Onderzoekers van Microsoft hebben in samenwerking met Princeton University de snelheid van homomorfische encryptie zeer sterk vergroot.
Homomorfische encryptie is veiliger dan standaard encryptie doordat versleutelde data niet ontsleuteld hoeven te worden om ze te kunnen bewerken. Tot nu toe was het probleem echter dat het niet erg snel was.
Er was zeer veel verwerkingskracht en tijd nodig om de versleutelde data te bewerken.
IBM heeft de laatste jaren wel grote stappen gezet om het sneller te maken. Microsoft kondigt nu in een nieuwe paper aan dat het enorme snelheidswinsten heeft geboekt door homomorfische encryptie te combineren met deep learning neurale netwerken. Dat meldt The Register.
De onderzoekers hebben hiervoor CryptoNets ontwikkeld voor het verwerken van de versleutelde data. CryptoNets zijn neurale netwerken die toegepast kunnen worden op versleutelde data. Het resultaat hiervan is dat het optische herkenningssysteem 51.000 voorspellingen kan doen met een accuratesse van 99 procent. Daarbij waren vooral de voorbereidingen voor het verwerkingsproces belangrijk. De onderzoekers moeten vooraf weten hoe complex het aritmetische circuit is dat toegepast wordt op de data. Het neurale netwerk moet dan op maat gestructureerd worden en de hoeveelheden data moeten niet te groot zijn om te voorkomen dat de computer die ze moet verwerken overbelast wordt.
De onderzoekers denken dat de resultaten bruikbaar zijn voor een soort machine-learning-as-a-service concept of voor gespecialiseerde toepassingen voor medische of financiƫle voorspellingen waarbij vertrouwelijke data niet langer ontsleuteld hoeven te worden voor bewerking.
Automatiseringgids