podemos anticipar que la encriptación homomórfica y las Pruebas de conocimiento cero jugarán un papel cada vez más importante en las futuras aplicaciones de privacidad, y su uso combinado proporcionará un fuerte soporte técnico para construir sistemas de Descentralización más seguros y privados.

Conclusion En esta era impulsada por datos, nos encontramos en una encrucijada crucial. La tecnología de Cifrado homomórfico es como una capa invisible en el mundo digital, proporcionándonos una sólida protección de privacidad mientras disfrutamos de la conveniencia de los grandes datos. Nos permite realizar cálculos en la niebla de la encriptación, manteniendo la precisión y el valor del análisis de datos mientras protegemos la privacidad personal.

Sin embargo, el equilibrio entre la precisión y la privacidad es un arte delicado. La magia del cifrado homomórfico en los sistemas de recomendación no solo radica en su innovación tecnológica, sino también en su intento de encontrar un punto de equilibrio sutil entre el servicio personalizado y la protección de la privacidad. Pero debemos reconocer que este equilibrio no es fácil de lograr. No hay almuerzos gratis y el progreso tecnológico siempre conlleva desafíos y compensaciones. Aunque la encriptación homomórfica es poderosa, su costo computacional sigue siendo alto, lo que puede afectar la velocidad y eficiencia del sistema. Además, cómo garantizar la seguridad de los datos de encriptación, cómo prevenir posibles ataques, son problemas que debemos seguir abordando y resolviendo de manera constante.

Mirando hacia el futuro, esperamos ver la aparición de más tecnologías innovadoras que seguirán impulsando un equilibrio entre la protección de la privacidad y el uso de los datos. Tal vez algún día podamos construir una verdadera utopía digital donde todos puedan compartir y utilizar datos libremente sin preocuparse por la invasión de su privacidad.