💻 computer science

HE-CloudML: A Privacy-Preserving Framework for Secure Machine Learning Inference over Encrypted Cloud Data Using Homomorphic Encryption

Este artículo presenta HE-CloudML, un marco de trabajo que preserva la privacidad que permite la inferencia de redes neuronales profundas de forma segura y eficiente sobre datos cifrados en la nube mediante el uso de Cifrado Homomórfico, logrando una precisión cercana a la del texto plano con mejoras significativas en la latencia respecto a las soluciones existentes, al tiempo que garantiza una resistencia robusta contra diversos ataques de privacidad.

Autores originales: Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi

Publicado 2026-06-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un secreto muy sensible, como tus registros médicos o los detalles de tu cuenta bancaria. Quieres pedirle a una computadora súper inteligente (un servidor en la nube) que analice estos datos y te dé una respuesta, pero te aterra que la computadora pueda echar un vistazo a tus datos mientras trabaja.

Normalmente, para obtener una respuesta, tienes que entregar tus datos a la vista de todos. HE-CloudML es un nuevo invento que cambia las reglas de este juego. Le permite enviar tus datos a la nube dentro de una caja cerrada y romper la ley de la lógica, que la computadora haga todas las matemáticas dentro de la caja sin abrirla nunca, y luego te devuelva la respuesta, todavía encerrada en la caja. Tú eres el único con la llave para abrir el resultado final.

Así es como el artículo explica esta magia, desglosada en conceptos simples:

1. La "Caja Mágica" (Cifrado Homomórfico)

Piensa en el Cifrado Homomórfico como una caja de guantes mágica.

El Problema: Normalmente, si quieres que un robot clasifique tu correo, tienes que sacar las cartas de los sobres. Si el robot no es de fiar, puede leer tus cartas.
La Solución: Con HE-CloudML, pones tus cartas dentro de una caja de guantes especial, transparente pero irrompible. El robot puede agitar la caja, mezclar las cartas e incluso contarlas, todo mientras siguen dentro de la caja. Nunca ve las cartas. Cuando termina, te devuelve la caja. Tú la abres y las cartas están perfectamente clasificadas.

2. El Equipo de Tres Partes

El artículo describe este sistema como un equipo de tres niveles trabajando juntos:

El Cliente (Tú): Tú eres quien sostiene la llave secreta. Pones tus datos en la caja y la cierras. Eres el único que puede abrir la respuesta final.
El Servidor en la Nube (El Trabajador): Esta es la computadora potente en la nube. Realiza todo el trabajo pesado y las matemáticas complejas, pero solo toca las cajas cerradas. Es "honesto pero curioso": sigue las reglas perfectamente, pero hace todo lo posible por adivinar qué hay dentro de las cajas. El artículo afirma que no aprende absolutamente nada.
La Bóveda de Claves: Este es un área de almacenamiento segura que gestiona las llaves. La "llave secreta" se queda contigo, mientras que una "llave de trabajo" especial se le entrega al servidor en la nube para que pueda hacer las matemáticas sin abrir la caja.

3. Resolviendo el "Problema Matemático" (Aproximaciones Polinómicas)

El aprendizaje profundo (la IA que realiza el pensamiento) suele utilizar funciones matemáticas curvas y complicadas (como ReLU o Sigmoid) que son difíciles de realizar dentro de una caja cerrada.

La Analogía: Imagina intentar dibujar un círculo perfecto dentro de una cuadrícula hecha solo de líneas rectas. Es imposible hacerlo exactamente bien.
La Solución: Los investigadores utilizaron un truco ingenioso llamado polinomios de Chebyshev. En lugar de intentar dibujar la curva perfecta, la aproximaron utilizando una serie de líneas rectas que se parecen casi exactamente a la curva.
El Resultado: La IA ahora puede realizar su pensamiento dentro de la caja cerrada con una precisión muy alta. El artículo probó esto y encontró que la IA era casi tan inteligente como si hubiera visto los datos a la vista, con solo un 1-2% menos de precisión en los peores casos.

4. El Truco del "Lote" (Hacer Muchas Cosas a la Vez)

Hacer matemáticas en una caja cerrada a la vez es lento.

La Analogía: Imagina a un cartero que solo puede llevar una carta a la vez. Tardaría una eternidad en entregar 1,000 cartas.
La Solución: HE-CloudML utiliza una técnica llamada Lote de Cifrados (Ciphertext Batching). Empaca cientos de diferentes puntos de datos en una sola caja cerrada. El servidor en la nube realiza las matemáticas en todos ellos al mismo tiempo, como una cinta transportadora procesando toda una bandeja de galletas en lugar de una por una. Esto hace que el sistema sea mucho más rápido.

5. ¿Qué Probaron?

Los autores no solo construyeron esto en teoría; lo probaron en tres tipos de datos del mundo real muy diferentes para demostrar que funciona en todas partes:

Reconocimiento de Dígitos (MNIST): Identificación de números escritos a mano.
Reconocimiento de Objetos (CIFAR-10): Identificación de cosas como coches, gatos y aviones en fotos.
Imagen Médica: Observación de radiografías de tórax para detectar neumonía.
Fraude Financiero: Verificación de transacciones bancarias para detectar estafas.

6. Los Resultados: Rápido y Privado

Precisión: El sistema fue increíblemente preciso. Por ejemplo, identificó la neumonía en radiografías con una precisión del 93.61% y detectó el fraude financiero con un 96.44% de precisión. Esto es muy cercano a lo que obtienes cuando no usas cifrado.
Velocidad: En el pasado, hacer este tipo de matemáticas en datos cerrados tomaba minutos o incluso horas por elemento. El artículo afirma que HE-CloudML es 26.9 veces más rápido que los métodos anteriores. Puede procesar una imagen en unos 9 a 24 segundos, lo cual es una gran mejora, aunque los autores admiten que todavía es demasiado lento para cosas que necesitan ocurrir instantáneamente (como una videollamada en vivo).

7. El Problema (Limitaciones)

El artículo es honesto sobre las desventajas:

Tamaño: Las "cajas cerradas" son enormes. Los datos se expanden aproximadamente 1,000 veces su tamaño original. Esto requiere mucha memoria informática (unos 4.8 GB por tarea).
Velocidad: Aunque es 26 veces más rápido que los métodos antiguos, sigue siendo más lento que simplemente mirar los datos normalmente. No puedes usarlo para cosas que necesiten ocurrir en una fracción de segundo.
Modelo de Confianza: Asume que el servidor en la nube seguirá las reglas (que no intentará romper la caja o hacer trampas). No protege contra un servidor que intente sabotear activamente el proceso.

Resumen

HE-CloudML es un nuevo marco que te permite utilizar la IA potente de la nube para analizar tus datos más sensibles (médicos, financieros, personales) sin permitir que el proveedor de la nube vea nunca los datos brutos. Utiliza un método de cifrado de "caja mágica", trucos matemáticos ingeniososos para aproximar curvas complejas y un sistema de "lote" para acelerar el proceso. El artículo afirma que es el primer sistema que logra hacer esto con éxito en tareas médicas, financieras y de reconocimiento de imágenes generales con alta precisión, haciendo que la computación privada en la nube sea una posibilidad mucho más realista.

Resumen Técnico: HE-CloudML

Declaración del Problema
La adopción generalizada del Aprendizaje Automático como Servicio (MLaaS) crea vulnerabilidades críticas de privacidad, ya que los datos sensibles del usuario (por ejemplo, registros médicos, transacciones financieras) deben transmitirse típicamente en texto plano a servidores en la nube no confiables para la inferencia. Las técnicas de preservación de la privacidad existentes presentan limitaciones significativas: la Privacidad Diferencial (DP) degrada la precisión del modelo; el Aprendizaje Federado (FL) sigue siendo vulnerable a la inversión de gradientes y no protege los datos durante la inferencia; la Computación Multipartita Segura (SMPC) incurre en una alta sobrecarga de comunicación; y los Entornos de Ejecución Confiables (TEE) dependen de supuestos de confianza de hardware. Si bien la Cifrado Homomórfico (HE) ofrece una solución matemáticamente rigurosa al permitir la computación sobre texto cifrado, los sistemas de inferencia basados en HE existentes (por ejemplo, CryptoNets, CryptoDL) suelen estar restringidos a arquitecturas poco profundas, carecen de soporte para redes neuronales profundas (DNN) con bootstrapping, no abordan los desafíos de despliegue nativos de la nube (como la gestión de claves y el empaquetado por lotes), y rara vez son validados en diversos dominios del mundo real como la salud y las finanzas.

Metodología
El artículo propone HE-CloudML, un marco unificado de tres niveles diseñado para la inferencia segura de DNN sobre datos cifrados en la nube utilizando el esquema de cifrado homomórfico CKKS (Cheon-Kim-Kim-Song). La arquitectura consta de:

Nivel de Cliente: Maneja la codificación de datos, el cifrado CKKS y el descifrado. El cliente retiene la clave secreta, asegurando que los datos brutos nunca se expongan.
Nivel de Servidor en la Nube: Ejecuta el motor de inferencia enteramente sobre textos cifrados. Se asume que es "honesto pero curioso" (honest-but-curious), siguiendo el protocolo correctamente pero intentando inferir información de las entradas.
Nivel de Bóveda de Claves (Key Vault): Gestiona la distribución de las claves públicas y de evaluación, manteniendo aislada la clave secreta.

Los componentes técnicos clave incluyen:

Arquitectura compatible con HE: Las funciones de activación no lineales (ReLU, Sigmoid) se reemplazan con aproximaciones polinómicas de minimax de Chebyshev de grado 5. Las capas MaxPool se sustituyen por pooling promedio con saltos (strided average pooling), y la Normalización por Lotes (Batch Normalization) se absorbe en los pesos lineales durante el preprocesamiento.
Pipeline de Inferencia Optimizado: El marco utiliza empaquetado de lotes de texto cifrado SIMD (slot packing) para procesar múltiples muestras simultáneamente dentro de un solo texto cifrado. Emplea una estrategia de bootstrapping perezoso adaptativo, invocando operaciones de bootstrapping costosas solo cuando la profundidad de la cadena de módulos cae por debajo de un umbral específico, reduciendo así la latencia.
Modelo de Seguridad: El sistema opera bajo el modelo de seguridad IND-CPA, fundamentado en la dureza del problema Learning With Errors en Anillos (RLWE), proporcionando resistencia contra ataques de inferencia, inversión de modelo e inferencia de membresía.

Contribuciones Clave

Marco Unificado: HE-CloudML se presenta como el primer marco que integra la inferencia de redes neuronales profundas basada en CKKS, el empaquetado de lotes de texto cifrado adaptativo y la gestión de claves nativa de la nube en una única arquitectura escalable.
Estrategias de Optimización: El artículo introduce un pipeline específico que combina aproximaciones de activación polinómica y cambio de módulo adaptativo, reduciendo significativamente la profundidad de evaluación homomórfica y la latencia en comparación con trabajos previos.
Análisis de Seguridad Formal: Se proporciona un análisis de seguridad riguroso bajo el modelo IND-CPA, demostrando la resistencia teórica contra ataques comunes de ML en la nube sin depender de hardware confiable.
Validación Multidominio: A diferencia de trabajos anteriores limitados a conjuntos de datos de prueba, HE-CloudML es evaluado en tres dominios distintos: clasificación de imágenes de referencia (MNIST, CIFAR-10), imágenes médicas (radiografía de tórax) y detección de fraude financiero (IEEE-CIS).

Resultados Experimentales
Los experimentos se realizaron en un servidor AMD EPYC 7742 utilizando la biblioteca Microsoft SEAL (CKKS, $N=2^{14}$ , seguridad de 128 bits).

Precisión: HE-CloudML logró una precisión cercana a la del texto plano en todos los dominios con una degradación mínima:
- MNIST: 99.28% (caída de 0.13% respecto al baseline).
- CIFAR-10: 90.37% (caída de 1.81%).
- Imágenes Médicas: 93.61% (caída de 1.12%).
- Fraude Financiero: 96.44% (caída de 1.18%).
- Esto representa una mejora significativa respecto a los baselines como CryptoNets (77.60% en CIFAR-10) y PPCNN.
Latencia: El marco demostró aceleraciones sustanciales. En MNIST, logró 9.3 segundos por muestra, una mejora de 26.9× sobre CryptoNets (250s) y una mejora de 2.4× sobre GAZELLE.
Sobrecarga: El sistema incurre en una huella de memoria de 4.8 GB por paso de inferencia y una relación de expansión de texto cifrado de aproximadamente 1,050×. La caída máxima de precisión observada fue de 1.81%.
Estudio de Ablación: Los autores encontraron que un grado polinómico de 5 ofrecía el equilibrio óptimo entre precisión y profundidad multiplicativa; aumentar el grado más allá de 5 producía retornos de precisión decrecientes mientras incrementaba significativamente el costo computacional.

Significancia y Reivindicaciones
El artículo afirma que HE-CloudML aborda una brecha crítica en la literatura al proporcionar un marco de propósito general y nativo de la nube que soporta simultáneamente la inferencia de redes neuronales profundas, el cifrado CKKS y la evaluación en múltiples dominios del mundo real. Los autores sostienen que este trabajo demuestra que se pueden lograr simultáneamente fuertes garantías de privacidad, alta utilidad de inferencia y viabilidad computacional en una sola arquitectura. Al validar el marco en los sectores de salud y finanzas, el artículo argumenta que HE-CloudML permite a las industrias sensibles a la privacidad adoptar la IA basada en la nube sin comprometer el cumplimiento regulatorio (por ejemplo, HIPAA, GDPR) o la soberanía de los datos.

Limitaciones y Trabajo Futuro
Los autores reconocen modestamente las limitaciones actuales:

Latencia: Los tiempos de inferencia (9.3–24.6 segundos) siguen siendo demasiado altos para aplicaciones interactivas en tiempo real.
Restricciones de Recursos: La alta sobrecarga de memoria (4.8 GB) limita la escalabilidad en dispositivos de borde (edge) y el manejo de sesiones concurrentes.
Modelo de Adversario: El marco actualmente solo defiende contra adversarios semi-honestos, no contra maliciosos.
Modalidad de Datos: La evaluación se limita a datos 2D y estructurados, excluyendo imágenes 3D complejas o fusión multimodal.

Las direcciones futuras propuestas por los autores incluyen la integración de librerías de HE aceleradas por GPU, el empleo de entrenamiento consciente de la cuantización (quantization-aware training) para reducir los requisitos de precisión, y la extensión del marco para soportar computación verificable (SNARKs) para la resistencia contra adversarios maliciosos.