Главными предпосылками к возникновению подхода гомоморфного шифрования стали: - распространение облачных технологий
- необходимость расшифрования данных для обработки
- возрастающие риски утечек
- потребность в данных
Основные индустриальные домены и кейсы, требующие сохранять приватность данных при обработке фокусируются в здравоохранении, финансах, биометрии, таргетной рекламе, социологических исследованиях, геолокации и собственно машинном обучении, как сквозной технологии всех вышеперечисленных.
Преимущества гомоморфного шифрования:- доказуемая стойкость на требуемом уровне
- результат обработки данных остается зашифрованным
- выход сети также зашифрован
Области гомоморфного шифрования, которые всё ещё представляют вызов: - увеличение объема данных, что влечет рост трафика (до 6000 раз)
- значительное увеличение вычислительных затрат, и, как следствие, увеличение времени обработки каждого экземпляра данных (до 1000 раз)
- некоторое ухудшение характеристик ML-решения
FHE представляется полезным для шифрования небольших объемов данных (текст, табличные данные), выполнения несложных вычислений над зашифрованными данными и конфиденциального инференса.
Использование решений для конфиденциальных вычислений позволит:- Улучшить качество существующих ML-моделей за счет привлечения данных от новых владельцев в защищенном виде.
- Выделить свой ML-продукт среди конкурентов за счет обеспечения конфиденциальности данных и избежать репутационных издержек от утечки данных.
- Выполнить требования законодательства к безопасности данных и избежать последствий в виде штрафов или ограничений на работу бизнеса.
- Обеспечить выполнение требований собственного ИБ, Compliance или Legal, предотвратив последствия в виде остановки проекта.
- Напрямую монетизировать свои датасеты владельцам данных, не опасаясь кражи и утечек данных, регуляторных или юридических последствий.