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. 神经密码学与安全神经计算中的密码学应用

1.1 类神经方法的密码学应用

类神经方法依赖于神经功能和方法论，但并非使用神经网络（NN）。例如，有研究提出的类神经方法以基于几何变换模型的硬件数据加密/解密系统形式实现。

1.2 密码学在安全神经计算中的作用

1.2.1 加密神经网络

为保护正在处理的数据隐私，提出了加密神经网络的架构。这种方法是将某种密码（通常是同态密码）集成到神经网络的正常功能中。
- 基于联邦学习（FL）的框架 ：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。
- 特定集成电路（ASIC） ：研究人员设计、实现并测试了具有集成高级加密标准（AES）功能的卷积神经网络（CNN）的ASIC。
- 基于深度神经网络（DNN）的硬件解决方案 ：该系统基于处理同态加密数据的DNN。
- 仅传输加密梯度的模型 ：与基于FL的框架类似，但数据以同态方式加密，无需解密。

1.2.2 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，但会有显著的性能折衷。
- 稀疏快速梯度加密（SFGE） ：仅对内存中的少量权重进行加密，显著减少了与加密所有权重相比的开销，同时不影响安全性。