💻 computer science

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

Dit artikel introduceert HE-CloudML, een privacy-bewarend framework dat veilige en efficiënte inferentie van diepe neurale netwerken op versleutelde cloudgegevens mogelijk maakt met behulp van Homomorfe Encryptie, waarbij een nauwkeurigheid die bijna gelijk is aan die van onversleutelde gegevens wordt bereikt met significante verbeteringen in latentie ten opzichte van bestaande oplossingen, terwijl een robuuste weerstand tegen diverse privacy-aanvallen wordt gewaarborgd.

Oorspronkelijke auteurs: Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi

Gepubliceerd 2026-06-25

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer gevoelig geheim hebt, zoals je medische dossiers of je bankgegevens. Je wilt een superintelligente computer (een cloudserver) vragen om deze gegevens te analyseren en je een antwoord te geven, maar je bent doodsbang dat de computer in je gegevens kan gluren terwijl hij ermee bezig is.

Normaal gesproken moet je je gegevens in het volle zicht overhandigen om een antwoord te krijgen. HE-CloudML is een nieuwe uitvinding die de regels van dit spel verandert. Het stelt je in staat om je gegevens naar de cloud te sturen in een vergrendelde, onbreekbare doos, de computer al het rekenwerk in de doos te laten doen zonder deze ooit te openen, en vervolgens het antwoord naar je terug te sturen, nog steeds vergrendeld in een doos. Jij bent de enige met de sleutel om het uiteindelijke resultaat te ontgrendelen.

Hier is hoe het artikel deze magie uitlegt, onderverdeeld in eenvoudige concepten:

1. De "Magische Doos" (Homomorfe Encryptie)

Beschouw Homomorfe Encryptie als een magische handschoenenkast.

Het Probleem: Normaal gesproken, als je wilt dat een robot je post sorteert, moet je de brieven uit de enveloppen halen. Als de robot onbetrouwbaar is, kan hij je brieven lezen.
De Oplossing: Met HE-CloudML plaats je je brieven in een speciale, transparante maar onbreekbare handschoenenkast. De robot kan de doos schudden, de brieven door elkaar mengen en zelfs tellen, terwijl ze nog steeds in de doos zitten. Hij ziet de brieven nooit. Wanneer hij klaar is, geeft hij de doos aan jou terug. Jij opent de doos, en de brieven zijn perfect gesorteerd.

2. Het Drieluik-Team

Het artikel beschrijft dit systeem als een drieledig team dat samenwerkt:

De Cliënt (Jij): Jij bent degene die de geheime sleutel vasthoudt. Je doet je gegevens in de doos en vergrendelt deze. Jij bent de enige die de uiteindelijke antwoord kan openen.
De Cloud Server (De Werker): Dit is de krachtige computer in de cloud. Het doet al het zware werk en de complexe wiskunde, maar het raakt alleen de vergrendelde dozen aan. Het is "eerlijk maar nieuwsgierig"—het volgt de regels perfect op, maar probeert zijn best te doen om te raden wat er in de dozen zit. Het artikel beweert dat het absoluut niets leert.
De Key Vault: Dit is een veilige opslagplaats die de sleutels beheert. De "geheime sleutel" blijft bij jou, terwijl een speciale "werk-sleutel" aan de cloudserver wordt gegeven, zodat deze de wiskunde kan uitvoeren zonder de doos te ontgrendelen.

3. Het "Wiskundeprobleem" Oplossen (Polynoom Benaderingen)

Deep learning (de AI die het denkwerk doet) gebruikt meestal lastige, gebogen wiskundige functies (zo zoals ReLU of Sigmoid) die moeilijk uit te voeren zijn in een vergrendelde doos.

De Analogie: Stel je voor dat je een perfecte cirkel probeert te tekenen in een raster dat alleen uit rechte lijnen bestaat. Het is onmogelijk om het exact goed te krijgen.
De Oplossing: De onderzoekers gebruikten een slimme truc genaamd Chebyshev-polynomen. In plaats van te proberen de perfecte curve te tekenen, benaderden ze deze met een reeks rechte lijnen die bijna exact op de curve lijken.
Het Resultaat: De AI kan nu zijn denkwerk doen binnen de vergrendelde doos met een zeer hoge nauwkeurigheid. Het artikel heeft dit getest en vond dat de AI bijna net zo slim was als wanneer de data in het volle zicht was geweest (slechts ongeveer 1-2% minder accuraat in de slechtste gevallen).

