Aprendizado Profundo Colaborativo: Aplicações de Aprendizado de Máquina em Criptografia

No domínio do aprendizado profundo, há casos em que os dados de uma única fonte são insuficientes para treinar um modelo. Isso levou a um crescente interesse entre os proprietários de dados em não apenas utilizar seus próprios dados, mas também incorporar dados de outras fontes. Uma abordagem para facilitar isso é usar um modelo baseado em nuvem que pode aprender a partir de várias fontes de dados. No entanto, uma preocupação chave é a proteção de informações sensíveis. 

Isso deu origem ao conceito de aprendizado profundo colaborativo, que gira em torno de duas estratégias principais: compartilhar dados de treinamento criptografados e compartilhar gradientes criptografados. O princípio geral aqui é o uso de criptografia totalmente homomórfica para garantir que todos os dados, incluindo aqueles usados para operações na nuvem, permaneçam criptografados durante todo o processo de aprendizado.

Compartilhamento de dados criptografados para garantir a privacidade

Existem abordagens inovadoras para garantir a privacidade durante o aprendizado profundo colaborativo. Um desses métodos envolve tanto os proprietários de dados quanto um sistema baseado em nuvem. Veja como funciona:

1. Os proprietários de dados criam chaves públicas, chaves secretas e chaves de avaliação. Em seguida, eles criptografam seus dados (como dados de treinamento e alvos desejados) usando suas chaves públicas e encaminham esses dados criptografados para a nuvem.
2. A nuvem, ao receber esses dados criptografados, prossegue com o treinamento do modelo usando as chaves públicas e de avaliação fornecidas pelos proprietários de dados.
3. Depois que o processo de aprendizado atualiza os pesos criptografados, a nuvem retorna esses pesos criptografados aos respectivos proprietários de dados.
4. Finalmente, os proprietários de dados descriptografam colaborativamente os dados recebidos para obter os pesos atualizados individuais. Esse processo de descriptografia utiliza técnicas de computação multipartidária segura.

Outro método mais complexo foi proposto para eliminar a necessidade de os proprietários de dados se comunicarem durante o processo de descriptografia. Isso envolve uma entidade adicional, um centro autorizado (AU), e emprega uma combinação de técnicas de dupla criptografia e criptografia totalmente homomórfica de múltiplas chaves. Os passos são:

1. Os proprietários de dados criam suas chaves públicas e secretas e criptografam seus dados, que são então enviados para a nuvem. O AU também retém uma cópia das chaves secretas dos proprietários de dados.
2. A nuvem, após receber os dados criptografados, mas sem as chaves de avaliação, introduz ruído nos dados e os encaminha para o AU.
3. O AU descriptografa esses dados usando as chaves secretas dos proprietários de dados e os recriptografa com uma única chave pública antes de enviá-los de volta para a nuvem.
4. A nuvem agora pode calcular os pesos criptografados e atualizados usando esses dados uniformemente criptografados. Uma vez concluído, os resultados são enviados ao AU para recriptografia usando as chaves públicas individuais dos proprietários de dados.
5. Cada proprietário de dados recebe então seus respectivos resultados, que podem descriptografar usando suas chaves secretas.

Este sistema demonstrou manter a segurança semântica, desde que o sistema de chave pública em uso também seja semanticamente seguro. Além disso, a privacidade dos parâmetros de aprendizado profundo, como os pesos, permanece intacta desde que a nuvem e o AU não conespirem.

Em avanços recentes, houve melhorias no método básico ao introduzir criptografia totalmente homomórfica de múltiplos esquemas. Isso permite que os proprietários de dados empreguem diversos esquemas de criptografia ao participar do aprendizado profundo colaborativo. Além disso, houve melhorias na precisão de certas funções de ativação e um aumento na precisão geral e na velocidade das tarefas de classificação em comparação com métodos anteriores.

Aprendizado Profundo Colaborativo com Gradientes Criptografados

Uma abordagem inovadora no campo do aprendizado profundo colaborativo envolve o uso de criptografia homomórfica aditiva. Este método foi desenvolvido como uma melhoria em relação às técnicas anteriores que utilizavam a descida de gradiente estocástica assíncrona (ASGD) como método de aprendizado. Essa abordagem anterior era denominada “ASGD seletiva de gradientes” porque permitia que cada proprietário de dados decidisse quais gradientes compartilhar globalmente, garantindo sua privacidade. 

