Federated Learning Framework with Differential Privacy over Homomorphic Vector Encryption for Data-Sensitive Applications
यह शोध पत्र एक हल्का और सुरक्षित फेडरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो IoMT जैसे डेटा-संवेदनशील अनुप्रयोगों को रिवर्स-इंजीनियरिंग हमलों से बचाने के लिए डिफरेंशियल प्राइवेसी को होमोमॉर्फिक वेक्टर एन्क्रिप्शन के साथ एकीकृत करता है और साथ ही इससे जुड़े भविष्य कहनेवाला (प्रेडिक्टिव) और क्रिप्टोग्राफिक ओवरहेड्स को मापता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक डिजिटल दुनिया में, आर्टिफिशियल इंटेलिजेंस स्वास्थ्य सेवा, वित्त और दैनिक जीवन में निर्णय लेने वाली एक शांत शक्ति बन गया है। प्रभावी ढंग से सीखने के लिए, इन प्रणालियों को पारंपरिक रूप से डेटा की विशाल मात्रा की आवश्यकता होती है, जो अक्सर लाखों उपयोगकर्ताओं की व्यक्तिगत जानकारी को एक केंद्रीय गोदाम (सेंट्रल वेयरहाउस) में खींच लेती है। यह दृष्टिकोण एक महत्वपूर्ण जोखिम पैदा करता है: यदि वह केंद्रीय गोदाम हैक हो जाता है, तो व्यक्तियों के निजी विवरण उजागर हो सकते हैं। इसे हल करने के लिए, शोधकर्ताओं ने 'फेडरेटेड लर्निंग' नामक एक विधि विकसित की। डेटा को केंद्रीय कंप्यूटर तक ले जाने के बजाय, कंप्यूटर मॉडल डेटा के पास जाता है। प्रत्येक उपकरण, जैसे कि स्मार्टफोन या मेडिकल सेंसर, अपनी निजी जानकारी का उपयोग करके स्थानीय रूप से मॉडल को प्रशिक्षित करता है और केवल सीखे गए सुधारों को वापस केंद्रीय सर्वर पर भेजता है। कच्चा डेटा कभी भी उपकरण को नहीं छोड़ता है। हालाँकि, इन सुधारों को भी कभी-कभी एक जिज्ञासु पर्यवेक्षक द्वारा मूल डेटा को प्रकट करने के लिए रिवर्स-इंजीनियर किया जा सकता है, जिससे सबसे संवेदनशील अनुप्रयोगों के लिए सुरक्षा में एक कमी रह जाती है।
शोधकर्ताओं की एक टीम ने एक नया ढांचा (फ्रेमवर्क) प्रस्तावित किया है जिसे इस अंतर को भरने के लिए डिज़ाइन किया गया है, विशेष रूप से उन वातावरणों के लिए जहाँ डेटा अत्यधिक गोपनीय होता है, जैसे कि मेडिकल रिकॉर्ड या वित्तीय विवरण। उनका समाधान, जिसका नाम Fed-DHVE है, दो अलग-अलग सुरक्षा परतों को जोड़ता है ताकि यह सुनिश्चित किया जा सके कि न तो केंद्रीय सर्वर और न ही कोई बाहरी जासूस यह देख सके कि किसी एकल उपयोगकर्ता ने क्या योगदान दिया है। पहली परत अपडेट भेजने से पहले उनमें गणना की गई मात्रा में यादृच्छिक शोर (रैंडम नॉइज़) जोड़ती है। 'डिफरेंशियल प्रिवेसी' के रूप में जानी जाने वाली यह तकनीक यह सुनिश्चित करती है कि किसी एक व्यक्ति के डेटा की उपस्थिति या अनुपस्थिति अंतिम परिणाम को उल्लेखनीय रूप से नहीं बदलती है, जो प्रभावी रूप से अपडेट और व्यक्ति के बीच के संबंध को धुंधला कर देती है। दूसरी परत इन शोर वाले अपडेट को एक विशेष गणितीय प्रणाली का उपयोग करके एन्क्रिप्ट करती है जो सर्वर को उन्हें अनलॉक किए बिना या व्यक्तिगत टुकड़ों को देखे बिना संयोजित करने की अनुमति देती है। वैश्विक मॉडल को बेहतर बनाने के लिए केवल अंतिम, संयुक्त परिणाम को ही डिक्रिप्ट किया जाता है।
