[et_pb_section fb_built=“1″ custom_padding_last_edited=“on|desktop“ _builder_version=“4.19.1″ _module_preset=“default“ background_position=“center_left“ custom_padding=“0rem|1rem|0rem|1rem|false|false“ custom_padding_tablet=“0rem|2rem|4rem|2rem|false|false“ custom_padding_phone=“|1rem|4rem|1rem|false|false“ hover_enabled=“0″ global_colors_info=“{}“ background_enable_image=“off“ background_color=“#1f2437″ sticky_enabled=“0″][et_pb_row _builder_version=“4.19.1″ _module_preset=“default“ width=“100%“ max_width=“1540px“ hover_enabled=“0″ sticky_enabled=“0″][et_pb_column _builder_version=“4.19.1″ _module_preset=“default“ type=“4_4″][lwp_divi_breadcrumbs _builder_version=“4.19.1″ _module_preset=“default“ link_color=“#ffffff“ separator_color=“#FFFFFF“ custom_margin_last_edited=“on|tablet“ hover_enabled=“0″ sticky_enabled=“0″ custom_margin_tablet=“0rem||||false|false“ custom_padding_last_edited=“on|phone“ custom_padding_tablet=“1rem||1rem||false|false“ custom_margin_phone=“0rem||||false|false“ custom_padding_phone=“1rem||1rem||false|false“][\/lwp_divi_breadcrumbs][\/et_pb_column][\/et_pb_row][\/et_pb_section][et_pb_section fb_built=“1″ custom_padding_last_edited=“on|phone“ _builder_version=“4.19.1″ _module_preset=“default“ custom_margin_tablet=“-5rem||||false|false“ custom_margin_phone=“-5rem||||false|false“ custom_margin_last_edited=“on|phone“ custom_padding=“|1rem||1rem|false|false“ custom_padding_tablet=“|2rem||2rem|false|false“ custom_padding_phone=“|1rem||1rem|false|false“ global_colors_info=“{}“][et_pb_row _builder_version=“4.19.1″ _module_preset=“default“ width=“100%“ max_width=“1540px“ global_colors_info=“{}“][et_pb_column type=“4_4″ _builder_version=“4.19.1″ _module_preset=“default“ global_colors_info=“{}“][et_pb_text _builder_version=“4.19.1″ _module_preset=“default“ header_3_font=“Montserrat|700|||||||“ header_3_text_color=“#1f2437″ header_3_font_size=“24px“ global_colors_info=“{}“]<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=“1_2,1_2″ make_equal=“on“ _builder_version=“4.19.1″ _module_preset=“default“ width=“100%“ max_width=“1540px“ global_colors_info=“{}“][et_pb_column type=“1_2″ _builder_version=“4.19.1″ _module_preset=“default“ global_colors_info=“{}“][et_pb_blurb title=“Herausforderung Nr. 1 – Aufbau einer effizienten symmetrischen und asymmetrischen funktionalen Verschl\u00fcsselung“ use_icon=“on“ font_icon=“9||divi||400″ icon_color=“#1f2437″ icon_placement=“left“ _builder_version=“4.19.1″ _module_preset=“default“ header_font=“Montserrat|700|||||||“ header_font_size=“20px“ body_font=“Raleway||||||||“ body_text_color=“#9b9b9b“ body_font_size=“0.9rem“ body_line_height=“1.5em“ global_colors_info=“{}“]<\/p>\n
<\/span><\/p>\n Die erste Herausforderung, die das Projekt Harpocrates in Angriff nimmt, ist die Entwicklung effizienter symmetrischer und asymmetrischer funktionaler Verschl\u00fcsselungsverfahren (FE), die eine breite Palette statistischer Funktionen unterst\u00fctzen. Die Sicherheit von FE-Schemata muss verbessert werden, indem sowohl die Abfrage des Benutzers als auch die eigentliche Berechnung der Funktionen so wenig wie m\u00f6glich verraten werden. Dazu m\u00fcssen wir sicherstellen, dass unsere funktionalen Verschl\u00fcsselungsverfahren funktionsverbergend in dem Sinne sind, dass der CSP das korrekte Ergebnis ausgibt, ohne etwas \u00fcber die berechnete Funktion zu erfahren.<\/span> <\/span>Eine weitere wichtige Herausforderung ist die Entwicklung eines Mechanismus, der es dem Benutzer erm\u00f6glicht, die Eingabe einer Funktion explizit zu spezifizieren. Beim Standardmodell der funktionalen Verschl\u00fcsselung wird die Funktion auf alle Daten der Benutzer angewendet. Dies kann jedoch in vielen F\u00e4llen \u00e4u\u00dferst problematisch sein, wenn die Funktion nicht \u00fcber einen Teil der Daten definiert ist.