تضمین امنیت و حفظ حریم خصوصی در هوش مصنوعی با ترکیب یادگیری فدرال و رمزنگاری همومورفیک

با گسترش استفاده از هوش مصنوعی در حوزه های مختلف چالش های امنیتی متعددی پدید آمده اند که تهدیداتی جدی برای پایداری و اعتماد به این فناوری محسوب می شوند. این مقاله به بررسی چالش های اصلی امنیت هوش مصنوعی، روش های موجود برای مقابله با این تهدیدات و یک رویکرد جدید برای بهبود امنیت مدل های هوش مصنوعی می پردازد و روشی جدید برای تضمین امنیت و حفظ حریم خصوصی در هوش مصنوعی ارائه می کند. روش پیشنهادی بر مبنای ترکیب یادگیری فدرال و رمزنگاری همومورفیک است که حفاظت از داده ها و مدل ها را به طور همزمان تضمین می کند. نتایج پیاده سازی مدل پیشنهادی نشان می دهد روش پیشنهادی به دقت بالا، کارایی محاسباتی و حجم انتقال داده متوسط، حفاظت حریم خصوصی بالا و مقاومت بالایی در مقابل حملات متخاصم دست یافته است. در این مقاله یک روش نوآورانه برای تضمین امنیت و حفظ حریم خصوصی در سیستم های هوش مصنوعی معرفی شده است که از ترکیب دو تکنیک پیشرفته یعنی یادگیری فدرال و رمزنگاری همومورفیک بهره می برد. یادگیری فدرال با توزیع فرآیند آموزش مدل ها میان دستگاه های محلی و حذف نیاز به انتقال داده ها به سرور مرکزی خطر افشای اطلاعات را به حداقل می رساند. از سوی دیگر رمزنگاری همومورفیک امکان انجام عملیات ریاضی روی داده های رمزنگاری شده را بدون نیاز به رمزگشایی فراهم می کند که منجر به امنیت بیشتر در پردازش داده ها می شود. روش پیشنهادی ابتدا داده ها را در محل کاربر رمزنگاری می کند و سپس این داده های رمزنگاری شده در فرآیند یادگیری فدرال مشارکت می کنند. به روزرسانی های پارامترها نیز به صورت رمزنگاری شده به سرور مرکزی ارسال می شوند و مدل مرکزی از طریق قابلیت های رمزنگاری همومورفیک به روزرسانی می شود این ترکیب علاوه بر حفظ حریم خصوصی کاربران امنیت بالایی را در برابر تهدیدهای اطلاعاتی تضمین می کند. نتایج اولیه نشان می دهند که روش پیشنهادی با حفظ کارایی استانداردهای امنیتی مورد نیاز در سیستم های هوش مصنوعی حساس را برآورده می کند.

کلیدواژه ها:

امنیت هوش مصنوعی ، حریم خصوصی ، یادگیری فدرال ، رمزنگاری همومورفیک ، تضمین امنیت