4. De "Batching"-truc (Veel dingen tegelijk doen)

Wiskunde uitvoeren op één vergrendelde doos tegelijk is traag.

De Analogie: Stel je een postbode voor die slechts één brief tegelijk kan dragen. Het zou eeuwen duren om 1.000 brieven te bezorgen.
De Oplossing: HE-CloudML gebruikt een techniek genaamd Ciphertext Batching. Het verpakt honderden verschillende gegevenspunten in een enkele vergrendelde doos. De cloudserver voert de wiskunde op al deze punten tegelijkertijd uit, als een lopende band die een hele plaat koekjes verwerkt in plaats van één voor één. Dit maakt het systeem veel sneller.

5. Wat Hebben Ze Getest?

De auteurs hebben dit niet alleen in theorie gebouwd; ze hebben het getest op drie zeer verschillende soorten real-world data om te bewijzen dat het overal werkt:

Herkennen van cijfers (MNIST): Het identificeren van handgeschreven nummers.
Herkennen van objecten (CIFAR-10): Het identificeren van zaken zoals auto's, katten en vliegtuigen in foto's.
Medische Beeldvorming: Het kijken naar borstfoto's (X-rays) om longontsteking op te sporen.
Financiële Fraude: Het controleren van banktransacties om oplichting op te sporen.

6. De Resultaten: Snel en Privé

Nauwkeurigheid: Het systeem was ongelooflijk accuraat. Het identificeerde bijvoorbeeld longontsteking in röntgenfoto's met 93,61% nauwkeurigheid en betrapte financiële fraude met 96,44% nauwkeurigheid. Dit komt heel dicht in de buurt van wat je krijgt wanneer je de data in het volle zicht gebruikt.
Snelheid: In het verleden duurde het doen van dit soort wiskunde op vergrendelde data minuten of zelfs uren per item. Het artikel beweert dat HE-CloudML 26,9 keer sneller is dan eerdere methoden. Het kan een afbeelding verwerken in ongeveer 9 tot 24 seconden, wat een enorme verbetering is, hoewel de auteurs toegeven dat het nog steeds te langzaam is voor zaken die direct moeten gebeuren (zoals een live videogesprek).

7. De Addertjes (Beperkingen)

Het artikel is eerlijk over de nadelen:

Grootte: De "vergrendelde dozen" zijn enorm. De gegevens worden ongeveer 1.000 keer groter dan hun oorspronkelijke omvang. Dit vereist veel computergeheugen (ongeveer 4,8 GB per taak).
Snelheid: Hoewel het 26x sneller is dan oude methoden, is het nog steeds langzamer dan wanneer je de gegevens normaal bekijkt. Je kunt het niet gebruiken voor zaken die in een fractie van een seconde moeten gebeuren (zoals een live videocall).
Vertrouwensmodel: Het gaat ervan uit dat de cloudserver de regels zal volgen (hij zal niet proberen de doos te breken of te bedriegen). Het beschermt niet tegen een server die actief probeert het proces te saboteren.

Samenvatting

HE-CloudML is een nieuw framework waarmee je krachtige cloud-AI kunt gebruiken om je meest gevoelige gegevens (medisch, financieel, persoonlijk) te analyseren zonder de cloudprovider ooit de ruwe gegevens te laten zien. Het gebruikt een "magische doos" encryptiemethode, slimme wiskundige trucs om complexe curven te benaderen, en een "batching"-systeem om de snelheid te verhogen. Het artikel beweert dat dit het eerste systeem is dat dit succesvol kan doen over medische, financiële en algemene beeldherkenningstaken met een hoge nauwkeurigheid, waardoor privé cloud computing een veel realistischere mogelijkheid wordt.