<\/span><\/p>\n [\/et_pb_blurb][et_pb_blurb title=“Herausforderung Nr. 2 Ineffizienzen des differenziellen Datenschutzes (DP)“ use_icon=“on“ font_icon=“9||divi||400″ icon_color=“#1f2437″ icon_placement=“left“ _builder_version=“4.19.1″ _module_preset=“default“ header_font=“Montserrat|700|||||||“ header_font_size=“20px“ body_font=“Raleway||||||||“ body_text_color=“#9b9b9b“ body_font_size=“0.9rem“ body_line_height=“1.5em“ global_colors_info=“{}“]<\/p>\n <\/span><\/p>\n Der differenzierte Datenschutz (DP) ist zwar ein leistungsf\u00e4higes Instrument zur Wahrung der Privatsph\u00e4re des Einzelnen, weist aber derzeit erhebliche M\u00e4ngel auf, die im Rahmen von HARPOCRATES behoben werden sollen. Die erste Herausforderung, die wir angehen werden, ist der Entwurf einer privaten verschl\u00fcsselten Datenbank, die ein st\u00e4rkeres Bedrohungsmodell als das in der aktuellen Literatur vorgestellte voraussetzt. Genauer gesagt, wird in den neuesten Ans\u00e4tzen die Rolle der Einbettung von gut kalibriertem Rauschen in die Chiffretexte dem CSP zugewiesen. Folglich ist die Sicherheit solcher Ans\u00e4tze nur unter der Annahme eines ehrlichen CSP gegeben. In HARPOCRATES werden wir Verfahren entwerfen, die einen b\u00f6swilligen CSP ber\u00fccksichtigen. In einem n\u00e4chsten Schritt werden wir uns auf das Problem der Minimierung des gesamten akkumulierten Rauschens nach einer Reihe von Aktualisierungen in der Datenbank konzentrieren<\/span><\/p>\n [\/et_pb_blurb][et_pb_blurb title=“Herausforderung Nr. 3 – Unzul\u00e4nglichkeiten der homomorphen Verschl\u00fcsselung (HE) “ use_icon=“on“ font_icon=“9||divi||400″ icon_color=“#1f2437″ icon_placement=“left“ _builder_version=“4.19.1″ _module_preset=“default“ header_font=“Montserrat|700|||||||“ header_font_size=“20px“ body_font=“Raleway||||||||“ body_text_color=“#9b9b9b“ body_font_size=“0.9rem“ body_line_height=“1.5em“ global_colors_info=“{}“]<\/p>\n <\/span><\/p>\n Um die Unzul\u00e4nglichkeiten der homomorphen Verschl\u00fcsselung (HE) zu umgehen, wollen wir ein hybrides homomorphes Verschl\u00fcsselungsverfahren (HHE) entwickeln, indem wir ein symmetrisches Verschl\u00fcsselungsverfahren mit HE kombinieren. Symmetrische Systeme sind jedoch nicht mit HE kompatibel, vor allem wegen ihrer gro\u00dfen multiplikativen Tiefe. Der erste Schritt unserer Forschung wird sich auf den Vergleich der Kompatibilit\u00e4t verschiedener symmetrischer Systeme mit HE konzentrieren. Daher planen wir, ein symmetrisches Verfahren zu entwickeln, das auf die Bed\u00fcrfnisse von HE zugeschnitten ist, wobei der Schwerpunkt auf der Arithmetik gro\u00dfer Ganzzahlen liegt.<\/span><\/span><\/p>\n [\/et_pb_blurb][\/et_pb_column][et_pb_column type=“1_2″ _builder_version=“4.19.1″ _module_preset=“default“ global_colors_info=“{}“][et_pb_blurb title=“Herausforderung Nr. 4 – Entwicklung von Anwendungen f\u00fcr maschinelles Lernen (ML) mit verbesserter Sicherheit und st\u00e4rkerem Datenschutz“ use_icon=“on“ font_icon=“9||divi||400″ icon_color=“#1f2437″ icon_placement=“left“ _builder_version=“4.19.1″ _module_preset=“default“ header_font=“Montserrat|700|||||||“ header_font_size=“20px“ body_font=“Raleway||||||||“ body_text_color=“#9b9b9b“ body_font_size=“0.9rem“ body_line_height=“1.5em“ global_colors_info=“{}“]<\/p>\n <\/span><\/p>\n In HARPOCRATES wollen wir sichere Multiparty Computation (MPC)-Protokolle in Kombination mit f\u00f6derierten und geteilten Lerntechniken einsetzen, um Machine Learning (ML)-Anwendungen mit verbesserter Sicherheit und st\u00e4rkeren Datenschutzgarantien zu entwickeln. Dar\u00fcber hinaus ist im Bereich der funktionalen Verschl\u00fcsselung<\/span> <\/span>(FE), und im Gegensatz zum aktuellen Stand der Technik, bei dem eine unrealistische, voll vertrauensw\u00fcrdige Partei funktionale Entschl\u00fcsselungsschl\u00fcssel erzeugt und verteilt, k\u00f6nnen MPC-Techniken den Benutzern die M\u00f6glichkeit bieten, diese Schl\u00fcssel selbst zu erzeugen und somit die Notwendigkeit einer voll vertrauensw\u00fcrdigen dritten Partei zu vermeiden. Daher werden wir in HARPOCRATES untersuchen, wie wir MPC nutzen k\u00f6nnen, um die Notwendigkeit einer vertrauensw\u00fcrdigen Beh\u00f6rde zu beseitigen.