Google 和 Meta 携手 FHE 应对隐私挑战

1. 引言

为什么世界上最大的广告商,如谷歌和 Meta 这样的超大规模公司都选择全同态加密 (FHE)。

2. 定向广告

谷歌和 Meta 是搜索引擎和社交网络领域的两大巨头,它们本质上从事的是同一业务——广告。它们最近公布的年度广告收入数据显示,谷歌广告平台在 2022 年创造了2244.7 亿美元(约占收入的 80%),而 Meta 创造了1136 亿美元(约占收入的 97%)。由于它们的大量广告都是基于客户数据“定向”并针对相关客户,因此这对于其核心业务的成功至关重要。然而,有关使用私人客户数据的法律和限制(例如 GDPR)正在制定并得到严格执行。

随着网络的发展和用户数据安全措施法律的收紧,宝贵的客户信息得到了比以往更加严格的保护。HTTPS、VPN 和端到端加密等日益流行的隐私增强技术意味着在线广告企业可收集的数据块越来越少,这对他们的业务造成了损害。数据监管越来越严格,用户也越来越警惕。因此,大型科技公司正在寻求既能满足用户隐私和数据安全问题,又能对客户数据进行一系列关键分析的解决方案,从而保持业务活力。

对于以定向广告为命脉的公司来说,由于 FHE 的出现,加密的客户数据可能成为宝贵的资源。众所周知,科技巨头,如谷歌和 Meta,以及微软和亚马逊,正在研究全同态加密 (FHE),以分析用户信息进行广告跟踪等,而不会侵犯个人隐私。FHE 不仅意味着客户数据隐私得到保障,而且还可以确保基于云的个人信息不会受到泄露、黑客攻击或其他技术数据泄露的影响。最后但并非最不重要的是,FHE 还可以关闭因使用 AI、ML 和其他深度学习生产力应用程序而产生的越来越常见的数据泄露的大门。

3. FHE——全同态加密

在此之前,有必要描述一下 FHE 技术的前景。简而言之,FHE 允许直接在安全加密的数据上运行分析函数而无需解密,同时提供与在纯文本上运行的分析相同的结果。这意味着属于用户的纯文本信息永远不会逃离受信任的域。这也意味着用户不必“信任”任何第三方来处理他们的数据,并消除了任何数据可用性和隐私权衡。重要的是,为了使 FHE 按预期运行,用户数据必须使用全同态加密方案进行加密。

对于传统上受益于用户定向网络广告的科技公司来说,FHE 听起来像是一颗灵丹妙药,而且已经有证据表明它正在为黄金时段做准备。2021 年,Facebook (Meta) 证实正在研究无需解密即可分析加密数据的方法。《The Information》 (2021 年 8 月)报道称,Meta 刚刚聘请了一位来自微软的高管加入其人工智能 (AI) 团队,微软是 FHE 应用的关键先驱。

4. WhatsApp 的端到端加密难题

Meta 最大的资产之一是流行的即时通讯平台 WhatsApp。吸引用户并让他们对 WhatsApp 保持忠诚的关键功能是其端到端加密方案。在WhatsApp 帮助中心,可以看到“隐私和安全是其 DNA”,WhatsApp 将所有消息、照片、视频、语音消息、文档、状态更新和通话保密,不让用户和收件人知道。不幸的是,对于 Meta 来说,遵守这一承诺会严重削弱广告定位。广告定位不够好会导致回报不够好。

如,如果可以在 WhatsApp 上实施 FHE,那么这将极大地提升该平台的广告相关性,从而让数百万 WhatsApp 用户获利,同时又不会危及客户隐私。Meta 不仅能满足政府隐私法的要求,还能满足注重安全的用户及其平台的营销人员的要求。

目前(2023年7月),谷歌尚未在其任何知名的 Web 和应用产品和服务中使用 FHE。当前(2023年7月)对谷歌在 FHE 方面的工作了解的是,它已经为创建一个开源的全同态加密编译器(2024年2 月份推出——Transpiler和HEIR)做好了基础工作。这个编译器可以将当今处理纯文本的 C++ 程序转换为处理 FHE 密文。谷歌开发人员 Jeremy Kun 发布的链接博客文章中有相当一部分强调了 FHE 在传统处理器/数据中心上的巨大处理、RAM 和存储开销。也许谷歌正在为 FHE 加速硬件成为现实时准备软件。

5. 行业需要 FHE 加速

尽管 FHE 前景光明,但由于计算成本过高,目前仍无法大规模推广。从之前的报道中可知 Meta 之类的公司可能多年来一直在努力实现 FHE 或同等技术,但向数百万用户推广的主要障碍是所需的处理能力和计算机资源。