Havia também um método adicional que incorporava privacidade diferencial introduzindo ruído de Laplace nos gradientes. Apesar dessas medidas, demonstrou-se que ainda havia um potencial de vazamento de dados sensíveis dos proprietários, mesmo que os valores dos gradientes sofressem pequenas modificações.

No método aprimorado usando ASGD, o processo pode ser descrito como:

1. Os proprietários de dados recuperam o peso criptografado da nuvem, descriptografando-o com sua chave secreta.
2. Usando o peso global e seus dados de treinamento, o proprietário de dados calcula o gradiente dentro de seu modelo de aprendizado profundo.
3. Este gradiente, após ser multiplicado pela taxa de aprendizado, é criptografado usando a chave secreta do proprietário de dados e então enviado de volta para a nuvem.
4. A nuvem atualiza então o peso global usando os dados criptografados dos proprietários de dados, sendo a operação limitada à adição.
5. Um destaque significativo deste método é sua robustez contra possíveis vazamentos de gradientes. A nuvem, mesmo que opere com intenções curiosas, não pode acessar as informações do gradiente. Além disso, quando o proprietário de dados descriptografa os resultados da nuvem, o resultado se alinha perfeitamente com o que seria esperado se as operações da nuvem fossem conduzidas em um gradiente não criptografado.

Implicações de Segurança do Aprendizado de Máquina em Criptografia

A integração do aprendizado de máquina na criptografia levantou várias preocupações de segurança. Nesta seção, apresentamos um breve resumo das principais descobertas relacionadas a este tópico nos tempos recentes.

Segurança de Aprendizado de Máquina: Um estudo de 2006 mergulhou na questão de se o aprendizado de máquina pode realmente ser seguro. Esta pesquisa introduziu uma classificação de vários tipos de ataques a sistemas e técnicas de aprendizado de máquina. Além disso, apresentou defesas contra esses ataques e forneceu um modelo analítico ilustrando os esforços do atacante.

Taxonomia Expandida de Ataques: Construindo sobre seu trabalho anterior, um estudo subsequente expandiu a classificação de ataques. Esta pesquisa detalhou como diferentes classes de ataques impactam os custos para o atacante e o defensor. Também forneceu uma revisão abrangente de ataques a sistemas de aprendizado de máquina, usando o filtro de spam estatístico SpamBayes como estudo de caso.

Ataques de Evitação: Um estudo de 2013 introduziu o conceito de ataques de evitação. Embora apresentem semelhanças com ataques de integridade exploratória, os ataques de evitação focam em introduzir dados adversários nos dados de treinamento de sistemas baseados em aprendizado de máquina. A pesquisa enfatizou a importância de avaliar minuciosamente a resistência do aprendizado de máquina a dados adversários.

Explorando Classificadores de Aprendizado de Máquina: Outro estudo de 2013 destacou um método pelo qual classificadores de aprendizado de máquina poderiam ser manipulados para revelar informações. Esta pesquisa centrava-se na divulgação não intencional ou intencional de informações estatísticas de classificadores de aprendizado de máquina. Um meta-classificador único foi desenvolvido, treinado para hackear outros classificadores e extrair informações valiosas sobre seus conjuntos de treinamento. Tais ataques poderiam ser usados para criar classificadores superiores ou para extrair segredos comerciais, infringindo direitos de propriedade intelectual.

Comportamento Adversário: Os adversários podem potencialmente contornar abordagens de aprendizado alterando seu comportamento em resposta a esses métodos. Houve exploração limitada de técnicas de aprendizado que podem resistir a ataques com robustez garantida. Um workshop intitulado “Métodos de Aprendizado de Máquina para Segurança de Computadores” foi organizado para fomentar discussões entre especialistas em segurança de computadores e aprendizado de máquina. O workshop identificou várias prioridades de pesquisa, desde aplicações tradicionais de aprendizado de máquina em segurança até desafios de aprendizado seguro e a criação de novos métodos formais com segurança garantida.

Além da Segurança Tradicional de Computadores: O workshop também identificou aplicações potenciais além do reino convencional da segurança de computadores. Essas aplicações, onde as preocupações de segurança podem surgir em relação a métodos orientados por dados, incluem spam em redes sociais, detecção de plágio, identificação de autoria, aplicação de direitos autorais, visão computacional (especialmente biometria) e análise de sentimento.

