Безопасность цифровых технологий

БЕЗОПАСНОСТЬ ЦИФРОВЫХ ТЕХНОЛОГИЙ

БЕЗОПАСНОСТЬ
ЦИФРОВЫХ ТЕХНОЛОГИЙ

English | Русский

Последний выпуск
№3(122) Июль - Сентябрь 2026

Сравнительный анализ методов построения систем обработки зашифрованных данных и их сравнение для решения задач машинного обучения

Выпуск № 3 (114) Июль - Сентябрь 2024
Авторы:

Лапина Мария Анатольевна ,
Ардеев Дмитрий Юрьевич ,
Лапин Виталий Геннадьевич ,
DOI: http://dx.doi.org/10.17212/2782-2230-2024-3-34-52
Аннотация

В статье рассмотрены два метода построения систем обработки зашифрованных данных, основанные на гомоморфном шифровании и разделительных вычислениях.

Каждый метод отличается представленным алгоритмом и моделью обработки данных. Рассмотрены базовые операции над зашифрованными данными, а именно умножение

и сложение. Для исследования использовались следующие библиотеки: TenSEAL, TensorFlow и PyTorch. Библиотека TenSEAL является инструментом полного гомоморфного шифрования, созданного для языка программирования С++, но адаптированного под использующийся в исследовании язык программирования Python. Эта библиотека позволяет использовать метод полного гомоморфного шифрования в построении вычислительной модели, задачей которой будет обработка зашифрованных данных. Для реализации метода разделительных вычислений, более известного как multy-party computation, будет использоваться библиотека TensorFlow, позволяющая создавать несколько тензоров и одновременно обучать их, что, в свою очередь, дает возможность реализовать принцип разделительных вычислений.


Ключевые слова: шифрование, конфиденциальность, гомоморфное шифрование, разделительные вычисления, тензоры, шифротексты
Лапина Мария Анатольевна
кандидат физико-математических наук, доцент, Северо-Кавказский федеральный университет/ Институт информационных технологий и телекоммуникаций,
norra7@yandex.ru
Orcid: 0000-0001-8117-9142

Ардеев Дмитрий Юрьевич
ФГАОУ ВО «Северо-Кавказский федеральный университет,
ardeev.dima345@gmail.com
Orcid: 0009-0007-5584-5050

Лапин Виталий Геннадьевич
кандидат физико-математических наук, доцент кафедры вычислительной математики и кибернетики Северо-Кавказского федерального университета.
vitlx@yandex.ru
Orcid: 0000-0002-0611-7002

Список литературы

1.??TenSeal – Python FHE Library: сайт. – URL: https://pypi.org/project/

tenseal/ (дата обращения: 28.08.2024).



2.??Tensorflow – Python MPC Library: сайт. – URL: https://www.tensor-flow.org/?hl=ru (дата обращения: 28.08.2024).



3.??Полностью гомоморфное шифрование (обзор) / Л.К. Бабенко, Ф.Б. Бур-тыка, О.Б. Макаревич, А.В. Трепачева // Вопросы защиты информации. – 2015. – № 3 (110). – С. 3–26. – URL: https://elibrary.ru/item.asp?id=24833959 (дата обращения: 28.08.2024).



4.??What is Secure Multiparty Computation // Inpher. Technology. – URL: https://inpher.io/technology/what-is-secure-multiparty-computation/ (accessed: 28.08.2024).



5.??Multy-Party Computation method / GitHub. – URL: https://github.com/

rdragos/awesome-mpc (accessed: 28.08.2024).



6.??Multy-Party Computation encrypted / GitHub. – URL: https://github.com/

tf-encrypted/tf-encrypted (accessed: 28.08.2024).



7.??Full homomorphic encryption in python / GitHub. – URL: https://github.com/ViktorAxelsen/TFE-GNN (accessed: 28.08.2024).



8.??PyTorch framework: website. – URL: https://pytorch.org/ecosystem/ (accessed: 28.08.2024).



9.??Nitin Kendre. 7 Essential techniques for data preprocessing using python:

a guide for data scientists / DEV Community. – URL: https://dev.to/newbie_coder/

7-essential-techniques-for-data-preprocessing-using-python-a-guide-for-data-scien-tists-3ijk (accessed: 28.08.2024).



10.??AI Confidential: How can machine learning on encrypted data improve privacy protection? / Ericsson blog. – URL: https://www.ericsson.com/en/blog/

2021/9/machine-learning-on-encrypted-data (accessed: 28.08.2024).



11.??Monteiro Tiago Capelo. How homomorphic encryption works / FreeCodeCamp. – URL: https://www.freecodecamp.org/news/homomorphic-encryption-in-plain-english/ (accessed: 28.08.2024).



12.??Google Colaboratory: website. – URL: https://colab.google/ (accessed: 29.08.2024).



13.??Python 3.12.4 // Python: website. – URL: https://www.python.org/

downloads/ (accessed: 29.08.2024).



14.??Crockett E. Building machine learning models with encrypted data / Amazon Science Blog. – 2021. – January 5. – URL: https://www.amazon.science/blog/

building-machine-learning-models-with-encrypted-data (accessed: 29.08.2024).



15.??Federated Learning / Papers with Code: website. – URL: https://papers-withcode.com/task/federated-learning (accessed: 29.08.2024).



16.??Dataset MNIST / Kaggel: website. – URL: https://www.kaggle.com/

datasets/hojjatk/mnist-dataset (accessed: 29.08.2024).



17.??Encrypted key-value database using homomorphic encryption / ZAMA. – URL: https://www.zama.ai/post/encrypted-key-value-database-using-homomorphic-encryption (accessed: 29.08.2024).



18.??Программный комплекс для моделирования сверточных нейронных сетей, сохраняющих конфиденциальность, в условиях ограниченных вычислительных ресурсов: свидетельство о гос. регистрации программы для ЭВМ № 2024614441 / Лапина М.А., Фисенко Н.С., Бабенко М.Г. – URL: https://www1.fips.ru/ofpstorage/Doc/PrEVM/RUNWPR/000/002/024/614/441/2024614441-00001/document.pdf (дата обращения: 29.08.2024).

Просмотров аннотации: 526
Скачиваний полного текста: 366
Просмотров интерактивной версии: 0
Для цитирования:

Лапина М.А., Ардеев Д.Ю., Лапин В.Г. Сравнительный анализ методов построения систем обработки зашифрованных данных и их сравнение для решения задач машинного обучения // Безопасность цифровых технологий. – 2024. – № 3 (114).?– С. 34–52. – DOI: 10.17212/2782-2230-2024-3-34-52.

For citation:

Lapina M.A., Ardeev D.Yu., Lapin V.G. Sravnitel'nyi analiz metodov postroeniya sistem obrabotki zashifrovannykh dannykh i ikh sravnenie dlya resheniya zadach mashinnogo obucheniya [Comparative analysis of methods for building encrypted data processing systems and their comparison for solving machine learning problems]. Bezopasnost' tsifrovykh tekhnologii = Digital Technology Security, 2024, no. 3 (114), pp. 34–52. DOI: 10.17212/
2782-2230-2024-3-34-52.

 

Обработка персональных данных

Мы используем сервис веб-аналитики Яндекс Метрика, который использует cookie.

Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Вы можете отказаться от использования cookies, выбрав соответствующие настройки в браузере. Также Вы можете запретить сбор данных с помощью расширения для браузера «Блокировщик Яндекс Метрики». Используя этот сайт, вы соглашаетесь на обработку персональных данных.