शोधकर्ताओं ने छवियों को पहचानने के लिए एक हजार उपकरणों के नेटवर्क का अनुकरण (सिमुलेशन) करके इस प्रणाली का परीक्षण किया, जो कि आर्टिफिशियल इंटेलिजेंस के लिए एक सामान्य कार्य है। उन्होंने अपने नए ढांचे की तुलना मानक तरीकों और अन्य मौजूदा सुरक्षा तकनीकों से की। परिणामों ने दिखाया कि सिस्टम ने व्यक्तिगत योगदान को छिपाते हुए सटीक मॉडल को सफलतापूर्वक प्रशिक्षित किया। चार अलग-अलग इमेज डेटासेट्स पर, ढांचे ने लगभग 94 प्रतिशत से लेकर लगभग 98 प्रतिशत तक उच्च स्तर की सटीकता प्राप्त की। हालांकि यह एक मानक, असुरक्षित प्रणाली से थोड़ा कम था, लेकिन यह गिरावट अपेक्षित थी और यह मजबूत गोपनीयता प्राप्त करने के लिए एक जानबूझकर किया गया समझौता (ट्रेड-ऑफ) है। सिस्टम ने जटिल एन्क्रिप्शन और डिक्रिप्शन चरणों को करने के लिए आवश्यक समय को भी मापा, जिसमें पाया गया कि अपडेट को एन्क्रिप्ट करने में दो सेकंड से थोड़ा अधिक समय लगा और अंतिम संयुक्त परिणाम को डिक्रिप्ट करने में एक सेकंड से भी कम समय लगा।
अध्ययन इस बात पर प्रकाश डालता है कि हालांकि यह प्रणाली इस सिम्युलेटेड वातावरण में अच्छी तरह से काम करती है, लेकिन यह अभी भी हर संभावित खतरे के लिए पूर्ण समाधान नहीं है। शोधकर्ताओं ने स्पष्ट रूप से उल्लेख किया कि उनका वर्तमान सेटअप उस सर्वर के विरुद्ध सुरक्षा करता है जो नियमों का पालन करता है लेकिन डेटा से सीखने की कोशिश करता है, और बाहरी सुनने वालों के विरुद्ध भी, लेकिन यह उन हमलों को संबोधित नहीं करता है जहाँ एक उपयोगकर्ता मॉडल को 'पॉइजन' (जहरीला) करने या सिस्टम को धोखा देने की कोशिश कर सकता है। इसके अलावा, अध्ययन में यह परीक्षण शामिल नहीं था कि क्या कोई हमलावर अभी भी शोर वाले, एन्क्रिप्टेड डेटा से मूल छवियों को पुनर्गठित कर सकता है, और न ही इसने पूरी प्रक्रिया के लिए एक सटीक गणितीय गोपनीयता स्कोर की गणना की। इन्हें सत्यापन के लिए आवश्यक अगले चरणों के रूप में पहचाना गया है। यह कार्य प्रदर्शित करता है कि संसाधन-सीमित सेटिंग्स में डेटा की सुरक्षा के लिए इन दो सुरक्षा विधियों को एक साथ जोड़ना संभव है, जो इंटरनेट ऑफ मेडिकल थिंग्स (IoMT) जैसे संवेदनशील अनुप्रयोगों के लिए एक स्थिर मार्ग प्रदान करता है, जहाँ डेटा लीक होने की लागत को अनदेखा करना बहुत महंगा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।