4、密码学与人工智能的协同进化：现状与未来展望

密码学与人工智能的协同进化：现状与未来展望

1. 密码学与神经网络方法的融合

1.1 类神经方法在密码学中的应用

类神经方法依赖于神经功能和方法论，但并非传统的神经网络（NN）。例如，有研究提出的类神经方法已以基于几何变换模型的硬件数据加密/解密系统的形式实现。这种方法为密码学提供了新的思路和技术手段。

1.2 密码学在安全神经计算中的作用

密码学除了广泛的应用外，还用于确保神经网络数据的机密性。以下是为实现这一目的而提出的不同方法：
- 加密神经网络 ：为了保护正在处理的数据隐私，提出了加密神经网络的架构。这种方法基于将某种密码（通常是同态密码）集成到神经网络的正常功能中。例如，有研究基于联邦学习（FL）提出了一个框架，通过在客户端发送计算梯度之前对其进行加密，在与其他客户端的梯度组合时进行解密，有效防止拦截。还有研究设计了具有集成AES功能的卷积神经网络（CNN）专用集成电路（ASIC），以及基于深度神经网络（DNN）处理同态加密数据的硬件解决方案。
- 支持加密的神经网络 ：许多神经网络的机密性通过内存系统受到攻击。对每个数据项在被神经网络处理之前进行加密是一种明显的解决方案，但存在显著的性能权衡。一些研究试图通过提高性能来解决这一权衡，例如提出的稀疏快速梯度加密（SFGE）方案，仅对内存中的少量权重进行加密，在不影响安全性的情况下显著降低了开销，并将其扩展到非易失性内存（NVM）的存储级别。
- 用于保护神经网络的数据加密 ：考虑到使用加密数据带来的巨大开销，有研究提出了一个用于处理同态加密数据的DNN