<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on Formize.com tinklaraštis</title><link>https://blog.formize.com/lt/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>Homomorfinio Šifravimo Paremta Sintetinių Duomenų Generavimas Krašte</title><link>https://blog.formize.com/lt/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="homomorfinio-šifravimo-paremta-sintetinių-duomenų-generavimas-krašte">Homomorfinio Šifravimo Paremta Sintetinių Duomenų Generavimas Krašte&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Krašto įrenginiai – išmaniosios kameros, nešiojami įrenginiai, pramoniniai jutikliai – renka milžiniškus asmeninių ar nuosavybinių duomenų srautus. Tradicinės duomenų apdorojimo grandinės siunčia šiuos nešifruotus duomenis į debesį, kur jie valomi, papildomi arba naudojami sintetinių duomenų generavimui, todėl jie tampa pažeidžiami pertraukų, reguliacinių pažeidimų ir vėlavimų.&lt;/p>
&lt;p>&lt;strong>Homomorfinis šifravimas (HE)&lt;/strong> siūlo patrauklią alternatyvą: jis leidžia atlikti skaičiavimus tiesiai šifruotuose duomenyse, išlaikant konfidencialumą, bet vis tiek suteikiant galimybę atlikti sudėtingą analizę. Derinant HE su įrenginyje vykstančiais sintetinių duomenų generatoriais sukuriama &lt;strong>privatumą sauganti sintetinių duomenų grandinė&lt;/strong>, kuri niekada neatskleidžia originalaus turinio, netgi skaičiavimo varikliui.&lt;/p></description></item><item><title>Realio laiko privatumo apsaugos sintetinių duomenų generavimas krašte naudojant homomorfinį šifravimą ir federacinį mokymąsi</title><link>https://blog.formize.com/lt/real-time-privacy-preserving-synthetic-data-generation-at-th/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="realaus-laiko-privatumo-apsaugos-sintetinių-duomenų-generavimas-krašte-naudojant-homomorfinį-šifravimą-ir-federacinį-mokymąsi">Realaus laiko privatumo apsaugos sintetinių duomenų generavimas krašte naudojant homomorfinį šifravimą ir federacinį mokymąsi&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Krašto AI pereina nuo vien tik inferencijos darbo krūvių prie &lt;strong>duomenų‑centriškų&lt;/strong> procesų, kuriems reikia nuolat atnaujinamų modelių, įrenginio vidinio mokymo ir sintetinių duomenų generavimo. Nors sintetiniai duomenys gali žymiai sumažinti brangų realaus pasaulio duomenų rinkimo poreikį, jie taip pat kelia &lt;strong>privatumo&lt;/strong> klausimų, kai šaltinio duomenys kyla iš vartotojų įrenginių. Tradiciniai anonimizavimo metodai (maskavimas, diferencialinė privatuma) arba sumažina duomenų naudingumą, arba reikalauja patikimos centrinės institucijos – abu variantai nepageidaujami vėlinimo jautrioms krašto scenarijoms.&lt;/p></description></item><item><title>Saugus federacinis krašto sintetinės duomenų generavimas naudojant homomorfinį šifravimą</title><link>https://blog.formize.com/lt/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="saugus-federacinis-krašto-sintetinės-duomenų-generavimas-naudojant-homomorfinį-šifravimą">Saugus federacinis krašto sintetinės duomenų generavimas naudojant homomorfinį šifravimą&lt;/h1>
&lt;p>Pasaulyje, kuriame duomenų privatumo reglamentai tampa vis griežtesni, o krašto AI darbo krūviai sparčiai auga, organizacijos susiduria su paradoksu: joms reikia turtingų, įvairių duomenų rinkinių modeliams mokyti, tačiau jos negali perkelti neapdorotų duomenų į centralizuotas debesų platformas. &lt;strong>Sintetiniai duomenys&lt;/strong> – dirbtinai generuoti įrašai, išlaikantys šaltinio statistines savybes – siūlo patrauklų sprendimą, tačiau jų saugus generavimas krašto įrenginiuose kelia naujų iššūkių.&lt;/p>
&lt;p>Šiame straipsnyje pristatoma &lt;strong>holistinė, nulinio pasitikėjimo architektūra&lt;/strong>, kuri naudoja &lt;strong>homomorfinį šifravimą (HE)&lt;/strong>, &lt;strong>federacinį mokymąsi (FL)&lt;/strong> ir &lt;strong>politikos pagrindu valdomą valdymą&lt;/strong>, kad sintetiniai duomenys būtų generuojami tiesiai krašto mazguose, užtikrinant galutinį konfidencialumą. Peržvelgsime kriptografinius primityvus, duomenų srauto diagramą, valdymo sluoksnį ir praktinius diegimo modelius, kurie daro šį požiūrį paruoštą gamybai.&lt;/p></description></item><item><title>Saugus kelių šalių sintetinės duomenų bendradarbiavimas su homomorfiniu šifravimu</title><link>https://blog.formize.com/lt/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="saugus-kelių-šalių-sintetinės-duomenų-bendradarbiavimas-su-homomorfiniu-šifravimu">Saugus kelių šalių sintetinės duomenų bendradarbiavimas su homomorfiniu šifravimu&lt;/h1>
&lt;p>Era, kai duomenimis pagrįsti DI modeliai yra konkurencinis pranašumas, &lt;strong>sintetiniai duomenys&lt;/strong> iškilo kaip galinga alternatyva dalintis realaus pasaulio įrašais. Tačiau kai kelių šalių reikia &lt;strong>bendradarbiauti&lt;/strong> kuriant sintetinį duomenų rinkinį – pavyzdžiui, tarppramoninė sveikatos tyrimų, federuota finansų analizė arba bendri autonominių transporto priemonių simuliacijos – privatumas, reguliacinė atitiktis ir pasitikėjimas tampa pagrindinėmis kliūtimis.&lt;/p>
&lt;p>Šiame straipsnyje pristatomas &lt;strong>privatumo išsaugojimo bendradarbiavimo struktūrinis modelis&lt;/strong>, kuris sujungia tris pažangiausias koncepcijas:&lt;/p></description></item><item><title>Zero Trust sintetinė duomenų struktūra Edge AI</title><link>https://blog.formize.com/lt/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="zero-trust-sintetinė-duomenų-struktūra-edge-ai">Zero Trust sintetinė duomenų struktūra Edge AI&lt;/h1>
&lt;h2 id="1-kodėl-edge-ai-reikia-zero-trusthttpswwwnistgovcyberframework-sintetinės-duomenų-struktūros">1. Kodėl Edge AI reikia &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a> sintetinės duomenų struktūros&lt;/h2>
&lt;p>Edge įrenginiai – pramoniniai jutikliai, autonominiai dronai, išmaniosios kameros ir nešiojami įrenginiai – vis dažniau atsakingi už duomenų generavimą, apdorojimą ir veikimą realiu laiku. Skirtingai nuo centralizuotų debesų, edge aplinka yra &lt;strong>platinama, heterogeniška ir dažnai veikia priešiškuose arba prastai kontroliuojamuose tinkluose&lt;/strong>. Tradiciniai, perimetrui pagrįsti saugumo modeliai nesugeba apsaugoti jautrių duomenų, kurie keliauja per šiuos mazgus, ypač kai sintetiniai duomenys naudojami papildant ribotus mokymo pavyzdžius.&lt;/p></description></item></channel></rss>