Điện toán mã hóa

Thư viện này cho phép bạn cộng tác với dữ liệu của bạn trong AWS Clean Rooms (hiện ở chế độ xem trước) bằng kỹ thuật cho phép nhiều bên cùng tính toán một hàm trên đầu vào của mình, đồng thời vẫn đảm bảo được tính bảo mật cho đầu vào đó. Nếu bạn sở hữu các chính sách xử lý dữ liệu yêu cầu mã hóa dữ liệu nhạy cảm, vậy bạn có thể mã hóa trước dữ liệu của mình bằng khóa mã hóa thông dụng cho từng phiên cộng tác để mã hóa dữ liệu đó ngay cả khi chạy truy vấn.

Kho lưu trữ này chứa chế độ triển khai nguyên mẫu của XGBoost bảo vệ quyền riêng tư. Kho này áp dụng một số kế hoạch mã hóa bảo vệ thuộc tính để mã hóa mô hình XGBoost. Nhờ đó, mô hình bảo vệ quyền riêng tư có thể dự đoán một truy vấn được mã hóa.

Thư viện này cung cấp các liên kết C++ một phần cho thư viện mã hóa đồng hình Lattigo phiên bản 2.1.1 được viết bằng ngôn ngữ lập trình Go. Trình bao bọc này không hướng đến việc cung cấp liên kết cho tất cả các API Lattigo công khai nhưng lại rất dễ thêm các liên kết mới và cả các PR.

Bộ công cụ của trình triển khai đồng hình (HIT) cung cấp các công cụ giúp đơn giản hóa quá trình thiết kế chu trình đồng hình cho sơ đồ mã hóa đồng hình CKKS.

Chu trình đồng hình không quá sâu để đào tạo mô hình hồi quy logistic
Nghiên cứu này mô tả một cách tiếp cận máy học bằng cách sử dụng mã hóa đồng hình; trình bày cách xây dựng một chu trình cho hồi quy logistic. Chu trình này có thể thực hiện gấp đôi số lần lặp lại đào tạo trong cùng một khoảng thời gian, tương tự như kết quả được xuất bản trước đó.

Tổng hợp bảo mật riêng cho máy khách để học liên kết bảo vệ quyền riêng tư
Trong dự án này, chúng tôi giới thiệu các giao thức mới để học liên kết bảo vệ quyền riêng tư liên quan đến một nhóm máy khách và máy chủ trên đám mây, trong đó máy chủ hoạt động điện toán trên dữ liệu được mã hóa để tổng hợp các mô hình được đào tạo cục bộ của máy khách thành một mô hình chung được mã hóa, chỉ có thể được giải mã bởi máy khách.

Xử lý truy vấn top-k trên cơ sở dữ liệu được mã hóa cùng khả năng bảo mật mạnh mẽ
Nghiên cứu này đề xuất cấu trúc xử lý truy vấn top-k bảo mật, hiệu quả và có thể chứng minh đầu tiên đạt bảo mật Tấn công truy vấn được chọn (Chosen Query Attack) thích ứng. Các nhà nghiên cứu của AWS đã phát triển cấu trúc dữ liệu được mã hóa gọi là EHL và mô tả một số giao thức con an toàn theo mô hình bảo mật riêng để hồi đáp các truy vấn top-k.

Suy luận XGBoost bảo vệ quyền riêng tư
Mục tiêu trung tâm của máy học bảo vệ quyền riêng tư là cho phép người dùng gửi các truy vấn được mã hóa đến dịch vụ máy học từ xa, nhận kết quả được mã hóa và giải mã cục bộ. Nghiên cứu này phác thảo thuật toán suy luận XGBoost bảo vệ quyền riêng tư đã được triển khai và đánh giá theo kinh nghiệm thực tế trên AWS SageMaker.

Trình trích xuất điện toán tương đối
Trong nghiên cứu này, các nhà nghiên cứu AWS đã điều tra xem liệu có thể xây dựng trình trích xuất tương đối hay không. Đầu tiên, họ cho thấy các bản nháp bảo mật tuân thủ các giới hạn trên của lý thuyết mã hóa, ngay cả khi yêu cầu bảo mật về lý thuyết thông tin được nới lỏng. Sau đó, họ trình bày một kết quả tích cực rằng có thể tránh được kết quả tiêu cực khi xây dựng và phân tích trực tiếp trình trích xuất điện toán tương đối bằng cách sửa cấu trúc bù mã để dùng mã tuyến tính ngẫu nhiên.