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

با گسترش استفاده از هوش مصنوعی در حوزه‌های مختلف، چالش‌های امنیتی متعددی پدید آمده‌اند که تهدیداتی جدی برای پایداری و اعتماد به این فناوری محسوب می‌شوند. این مقاله به بررسی چالش‌های اصلی امنیت هوش مصنوعی، روش‌های موجود برای مقابله با این تهدیدات و یک رویکرد جدید برای بهبود امنیت مدل‌های هوش مصنوعی می‌پردازد 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 داده‌ها و مدل‌ها را به طور همزمان تضمین می‌کند. 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 سیستم‌های هوش مصنوعی معرفی شده است که از ترکیب دو تکنیک پیشرفته، یعنی یادگیری فدرال و رمزنگاری همومورفیک، بهره می‌برد. یادگیری فدرال با توزیع فرآیند آموزش مدل‌ها میان دستگاه‌های محلی و حذف نیاز به انتقال داده‌ها به سرور مرکزی، خطر افشای اطلاعات را به حداقل می‌رساند. از سوی دیگر، رمزنگاری همومورفیک امکان انجام عملیات ریاضی روی داده‌های رمزنگاری‌شده را بدون نیاز به رمزگشایی فراهم می‌کند، که منجر به امنیت بیشتر در پردازش داده‌ها می‌شود. روش پیشنهادی ابتدا داده‌ها را در محل کاربر رمزنگاری می‌کند و سپس این داده‌های رمزنگاری‌شده در فرآیند یادگیری فدرال مشارکت می‌کنند. به‌روزرسانی‌های پارامترها نیز به صورت رمزنگاری‌شده به سرور مرکزی ارسال می‌شوند، و مدل مرکزی از طریق قابلیت‌های رمزنگاری همومورفیک به‌روزرسانی می‌شود. این ترکیب علاوه بر حفظ حریم خصوصی کاربران، امنیت بالایی را در برابر تهدیدهای اطلاعاتی تضمین می‌کند. نتایج اولیه نشان می‌دهند که روش پیشنهادی با حفظ کارایی، استانداردهای امنیتی مورد نیاز در سیستم‌های هوش مصنوعی حساس را برآورده می‌کند.