Sfide
Sfida #1 - Costruire una crittografia funzionale simmetrica e asimmetrica efficiente
La prima sfida che il progetto Harpocrates considera è come costruire efficienti schemi di crittografia funzionale (FE) simmetrica e asimmetrica per supportare un’ampia gamma di funzioni statistiche. La sicurezza degli schemi FE deve essere migliorata riducendo al minimo le perdite associate sia all’interrogazione dell’utente sia al calcolo effettivo delle funzioni. Per fare ciò, dobbiamo garantire che i nostri schemi di crittografia funzionale siano function- hiding, nel senso che il CSP fornirà il risultato corretto, senza conoscere nulla della funzione calcolata. Un’altra sfida importante è la progettazione di un meccanismo che consenta agli utenti di specificare esplicitamente l’input di una funzione. Nel modello standard di crittografia funzionale, la funzione viene applicata a tutti i dati degli utenti. Tuttavia, questo può essere estremamente problematico in molti casi, quando la funzione non è definita su alcuni dei dati.
Sfida n. 2 Inefficienze della privacy differenziale (DP)
Sebbene la privacy differenziale (DP) sia uno strumento potente per preservare la privacy degli individui, attualmente soffre di importanti inefficienze che saranno affrontate nell’ambito di HARPOCRATES. La prima sfida che affronteremo è la progettazione di un database privato criptato assumendo un modello di minaccia più forte di quello presentato nella letteratura attuale. Più precisamente, nei recenti approcci allo stato dell’arte, al CSP viene attribuito il ruolo di incorporare un rumore ben calibrato nei testi cifrati. Di conseguenza, la sicurezza di questi approcci è soddisfatta solo sotto l’ipotesi di un CSP onesto. In HARPOCRATES, progetteremo schemi considerando un CSP maligno. Come passo successivo, ci concentreremo sul problema della minimizzazione del rumore totale accumulato dopo una sequenza di aggiornamenti nel database.
Sfida #3 - Inefficienze della crittografia omomorfa (HE)
Per aggirare le inefficienze della crittografia omomorfa (HE), intendiamo progettare uno schema di crittografia omomorfa ibrida (HHE), combinando uno schema di crittografia a chiave simmetrica con HE. Tuttavia, gli schemi simmetrici non sono compatibili con HE, soprattutto a causa della loro grande profondità moltiplicativa. La prima fase della nostra ricerca verterà sul confronto della compatibilità di diversi schemi simmetrici con HE. Di conseguenza, intendiamo progettare uno schema simmetrico adattato alle esigenze dell’HE, con particolare attenzione all’aritmetica dei grandi numeri interi.
Sfida n. 4 - Progettare applicazioni di Machine Learning (ML) con una maggiore sicurezza e privacy.
In HARPOCRATES, ci proponiamo di implementare protocolli di Secure Multiparty Computation (MPC) in combinazione con tecniche di apprendimento federato e diviso, nel tentativo di progettare applicazioni di Machine Learning (ML) con una maggiore sicurezza e più forti garanzie di privacy. Oltre a ciò, nel campo della crittografia funzionale (FE), e in contrasto con l’attuale stato dell’arte della letteratura, in cui una parte irrealistica completamente fidata genera e distribuisce le chiavi di decrittazione funzionali, le tecniche MPC possono offrire agli utenti la possibilità di generare tali chiavi da soli, ovviando così alla necessità di una terza parte completamente fidata. Pertanto, in HARPOCRATES esamineremo come utilizzare l’MPC per eliminare la necessità di un’autorità fidata.
Sfida #5 Sfida con l'apprendimento automatico che rispetta la privacy
La sfida principale con il Machine Learning (ML) a tutela della privacy è che gli schemi di crittografia omomorfa (HE) e di crittografia funzionale (FE) non supportano attualmente le funzioni non lineari. A tal fine, ci concentreremo sulla ricerca delle migliori approssimazioni polinomiali possibili per le funzioni di attivazione utilizzate in ML. Inoltre, cerchiamo di esplorare la possibilità di progettare modelli che preservino la privacy per la classificazione di file criptati (immagini, audio e video) – un problema che riteniamo possa fare la differenza nel fornire garanzie agli utenti finali sulla loro privacy.
Sfida #6 Sfide con l'apprendimento federato
Nonostante le prospettive promettenti per l’analisi dei dati in ambienti decentralizzati e spazi di dati federati, L’apprendimento federato (FL) presenta sfide importanti in tre dimensioni: la privacy dei dati, la riservatezza del modello e la robustezza agli attacchi bizantini. In HARPOCRATES progetteremo uno schema FL che combina gli approcci esistenti per proteggere la privacy dei dati (attraverso l’aggregazione sicura tra più parti), la riservatezza del modello (con il calcolo riservato) e la robustezza bizantina.
Impatto
- Migliori tecnologie scalabili e affidabili per il trattamento federato dei dati personali e la loro integrazione in sistemi reali.
- Soluzioni più semplici per l’elaborazione dei registri di dati personali federati da parte dei ricercatori, nel rispetto della privacy. Migliorare le tecnologie che preservano la privacy per l’intelligence sulle minacce informatiche e la soluzione di condivisione dei dati. Rafforzamento dell’ecosistema europeo di sviluppatori e ricercatori open-source di soluzioni per la tutela della privacy.
- Contributo alla promozione di spazi dati europei conformi al GDPR per i servizi digitali e la ricerca (in sinergia con il tema DATA-01-2021 del Cluster 4 di Horizon Europe)
- Rafforzamento delle capacità di cybersicurezza dell’UE e della sovranità dell’Unione europea in materia di tecnologie digitali. Infrastrutture, sistemi e processi digitali più resistenti. Maggiore sicurezza del software, dell’hardware e della catena di fornitura. Assicurare le tecnologie dirompenti. Garanzia e certificazione di sicurezza intelligente e quantificabile condivisa in tutta l’UE.