Technische Samenvatting: HE-CloudML

Probleemstelling
De brede adoptie van Machine Learning as a Service (MLaaS) creëert kritieke privacykwetsbaarheden, aangezien gevoelige gebruikersgegevens (bijv. medische dossiers, financiële transacties) doorgaans in klare tekst naar onbetrouwbare cloudservers moeten worden verzonden voor inferentie. Bestaande privacy-beschermende technieken hebben significante beperkingen: Differential Privacy (DP) verslechtert de nauwkeurigheid van het model; Federated Learning (FL) blijft kwetsbaar voor gradiëntinversie en beschermt gegevens niet tijdens de inferentie; Secure Multi-Party Computation (SMPC) brengt een hoge communicatieoverhead met zich mee; en Trusted Execution Environments (TEEs) vertrouwen op hardwarematige vertrouwensaannames. Hoewel Homomorfe Encryptie (HE) een wiskundig rigoureuze oplossing biedt door berekeningen op cijfertekst mogelijk te maken, zijn bestaande HE-gebaseerde inferentiesystemen (bijv. CryptoNets, CryptoDL) vaak beperkt tot ondiepe architecturen, missen zij ondersteuning voor diepe neurale netwerken (DNN's) met bootstrapping, pakken zij cloud-native implementatieuitdagingen (zoals sleutelbeheer en batching) niet aan, en worden zij zelden gevalideerd over diverse reële domeinen zoals de gezondheidszorg en de financiële sector.

Methodologie
Het artikel stelt HE-CloudML voor, een verenigd, drielags framework dat is ontworpen voor beveiligde DNN-inferentie over versleutelde cloudgegevens met behulp van het CKKS (Cheon-Kim-Kim-Song) homomorfe encryptieschema. De architectuur bestaat uit:

Client-tier: Verwerkt gegevenscodering, CKKS-encryptie en decryptie. De client behoudt de geheime sleutel, waardoor wordt gegarandeerd dat ruwe gegevens nooit worden blootgesteld.
Cloud Server-tier: Voert de inferentie-engine volledig uit op cijferteksten. Er wordt aangenomen dat deze "honest-but-curious" is, wat betekent dat het protocol correct wordt gevolgd, maar probeert informatie uit de inputs af te leiden.
Key Vault-tier: Beheert de distributie van publieke en evaluatiesleutels terwijl de geheime sleutel geïsoleerd blijft.

Belangrijke technische componenten zijn:

HE-Compatibele Architectuur: Niet-lineaire activatiefuncties (ReLU, Sigmoid) worden vervangen door graad-5 Chebyshev minimax polynoom-approximaties. MaxPool-lagen worden vervangen door strided average pooling, en Batch Normalization wordt tijdens de preprocessing geabsorbeerd in lineaire gewichten.
Geoptimaliseerde Inferentie-pipeline: Het framework maakt gebruik van SIMD ciphertext batching (slot packing) om meerdere samples gelijktijdig te verwerken binnen een enkele ciphertext. Het hanteert een adaptieve lazy bootstrapping strategie, waarbij dure bootstrapping-operaties alleen worden aangeroepen wanneer de modulus chain depth onder een specifieke drempelwaarde valt, waardoor de latentie wordt verminderd.
Beveiligingsmodel: Het systeem opereert onder het IND-CPA beveiligingsmodel, gebaseerd op de Ring Learning With Errors (RLWE) hardheid-aanname, wat weerstand biedt tegen inferentie-, modelinversie- en membership-inferentie-aanvallen.

Belangrijkste Bijdragen

Verenigd Framework: HE-CloudML wordt gepresenteerd als het eerste framework dat CKKS-gebaseerde diepe neurale netwerk-inferentie, adaptieve ciphertext batching en cloud-native sleutelbeheer integreert in een enkel schaalbaar framework.
Optimalisatiestrategieën: Het artikel introduceert een specifieke pipeline die polynoom-activatie-approximaties combineert met adaptieve modulus switching, wat de homomorfe evaluatiediepte en latentie aanzienlijk vermindert vergeleken met eerdere werken.
Formele Beveiligingsanalyse: Een rigoureuze beveiligingsanalyse wordt verstrekt onder het IND-CPA model, wat theoretische weerstand demonstreert tegen veelvoorkomende cloud ML-aanvallen zonder afhankelijk te zijn van vertrouwde hardware.
Validatie in Meerdere Domeinen: In tegen tegenstelling tot eerdere werken die beperkt waren tot toy-datasets, wordt HE-CloudML geëvalueerd over drie verschillende domeinen: benchmark beeldclassificatie (MNIST, CIFAR-10), medische beeldvorming (borstfoto/chest X-ray) en detectie van financiële fraude (IEEE-CIS).

