Проблема масштабування криптографічних алгоритмів для штучного інтелекту
DOI:
https://doi.org/10.24144/2616-7700.2026.49(2).283-291Ключові слова:
великі мовні моделі, криптографічні алгоритми, повністю гомоморфне шифрування, безпечні багатосторонні обчислення, приватність данихАнотація
У статті розглянуто проблему масштабування криптографічних алгоритмів у системах штучного інтелекту, що працюють із чутливими даними. Метою дослідження є виявлення причин низької практичної придатності таких рішень і формування зрозумілих критеріїв їх оцінювання. У роботі проаналізовано повністю гомоморфне шифрування, безпечні багатосторонні обчислення, диференційну приватність і довірені виконувальні середовища. Запропоновано операційну модель масштабованості, яка враховує затримку відповіді, витрати пам'яті, обсяг передавання даних, кількість раундів взаємодії та складність окремих обчислювальних операцій. Також подано шкалу практичної придатності і протокол оцінювання, що дають змогу визначати межі застосовності криптографічних рішень для різних типів моделей і сценаріїв використання. Установлено, що основними причинами слабкої масштабованості є великі обчислювальні витрати, значне зростання пам'яттєвих потреб, високий мережевий трафік, багатораундовість протоколів і складність реалізації нелінійних операцій. Зроблено висновок, що для практичного розвитку приватного штучного інтелекту доцільним є проєктування гібридних архітектур і створення моделей, спочатку пристосованих до роботи в захищеному криптографічному середовищі.
Спонсор дослідження
- Дослідження було проведено без фінансової підтримки.
Посилання
- Gilad-Bachrach, R., Dowlin, N., Laine, K., Lauter, K., Naehrig, M., & Wernsing, J. (2016). CryptoNets: Applying Neural Networks to Encrypted Data with High Throughput and Accuracy. Proceedings of Machine Learning Research, 48. https://proceedings.mlr.press/v48/gilad-bachrach16.pdf
- Brutzkus, A., Elisha, O., & Gilad-Bachrach, R. (2019). Low Latency Privacy Preserving Inference. Proceedings of the 36th International Conference on Machine Learning, PMLR 97, 812–821. https://proceedings.mlr.press/v97/brutzkus19a.html
- Lloret-Talavera, G., Jord`a, M., Servat, H., Boemer, F., Chauhan, C., Tomishima, S., Shah, N. N., & Pe˜na, A. J. (2022). Enabling Homomorphically Encrypted Inference for Large DNN Models. IEEE Transactions on Computers, 71(5), 1145–1155. https://doi.org/10.1109/TC.2021.3076123
- Shen, H., Xu, Q., Yu, B., Yang, Y., & He, W. (2025). Bootstrapping in approximate fully homomorphic encryption: a research survey. Cybersecurity, 8, 87. https://doi.org/10.1186/s42400-025-00384-3
- Knott, B., Venkataraman, S., Hannun, A., Sengupta, S., Ibrahim, M., & van der Maaten, L. (2021). CrypTen: Secure Multi-Party Computation Meets Machine Learning. Advances in Neural Information Processing Systems, 34, 4961–4973. https://proceedings.neurips.cc/paper_files/paper/2021/file/2754518221cfbc8d25c13a06a4cb8421-Paper.pdf
- Zhang, R., Zheng, Z., & Bao, W. (2025). Practical Secure Inference Algorithm for Finetuned Large Language Model Based on Fully Homomorphic Encryption. arXiv:2501.01672. https://doi.org/10.48550/arXiv.2501.01672
- Zhu, H., Suzuki, T., & Yamana, H. (2023). Performance Comparison of Homomorphic Encrypted Convolutional Neural Network Inference Among HElib, Microsoft SEAL and OpenFHE. IEEE Asia-Pacific Conference on Computer Science and Data Engineering. https://doi.org/10.1109/CSDE59766.2023.10487709
- Takeshita, J., Koirala, N., McKechney, C., & Jung, T. (2025). HEProfiler: an in-depth profiler of approximate homomorphic encryption libraries. Journal of Cryptographic Engineering, 15(2). https://doi.org/10.1007/s13389-025-00377-5
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 В. Б. Цап
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