Segurança e Privacidade no Aprendizado de Máquina: Um estudo de 2016 forneceu uma análise aprofundada das preocupações de segurança e privacidade no aprendizado de máquina. Introduziu um modelo de ameaça detalhado para aprendizado de máquina, categorizando ataques e defesas dentro de um framework adversário. Os ambientes adversários para treinamento foram divididos em duas categorias principais: aqueles que visam a privacidade e aqueles que visam a integridade. A inferência em ambientes adversários também foi categorizada em adversários de caixa branca e caixa preta. O estudo concluiu discutindo o caminho para alcançar um modelo de aprendizado de máquina robusto, privado e responsável.

Progresso Passado do Aprendizado de Máquina na Criptoanálise

O aprendizado de máquina tem sido cada vez mais integrado ao campo da criptoanálise, especialmente no aprimoramento das capacidades de ataques de canal lateral. Aqui está uma visão concisa de suas aplicações:

Incorporação Inicial do Aprendizado de Máquina: Uma das primeiras incursões neste domínio envolveu o uso do algoritmo de aprendizado Least Squares Support Vector Machine (LS-SVM). Este método visava a implementação de software do Padrão de Criptografia Avançada (AES) usando o consumo de energia como canal lateral. As descobertas destacaram o papel crucial dos parâmetros do algoritmo de aprendizado de máquina nos resultados.

Melhorando a Precisão: Uma abordagem subsequente defendeu o uso de aprendizado de máquina para aumentar a precisão de ataques de canal lateral. Como esses ataques são baseados nas métricas físicas das implementações de hardware de sistemas criptográficos, eles frequentemente se baseiam em certas suposições paramétricas. A introdução do aprendizado de máquina oferece uma maneira de aliviar essas suposições, especialmente ao lidar com vetores de recursos de alta dimensão.

Redes Neurais na Criptoanálise: Outro método inovador empregou uma rede neural para criptoanálise. Esta estratégia treinou a rede neural para descriptografar cifras sem a chave de criptografia, levando a uma redução notável no tempo e nos pares de texto claro-cifrado conhecidos necessários para certos padrões de criptografia.

Expandindo o Trabalho Anterior: Construindo sobre a abordagem de rede neural mencionada anteriormente, outro estudo visou um cipher leve. O foco mudou para descobrir a chave em vez do texto claro. A eficiência da rede neural foi testada em versões de rodadas reduzidas e completas do cipher, ajustando as configurações da rede para maximizar a precisão.

Analisando Tráfego Criptografado: Um estudo diferente mergulhou na análise do tráfego de rede criptografado em dispositivos móveis. O objetivo era discernir as ações do usuário a partir de dados criptografados. Ao monitorar passivamente o tráfego criptografado e aplicar técnicas avançadas de aprendizado de máquina, eles puderam deduzir as ações do usuário com uma impressionante taxa de precisão.

Aprendizado Profundo em Ataques de Canal Lateral: O aprendizado profundo foi explorado para refinar ataques de canal lateral. O objetivo era desenvolver técnicas de perfilamento sofisticadas para minimizar suposições em ataques de modelo. Ao aplicar o aprendizado profundo, resultados mais precisos foram alcançados em ataques de canal lateral em certos padrões de criptografia.

Contrariando Ataques de Aprendizado de Máquina: Uma abordagem única foi introduzida para impedir que o aprendizado de máquina fosse weaponizado contra Funções Não Clonáveis Físicas (PUFs) na autenticação leve. Este método combinou uma autenticação baseada em PUF leve com uma técnica de bloqueio, garantindo que o aprendizado de máquina não pudesse extrair com sucesso o novo par desafio-resposta.

Conclusão

A integração do aprendizado de máquina na criptografia abriu novas avenues para aprimorar a segurança e otimizar processos. Embora ofereça soluções promissoras, especialmente no aprendizado profundo colaborativo e na criptoanálise, existem preocupações de segurança inerentes que precisam ser abordadas. À medida que o campo evolui, é crucial que pesquisadores e profissionais estejam cientes das possíveis vulnerabilidades e trabalhem para criar sistemas robustos e seguros.