Experimentele Resultaten
Experimenten werden uitgevoerd op een AMD EPYC 7742 server met de Microsoft SEAL-bibliotheek (CKKS, $N=2^{14}$ , 128-bit beveiliging).

Nauwkeurigheid: HE-CloudML bereikte een bijna-plaintext nauwkeurigheid over alle domeinen met minimale degradatie:
- MNIST: 99,28% (0,13% daling ten opzichte van de baseline).
- CIFAR-10: 90,37% (1,81% daling).
- Medische Beeldvorming: 93,61% (1,12% daling).
- Financiële Fraude: 96,44% (1,18% daling).
- Dit vertegenwoordigt een significante verbetering ten opzichte van baselines zoals CryptoNets (77,60% op CIFAR-10) en PPCNN.
Latentie: Het framework demonstreerde substantiële versnellingen. Op MNIST bereikte het 9,3 seconden per sample, een 26,9× verbetering ten opzichte van CryptoNets (250s) en een 2,4× verbetering ten opzichte van GAZELLE.
Overhead: Het systeem brengt een geheugengebruik van 4,8 GB per inferentie-pass met zich mee en een ciphertext expansieratio van ongeveer 1.050×. De maximale waargenomen nauwkeurigheidsdaling was 1,81%.
Ablatie-studie: De auteurs stelden vast dat een polynoomgraad van 5 de optimale balans bood tussen nauwkeurigheid en multiplicatieve diepte; het verhogen van de graad boven de 5 leverde slechts marginale verbeteringen in nauwkeurigheid op, terwijl de computationele kosten aanzienlijk toenamen.

Betekenis en Claims
Het artikel claimt dat HE-CloudML een kritiek gat in de literatuur opvult door een algemeen bruikbaar, cloud-native framework te bieden dat gelijktijdig diepe neurale netwerk-inferentie, CKKS-encryptie en evaluatie in diverse reële domeinen ondersteunt. De auteurs stellen dat dit werk aantoont dat sterke privacygaranties, hoge inferentie-utiliteit en computationele haalbaarheid simultaan kunnen worden bereikt in een enkele architectuur. Door het framework te valideren binnen de gezondheidszorg en de financiële sector, betogen de auteurs dat HE-CloudML privacygevoelige industrieën in staat stelt om cloud-gebaseerde AI te adopteren zonder de naleving van regelgeving (zoals HIPAA, GDPR) of datasoevereiniteit in gevaar te brengen.

Beperkingen en Toekomstig Werk
De auteurs erkennen bescheiden de huidige beperkingen:

Latentie: Inferentietijden (9,3–24,6 seconden) blijven te hoog voor real-time interactieve toepassingen.
Resourcebeperkingen: De hoge geheugenoverhead (4,8 GB) beperkt de schaalbaarheid op edge-apparaten en het afhandelen van gelijktijdige sessies.
Adversary Model: Het framework verdedigt momenteel alleen tegen semi-honest adversaries, niet tegen malicious adversaries.
Data-modaliteit: De evaluatie is beperkt tot 2D en gestructureerde data, en sluit complexe 3D-beeldvorming of multi-modale fusie uit.

Toekomstige richtingen die door de auteurs worden voorgesteld, omvatten het integreren van GPU-versnelde HE-bibliotheken, het toepassen van quantization-aware training om de precisie-eisen te verlagen, en het uitbreiden van het framework om ondersteuning te bieden voor verifiable computation (SNARKs) voor weerstand tegen malicious adversaries.