Perspectives on the Feasibility and Adoption of Fully Homomorphic Encryption - A Fully Homomorphic Encryption Application on Spam Detection with Machine Learning Models
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Publikationsdatum: | 2024 |
| Format: | Master thesis |
| Sprache: | eng |
| Quelle: | Repositório Comum do Brasil - Deposita |
| DOI: | https://doi.org/10.57859/ulisboa-istmast.000009 |
| Download full: | https://doi.org/10.57859/ulisboa-istmast.000009 https://deposita.ibict.br/handle/deposita/836 https://tecnico.ulisboa.pt/ https://scholar.tecnico.ulisboa.pt/records/iAaA4G3H7Wz7loLNKUfnTKY33xylUdnQbv3O |
Zusammenfassung: | A adoção da computação em nuvem resultou em incidentes de segurança, como vazamentos de dados nos setores público e privado. Provedores operam sem transparência, descumprem re-gulamentações e exploram dados privados para publicidade e treinamento de modelos de inteligência artificial. As empresas de tecnologia também colaboram com agências de inteligência para vigiar ilegalmente indivíduos e governos, compartilhando dados privados, como as mensagens de email. Este estudo analisa a viabilidade da Criptografia Completamente Homomórfica (CCH) como solução para essas questões de segurança, com foco na detecção de spam e provedores de email como objetos representativos no universo da computação feita por terceiros em dados privados. A CCH mantém a privacidade ao habilitar computações enquanto os dados estão criptografados, mas exige elevados recursos computacionais. O desenvolvimento de aplicativos baseados em CCH é complexo e requer aplicação de conceitos matemáticos e criptográficos avançados. Este trabalho avalia a viabilidade da CCH por meio de experimentos em detecção de spam implementando o Fully Homomorphic Encryption Spam Detector (FHE-SD), um aplicativo que utiliza a biblioteca Concrete-ML para abstrair a complexidade da CCH e simplificar sua adoção. O ambiente experimental comporta um dispositivo com hardware limitado, escolhido para verificar se a CCH pode funcionar sem hardware especializado. Para melhores resultados, o FHE-SD tem suporte à detecção de spam usando algoritmos de aprendizado de máquina, que são medidas anti-spam comuns. Quatro modelos de aprendizado de máquina foram implementados no FHE-SD, em suas versões CCH e em dados puros, permitindo métricas e comparações de desempenho em relação às abordagens tradicionais. |