Изазови
Изазов #1 - Изградите ефикасно симетрично и асиметрично функционално шифровање
Први изазов који пројекат Харпоцратес разматра је како изградити ефикасне симетричне и асиметричне функционалне енкрипције (ФЕ) шеме за подршку широком спектру статистичких функција. Сигурност ФЕ шема мора бити побољшана минимизирањем цурења повезаног и са упитом корисника и са стварним прорачуном функција. Да бисмо то урадили, морамо да обезбедимо да наше шеме функционалног шифровања функционишу са скривеним функцијама у смислу да ће ЦСП дати исправан резултат, а да ништа не научи о израчунатој функцији. Други важан изазов је дизајнирање механизма који омогућава корисницима да експлицитно специфицирају унос функције. У стандардном моделу функционалног шифровања, функција се примењује на све податке корисника. Међутим, ово може бити изузетно проблематично у многим случајевима када функција није дефинисана над неким подацима.
Изазов #2 Неефикасност диференцијалне приватности (ДП)
Иако је диференцијална приватност (ДП) моћно средство за очување приватности појединаца, тренутно пати од важних неефикасности које ће се решавати у оквиру ХАРПОЦРАТЕС-а. Први изазов са којим ћемо се позабавити је дизајн приватне шифроване базе података која претпоставља јачи модел претње од оног који је представљен у тренутној литератури. Тачније, у новијим најсавременијим приступима, улога уграђивања добро калибрисане буке у шифроване текстове је дата ЦСП-у. Као резултат тога, сигурност таквих приступа је задовољена само под претпоставком поштеног ЦСП-а. У ХАРПОЦРАТЕС-у ћемо дизајнирати шеме узимајући у обзир злонамерни ЦСП. Као следећи корак фокусираћемо се на проблем минимизирања укупне акумулиране буке након низа ажурирања у бази података
Изазов #3 – Неефикасност хомоморфног шифровања (ХЕ).
Да бисмо заобишли неефикасност хомоморфног шифровања (ХЕ), циљ нам је да дизајнирамо шему хибридног хомоморфног шифровања (ХХЕ), комбиновањем шеме шифровања са симетричним кључем са ХЕ. Међутим, симетричне шеме нису компатибилне са ХЕ, углавном због њихове велике мултипликативне дубине. Први корак нашег истраживања ће се вртети око поређења компатибилности различитих симетричних шема са ХЕ. Сходно томе, планирамо да дизајнирамо симетричну шему прилагођену потребама ХЕ, са јаким фокусом на аритметику великих целих бројева.
Изазов #4 – Дизајнирајте апликације за машинско учење (МЛ) са побољшаном безбедношћу и јачом приватношћу
У ХАРПОЦРАТЕС-у, циљ нам је да применимо протоколе Сецуре Мултипарти Цомпутатион (МПЦ) у комбинацији са техникама федералног и подељеног учења, у покушају да дизајнирамо апликације за машинско учење (МЛ) са побољшаном безбедношћу и јачим гаранцијама приватности. Осим тога, у области функционалног шифровања (ФЕ), и у супротности са тренутном најсавременијом литературом у којој нереална страна од пуног поверења генерише и дистрибуира функционалне кључеве за дешифровање, МПЦ технике могу да понуде корисницима могућност да сами генеришу те кључеве и тако избегну потребу за потпуним трећа страна од поверења. Стога ћемо у ХАРПОЦРАТЕС-у испитати како да искористимо МПЦ да елиминишемо потребу за било којим ауторитетом од поверења.
Изазов #5 Изазов са машинским учењем које чува приватност
Главни изазов са машинским учењем (МЛ) који чува приватност је то што шеме хомоморфног шифровања (ХЕ) и функционалног шифровања (ФЕ) тренутно не пружају подршку за нелинеарне функције. У том циљу, фокусираћемо се на проналажење најбољих могућих полиномских апроксимација за активационе функције које се користе у МЛ. Поред тога, настојимо да истражимо могућност дизајнирања модела који чувају приватност за класификацију шифрованих датотека (слика, аудио и видео) – проблем за који верујемо да ће направити стварну разлику у пружању гаранција крајњим корисницима о њиховој приватности.
Изазов #6 Изазови са федералним учењем
Упркос обећавајућим изгледима за анализу података у децентрализованим поставкама и федералним просторима података, Федеративно учење (ФЛ) представља важне изазове у три димензије: приватност података, поверљивост модела и отпорност на византијске нападе. У ХАРПОЦРАТЕС-у ћемо дизајнирати ФЛ шему која комбинује постојеће приступе за заштиту приватности података (кроз безбедну агрегацију са више страна), поверљивост модела (са поверљивим рачунарством) и византијску робусност.
Утицај
- Побољшане скалабилне и поуздане технологије за очување приватности за удружену обраду личних података и њихову интеграцију у системе из стварног света.
- Решења која су лакша за корисника за обраду федералних регистара личних података од стране истраживача која чувају приватност. Побољшање технологија за очување приватности за обавештајне податке о сајбер претњама и решење за дељење података. Ојачани европски екосистем програмера отвореног кода и истраживача решења за очување приватности.
- Допринос промоцији европских простора података за дигиталне услуге и истраживања усклађених са ГДПР (у синергији са темом ДАТА-01-2021 Хоризон Еуропе Цлустер 4)
- Ојачани капацитети ЕУ за сајбер безбједност и суверенитет Европске уније у дигиталним технологијама. Отпорније дигиталне инфраструктуре, системи и процеси. Повећана сигурност софтвера, хардвера и ланца снабдевања. Осигуране дисруптивне технологије. Паметно и мерљиво обезбеђење безбедности и сертификација се дели широм ЕУ.