Специалисты Microsoft значительно увеличили скорость гомоморфного шифрования

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Специалисты Microsoft значительно увеличили скорость гомоморфного шифрования

Теги: Microsoft, исследование, шифрование, криптография, нейронные сети

Использование нейронных сетей значительно повысило скорость работы системы.

Исследователи Microsoft смогли значительно увеличить скорость гомоморфного шифрования – системы, позволяющей работать с закодированными данными без необходимости в расшифровке. Как сообщается на сайте Microsoft Research, осуществить прорыв в сфере криптографии специалистам помогли нейронные сети.

В обычных криптосистемах обработка зашифрованных данных невозможна. Информацию необходимо расшифровать, создавая угрозу похищения или компрометации конфиденциальных данных. Гомоморфное шифрование позволяет анализировать и модифицировать информацию, оставляя данные в зашифрованном виде. Технология появилась еще в 1978 году, но из-за крайне низкой скорости обработки данных (ранние системы анализировали зашифрованную информацию в 100 млрд раз медленнее по сравнению с обычными данными) не стала популярной.

Как сообщила профессор Кристин Лаутер (Kristin Lauter), команда Microsoft разработала искусственный интеллект CryptoNet, способный обрабатывать зашифрованные данные без необходимости в расшифровке. По словам специалистов Microsoft, система распознавания изображений на основе CryptoNet способна делать 51 тысячу предсказаний в час с точностью в 99%.

В целях предотвращения перегрузки компьютеров, работающих с нейросетью, исследователи специальным образом структурировали сеть. Эксперты разработали библиотеку Simple Encrypted Arithmetic Library (SEAL) с открытым исходным кодом. Для успешной обработки информации подробные параметры необходимо вводить вручную.

В ходе тестирования команда использовала изображения размером в 28х28 пикселей. Для обучения нейронной сети исследователи загрузили 50 тысяч изображений, а позже – еще 10 тысяч для проверки точности. Работа проводилась на компьютере под управлением Windows 10, оснащенном процессором Intel Xeon E5-1620 и 16 ГБ оперативной памяти.

Комментарии: