Resumen

El cifrado homomórfico (HE) es notable por permitir la computación en datos encriptados, así como garantizar un alto nivel de seguridad basado en la complejidad del problema de la red. En este sentido, la ventaja del HE ha facilitado la investigación que puede realizar análisis de datos en un estado encriptado con el propósito de lograr seguridad y privacidad tanto para los clientes como para la nube. Sin embargo, gran parte de la literatura se centra en la construcción de una red que solo proporciona un resultado de predicción encriptado en lugar de construir un sistema que pueda aprender de los datos encriptados para proporcionar respuestas más precisas a los clientes. Además, su investigación utiliza aproximaciones polinomiales simples para diseñar una función de activación, lo que puede causar un error posiblemente significativo en los resultados de predicción. Por el contrario, nuestro enfoque es más fundamental; presentamos t-BMPNet, que es una red neuronal sobre un esquema de cifrado totalmente homomórfico que se basa en compuertas primitivas y operaciones homomórficas de bits

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Cifrado homomórfico; Seguridad; Problema reticular; Análisis de datos; Privacidad; Red neuronal
• Keywords:Homomorphic encryption; Security; Lattice problem; Data analysis; Privacy; Neural network