Chain Reaction 几年前就注意到了 FHE 面临的潜在处理瓶颈,目前正处于准备第一款专用集成电路 (ASIC) 的后期阶段,该集成电路旨在提供实现该技术实时性所需的性能和效率。Chain Reaction 推出的首款芯片旨在加速区块链计算,预计该公司首款用于快速高效 FHE 的隐私保护处理单元 (3PU™) 将于 2024 年第四季度推出。

6. FHE 的更广泛用途

尽管本文重点介绍了超大规模企业及其将加密用户数据用于广告的潜在用途,但 FHE 还有许多其他潜在用户。Chain Reaction 的联合创始人兼首席执行官 Alon Webman 将实时加速 FHE 技术描述为“云计算的圣杯”。目前,对于金融机构、医疗保健和大型制药公司、国防和政府以及石油和天然气企业来说,云是一个不可信的环境——但随着 FHE 技术的实际应用,这一切都可能改变。Webman说:“Chain Reaction的技术将使企业和政府能够通过将私人数据迁移到云端来实现计算基础设施的现代化。 ”

Google 和 Meta 的股东肯定会喜欢 FHE 可以提供的定向广告,但广告只是这项技术的一个用例。企业和政府组织可以利用相同的 FHE 技术来收集有关机密和安全加密数据的可行见解。在广告之外的 FHE 用例的一个示例中,研究人员可能希望访问医院的数据,但由于隐私法规而无法这样做。但是,如果医院对其医疗记录进行了同态加密并将其放在云端,研究人员就可以在源数据保持安全和加密的情况下进行分析。随着机器学习和人工智能的发展,访问大型数据集以获得最佳结果的好处已经变得非常明显。

美国政府国家标准与技术研究所 (NIST) 也认为推动采用 FHE 有好处。该机构目前正在就适合门限加密(多方必须共同解密特定数据)且具有抗量子破解能力的 FHE 方案进行咨询。

开发人员可能会有兴趣知道,计算机行业巨头 IBM 和微软已经帮助推动了 FHE 的发展。目前,IBM 的同态加密服务通过促进 IBM Cloud 上原型应用程序的开发,帮助客户为 FHE 做好准备。与此同时,微软正在推广Microsoft SEAL作为开源同态加密技术,目前表现为一组面向开发人员的加密库。

7. 结论

Chain Reaction 的 3PU™ 旨在使安全数据和应用程序能够迁移到云端,并可能产生数十亿美元的新业务。这款加速隐私基础设施解决方案旨在成为超大规模企业、企业和政府的即插即用产品,以高性能和高效率提供 FHE。

参考资料

[1] Chain Reaction团队2023 年7月23日博客 Google and Meta Pursue FHE for the Privacy Challenge

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/10406.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

pytorch基于FastText实现词嵌入

FastText 是 Facebook AI Research 提出的 改进版 Word2Vec,可以: ✅ 利用 n-grams 处理未登录词 比 Word2Vec 更快、更准确 适用于中文等形态丰富的语言 完整的 PyTorch FastText 代码(基于中文语料),包含&#xff1…

riscv xv6学习笔记

文章目录 前言util实验sleeputil实验pingpongutil实验primesxv6初始化代码分析syscall实验tracesyscall实验sysinfoxv6内存学习笔记pgtbl实验Print a page tablepgtbl实验A kernel page table per processxv6 trap学习trap实验Backtracetrap实验Alarmlazy实验Lazy allocationxv…

FFmpeg(7.1版本)编译:Ubuntu18.04交叉编译到ARM

一、本地编译与交叉编译 1.本地编译 ① 本地编译:指的是在目标系统上进行编译的过程 , 生成的可执行文件和函数库只能在目标系统中使用。 如 : 在 Ubuntu中,本地编译的可执行文件只能在Ubuntu 系统中执行 , 无法在 Windows / Mac / Android / iOS 系…

创新创业计划书|建筑垃圾资源化回收

目录 第1部分 公司概况........................................................................ 1 第2部分 产品/服务...................................................................... 3 第3部分 研究与开发.................................................…

如何利用天赋实现最大化的价值输出

这种文章,以我现在的实力很难写出来。所以需要引用一些视频。 上92高校容易吗 如果基于天赋努力,非常容易。 如果不是这样,非常非常难。 高考失败人生完蛋?复读考上交大,进入社会才发现学历只是一张纸,98…

LigerUI在MVC模式下的响应原则

LigerUI是基于jQuery的UI框架,故他也是遵守jQuery的开发模式,但是也具有其特色的侦听函数,那么当LigerUI作为View层的时候,他所发送后端的必然是表单的数据,在此我们以俩个div为例: {Layout "~/View…

【力扣】49.字母异位词分组

AC截图 题目 思路 由于互为字母异位词的两个字符串包含的字母相同,因此对两个字符串分别进行排序之后得到的字符串一定是相同的,故可以将排序之后的字符串作为哈希表的键。 可以遍历strs,将其中每一个str排序,然后用unodered_ma…

docker安装nacos2.2.4详解(含:nacos容器启动参数、环境变量、常见问题整理)

