افزایش امنیت در یادگیری فدرال در محیط های محاسبات ابری با استفاده از تکنیک های پیشرفته رمزنگاری

با گسترش روزافزون فناوری های یادگیری ماشین و رایانش ابری، یادگیری مشارکتی به عنوان رویکردی نوین و موثر برای آموزش مدل های هوشمند مطرح شده است که برخلاف روش های سنتی، نیاز به جمع آوری داده های خام در یک مرکز واحد ندارد و از این طریق می تواند حریم خصوصی کاربران را به شکل قابل توجهی حفظ کند. این ویژگی یادگیری مشارکتی، باعث شده است که کاربردهای آن در حوزه های حساس مانند پزشکی، مالی، تلفن های همراه هوشمند و اینترنت اشیاء گسترش یابد. اما ساختار توزیع شده و غیرمتمرکز این روش باعث بروز مسائل پیچیده امنیتی و تهدیدات متعددی می شود که شامل افشای داده های خصوصی، حملات تزریق داده و مدل، حملات بازسازی داده از مدل و همچنین حملات مربوط به عدم اعتماد میان شرکت کنندگان است. این تهدیدات، حفظ محرمانگی، یکپارچگی و صحت داده ها و مدل ها را به چالشی اساسی تبدیل کرده اند. در این پروژه، ابتدا به بررسی عمیق مبانی نظری یادگیری مشارکتی پرداخته شده و چالش های امنیتی شناخته شده و نوظهور در این حوزه به طور کامل تحلیل شده اند. سپس راهکارهای رمزنگاری پیشرفته نظیر رمزنگاری همگانی ، محاسبات چندطرفه امن و حفظ حریم خصوصی تفاضلی به عنوان ابزارهای کلیدی برای مقابله با این تهدیدات معرفی و تشریح شده اند. پیاده سازی این الگوریتم ها در محیط های ابری و تحلیل عملکرد آنها، نشان داد که می توان با طراحی و به کارگیری هوشمندانه این روش ها تعادلی مناسب میان امنیت داده ها، دقت مدل یادگیری و کارایی سیستم برقرار کرد. البته این ترکیب روش ها، هزینه های محاسباتی و پیچیدگی هایی را نیز به دنبال دارد که لازم است در طراحی نهایی به آن توجه ویژه شود. همچنین در بخش پیاده سازی، تمرکز بر فراهم آوردن بستری امن و مقیاس پذیر برای اجرای الگوریتم های یادگیری مشارکتی با حفاظت کامل از داده ها بوده است. آزمایش های انجام شده روی سناریوهای مختلف نشان می دهد که رمزنگاری همگانی به همراه تکنیک های حفظ حریم خصوصی تفاضلی می تواند از افشای اطلاعات حساس جلوگیری کند و در عین حال کیفیت نهایی مدل یادگیری را تحت تاثیر نامطلوب قرار ندهد. این تحقیق اهمیت توسعه روش های رمزنگاری سبک تر و بهینه تر که بتوانند با سیستم های ابری و کاربردهای واقعی تطابق داشته باشند را مورد تاکید قرار می دهد. در نهایت، این پروژه می تواند مرجعی کاربردی و علمی برای پژوهشگران و توسعه دهندگان در زمینه امنیت یادگیری مشارکتی و رمزنگاری ارائه کند و مسیر روشنی برای تحقیقات آتی در این حوزه فراهم نماید

Keywords:

یادگیری فدرال , محاسبات ابری , حفظ حریم خصوصی داده ها , محاسبات چندجانبه رمزنگاری همومورفیک , حریم خصوصی تفاضلی , تکنیک های رمزنگاری پیشرفته , جمع آوری امن داده ها , یادگیری ماشین توزیع شده , امنیت داده ها , یادگیری ماشین با حفظ حریم خصوصی , حملات مخرب , الگوریتم های رمزنگاری , پروتکل های ارتباط امن