<\/span><\/p>\n [\/et_pb_blurb][et_pb_blurb title=“Herausforderung #5 Herausforderung mit datenschutzgerechtem maschinellem Lernen“ use_icon=“on“ font_icon=“9||divi||400″ icon_color=“#1f2437″ icon_placement=“left“ _builder_version=“4.19.1″ _module_preset=“default“ header_font=“Montserrat|700|||||||“ header_font_size=“20px“ body_font=“Raleway||||||||“ body_text_color=“#9b9b9b“ body_font_size=“0.9rem“ body_line_height=“1.5em“ global_colors_info=“{}“]<\/p>\n <\/span><\/p>\n Die gr\u00f6\u00dfte Herausforderung bei der Wahrung der Privatsph\u00e4re durch maschinelles Lernen (ML) besteht darin, dass homomorphe Verschl\u00fcsselungs- (HE) und funktionale Verschl\u00fcsselungsverfahren (FE) derzeit keine Unterst\u00fctzung f\u00fcr nichtlineare Funktionen bieten. Zu diesem Zweck werden wir uns darauf konzentrieren, die bestm\u00f6glichen polynomialen Approximationen f\u00fcr die in ML verwendeten Aktivierungsfunktionen zu finden. Au\u00dferdem wollen wir die M\u00f6glichkeit erforschen, datenschutzfreundliche Modelle f\u00fcr die Klassifizierung verschl\u00fcsselter Dateien (Bilder, Audiodateien und Videos) zu entwickeln – ein Problem, von dem wir glauben, dass es einen echten Unterschied machen wird, wenn es darum geht, den Endnutzern Garantien f\u00fcr ihre Privatsph\u00e4re zu geben.<\/span><\/p>\n [\/et_pb_blurb][et_pb_blurb title=“Herausforderung #6 Herausforderungen beim f\u00f6derierten Lernen“ use_icon=“on“ font_icon=“9||divi||400″ icon_color=“#1f2437″ icon_placement=“left“ _builder_version=“4.19.1″ _module_preset=“default“ header_font=“Montserrat|700|||||||“ header_font_size=“20px“ body_font=“Raleway||||||||“ body_text_color=“#9b9b9b“ body_font_size=“0.9rem“ body_line_height=“1.5em“ global_colors_info=“{}“]<\/p>\n <\/span><\/p>\n Trotz vielversprechender Aussichten f\u00fcr die Analyse von Daten in dezentralen Umgebungen und f\u00f6derierten Datenr\u00e4umen, <\/span>F\u00f6deriertes Lernen (FL) stellt in dreierlei Hinsicht eine gro\u00dfe Herausforderung dar: Datenschutz, Modellvertraulichkeit und Robustheit gegen\u00fcber byzantinischen Angriffen. In HARPOCRATES werden wir ein FL-Schema entwerfen, das bestehende Ans\u00e4tze zum Schutz des Datenschutzes (durch sichere Mehrparteien-Aggregation), der Modellvertraulichkeit (mit vertraulichen Berechnungen) und der byzantinischen Robustheit kombiniert.<\/span><\/p>\n [\/et_pb_blurb][\/et_pb_column][\/et_pb_row][\/et_pb_section][et_pb_section fb_built=“1″ custom_padding_last_edited=“on|phone“ _builder_version=“4.19.1″ _module_preset=“default“ background_image=“http:\/\/harpocrates-project.eu\/wp-content\/uploads\/2022\/12\/about-page.jpg“ background_position=“top_right“ background_horizontal_offset=“100%“ background_vertical_offset=“100%“ custom_margin_tablet=“-4rem||||false|false“ custom_margin_phone=“-4rem||||false|false“ custom_margin_last_edited=“on|tablet“ custom_padding=“|1rem||1rem|false|false“ custom_padding_tablet=“|2rem||2rem|false|false“ custom_padding_phone=“|1rem||1rem|false|false“ global_colors_info=“{}“][et_pb_row column_structure=“1_2,1_2″ make_equal=“on“ _builder_version=“4.19.1″ _module_preset=“default“ width=“100%“ max_width=“1540px“ global_colors_info=“{}“][et_pb_column type=“1_2″ _builder_version=“4.19.1″ _module_preset=“default“ global_colors_info=“{}“][et_pb_text _builder_version=“4.19.1″ _module_preset=“default“ text_font=“Raleway||||||||“ text_text_color=“#9b9b9b“ header_3_font=“Montserrat|700|||||||“ header_3_text_color=“#1f2437″ header_3_font_size=“24px“ global_colors_info=“{}“]<\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n [\/et_pb_text][\/et_pb_column][et_pb_column type=“1_2″ _builder_version=“4.19.1″ _module_preset=“default“ global_colors_info=“{}“][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"Auswirkungen<\/h3>\n
\n