一、镜像下载 1、在线下载 在一台能连外网的linux上执行docker镜像拉取命令 docker pull nacos:2.2.4 2、离线包下载 两种方式: 方式一: -)在一台能连外网的linux上安装docker执行第一步的命令下载镜像 -)导出 # 导出镜像到…

【图床配置】PicGO+Gitee方案

【图床配置】PicGOGitee方案 文章目录 【图床配置】PicGOGitee方案为啥要用图床图床是什么配置步骤下载安装PicGoPicGo配置创建Gitee仓库Typora中的设置 为啥要用图床 在Markdown中,图片默认是以路径的形式存在的,类似这样 可以看到这是本地路径&#x…

【C++】类与对象(下)

🦄 个人主页: 小米里的大麦-CSDN博客 🎏 所属专栏: 小米里的大麦——C专栏_CSDN博客 🎁 代码托管: 小米里的大麦的Gitee仓库 ⚙️ 操作环境: Visual Studio 2022 文章目录 1. 再谈构造函数1.1 构造函数体赋值1.2 初始化列表1.3 explicit 关键…

SpringBoot笔记

1.创建 使用idea提供的脚手架创建springboot项目,选上需要的模块,会自动进行导包 打成jar包,之前直接用原生的maven打包的是一个瘦jar,不能直接跑,把服务器上部署的jar排除在外了,但是现在加上打包查件&am…

Fiddler(一) - Fiddler简介_fiddler软件

文章目录 一、为什么选择Fiddler作为抓包工具? 二、什么是Fiddler?三、Fiddler使用界面简介四、延伸阅读 一、为什么选择Fiddler作为抓包工具? 抓包工具有很多,小到最常用的web调试工具firebug,大到通用性强大的抓包工具wireshark。为什么使用fid…

受击反馈HitReact、死亡效果Death Dissolve、Floating伤害值Text(末尾附 客户端RPC )

受击反馈HitReact 设置角色受击标签 (GameplayTag基本了解待补充) 角色监听标签并设置移动速度 创建一个受击技能,并应用GE 实现设置角色的受击蒙太奇动画 实现角色受击时播放蒙太奇动画,为了保证通用性,将其设置为一个函数,并…

Vue+Echarts 实现青岛自定义样式地图

一、效果 二、代码 <template><div class"chart-box"><chart ref"chartQingdao" style"width: 100%; height: 100%;" :options"options" autoresize></chart></div> </template> <script> …

线段树(Segment Tree)和树状数组

线段树&#xff08;Segment Tree&#xff09;和树状数组 线段树的实现链式&#xff1a;数组实现 解题思路树状数组 线段树是 二叉树结构 的衍生&#xff0c;用于高效解决区间查询和动态修改的问题&#xff0c;其中区间查询的时间复杂度为 O(logN)&#xff0c;动态修改单个元素的…

计算机网络 (62)移动通信的展望

一、技术发展趋势 6G技术的崛起 内生智能&#xff1a;6G将强调自适应网络架构&#xff0c;通过AI驱动的智能算法提升通信能力。例如&#xff0c;基于生成式AI的6G内生智能架构将成为重要研究方向&#xff0c;实现低延迟、高效率的智能通信。信息编码与调制技术&#xff1a;新型…

数据结构 前缀中缀后缀

目录 前言 一&#xff0c;前缀中缀后缀的基本概念 二&#xff0c;前缀与后缀表达式 三&#xff0c;使用栈实现后缀 四&#xff0c;由中缀到后缀 总结 前言 这里学习前缀中缀后缀为我们学习树和图做准备&#xff0c;这个主题主要是对于算术和逻辑表达式求值&#xff0c;这…

音视频多媒体编解码器基础-codec

如果要从事编解码多媒体的工作&#xff0c;需要准备哪些更为基础的内容&#xff0c;这里帮你总结完。 因为数据类型不同所以编解码算法不同&#xff0c;分为图像、视频和音频三大类&#xff1b;因为流程不同&#xff0c;可以分为编码和解码两部分&#xff1b;因为编码器实现不…

AI大模型开发原理篇-1:语言模型雏形之N-Gram模型

N-Gram模型概念 N-Gram模型是一种基于统计的语言模型&#xff0c;用于预测文本中某个词语的出现概率。它通过分析一个词语序列中前面N-1个词的出现频率来预测下一个词的出现。具体来说&#xff0c;N-Gram模型通过将文本切分为长度为N的词序列来进行建模。 注意&#xff1a;这…

Windows系统本地部署deepseek 更改目录

本地部署deepseek 无论是mac还是windows系统本地部署deepseek或者其他模型的命令和步骤是一样的。 可以看: 本地部署deepsek 无论是ollama还是部署LLM时候都默认是系统磁盘&#xff0c;对于Windows系统&#xff0c;我们一般不把应用放到系统盘&#xff08;C:&#xff09;而是…