Điện toán mã hóa
Cho phép điện toán trên dữ liệu được bảo vệ bằng mật mã
Điện toán mật mã hóa tại AWS là gì?
Các công cụ và dịch vụ mật mã hóa của AWS sử dụng một loạt các công nghệ lưu trữ và mã hóa có thể giúp bạn bảo vệ dữ liệu đang được lưu trữ và đang ở trạng thái truyền. Thông thường, dữ liệu phải được giải mã trước khi có thể được dùng trong hoạt động điện toán. Điện toán mật mã hóa là công nghệ vận hành trực tiếp trên dữ liệu được bảo vệ bằng mật mã, từ đó dữ liệu nhạy cảm không bao giờ bị lộ.
Điện toán mật mã hóa bao hàm một loạt các công nghệ bảo vệ quyền riêng tư, bao gồm điện toán nhiều bên bảo mật, mã hóa đồng hình, học liên kết (federated learning) bảo vệ quyền riêng tư và mã hóa có thể tìm kiếm. AWS đang phát triển các công cụ và dịch vụ điện toán mật mã hóa để giúp bạn đáp ứng các mục tiêu về bảo mật và tuân thủ, đồng thời cho phép bạn tận dụng tính linh hoạt, khả năng điều chỉnh quy mô, hiệu năng và tính dễ sử dụng mà AWS mang lại. Ví dụ: bạn có thể thấy điện toán mật mã hóa đang hoạt động trong AWS Clean Rooms.
Công cụ nguồn mở
Điện toán mật mã hóa cho Clean Rooms (C3R)
Thư viện này cho phép bạn cộng tác với dữ liệu của bạn trong AWS Clean Rooms bằng một kỹ thuật cho phép nhiều bên cùng tính toán một hàm trên thông tin đầu vào của mình, đồng thời vẫn đảm bảo được tính bảo mật cho thông tin đầu vào đó. Nếu bạn sở hữu các chính sách xử lý dữ liệu yêu cầu mã hóa dữ liệu nhạy cảm, 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.
Suy luận XGBoost bảo vệ quyền riêng tư
Kho lưu trữ này chứa chế độ triển khai nguyên mẫu của XGBoost bảo vệ quyền riêng tư. Bằng cách áp dụng một số lược đồ mã hóa bảo vệ thuộc tính để mã hóa mô hình XGBoost, mô hình bảo vệ quyền riêng tư có thể dự đoán một truy vấn được mã hóa.
Các liên kết C++ dành cho thư viện mã hóa đồng hình Lattigo
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
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.
Tài nguyên nổi bật
Điện toán dữ liệu riêng tư | Ngày 01 tháng 6 năm 2023
Cả điện toán nhiều bên bảo mật và quyền riêng tư khác biệt đều bảo vệ quyền riêng tư của dữ liệu được sử dụng trong điện toán, nhưng mỗi phương pháp có lợi thế trong những bối cảnh khác nhau.
Chia sẻ và truy vấn dữ liệu được mã hóa trong AWS Clean Rooms | Ngày 16 tháng 5 năm 2023
Tìm hiểu cách bạn có thể sử dụng điện toán mật mã hóa bằng AWS Clean Rooms để làm việc với các cộng tác viên nhằm thực hiện phân tích chung đối với dữ liệu được gộp mà không cần phải chia sẻ dữ liệu “thô” với nhau – hoặc với AWS.
Những thách thức về quyền riêng tư trong thuật toán tăng cường độ dốc cực đại | Ngày 22 tháng 6 năm 2021
Tìm hiểu về cách sử dụng máy học bảo vệ quyền riêng tư để giải quyết những thách thức về quyền riêng tư trong việc dự đoán và đào tạo XGBoost.
Xây dựng mô hình máy học bằng dữ liệu được mã hóa | Ngày 05 tháng 1 năm 2021
Tìm hiểu cách một phương pháp tiếp cận mã hóa đồng hình mới có thể đẩy nhanh tốc độ đào tạo các mô hình máy học được mã hóa lên gấp 6 lần.
Điện toán mật mã hóa có thể đẩy nhanh việc áp dụng điện toán đám mây | Ngày 11 tháng 2 năm 2020
Tìm hiểu về hai kỹ thuật mật mã hóa đang được sử dụng để giải quyết những mối quan ngại về quyền riêng tư của công nghệ điện toán đám mây và đẩy nhanh việc áp dụng công nghệ đám mây cho doanh nghiệp.
Tìm hiểu về bảo vệ dữ liệu đang được sử dụng bằng các kỹ thuật mật mã hóa mới. Buổi tọa đàm về công nghệ của AWS này mô tả các kỹ thuật đa dạng trong điện toán mật mã hóa và cách chúng tôi đang áp dụng công nghệ này trong AWS Clean Rooms.
Nắm được thông tin tổng quan về các lĩnh vực nghiên cứu ứng dụng AWS, bao gồm các thuật toán mật mã hóa hậu lượng tử, điện toán bảo mật của nhiều bên, mã hóa đồng hình đang được sử dụng và phân phối khóa lượng tử.
Trong buổi tọa đàm này, Học giả Amazon là Joan Feigenbaum trình bày mô hình AWS dành cho máy học bảo vệ quyền riêng tư và mô tả hai nguyên mẫu mà AWS đã phát triển.
Nghiên cứu và thông tin chuyên sâu
Các nhà nghiên cứu của AWS thường xuyên đóng góp các bài viết để giúp phát triển lĩnh vực điện toán mật mã hóa.
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
Công trình này 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 theo cách 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 bảo mật để hồi đáp các truy vấn top-k.
Suy luận XGBoost bảo vệ quyền riêng tư
Mục tiêu tập trung 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 dự đoán XGBoost bảo vệ quyền riêng tư đã được triển khai và đánh giá theo kinh nghiệm thực tế trên Amazon 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.