Sebagai bagian dari komitmen ini, kami menjadikan open source transpiler Fully Homomorphic Encryption (FHE) yang pertama kalinya di dunia dua tahun yang lalu, dan terus menghilangkan hambatan untuk masuk ke dalam teknologi ini. FHE adalah teknologi canggih yang memungkinkan Anda melakukan komputasi pada data terenkripsi tanpa dapat mengakses informasi pribadi atau sensitif dan kami sangat senang bisa membagikan pengembangan terbaru ini yang lahir dari kolaborasi dengan komunitas developer dan peneliti kami untuk membantu memperluas hal-hal yang dapat dilakukan dengan FHE.
Hari ini, kami memperkenalkan alat baru yang memungkinkan siapa pun menerapkan teknologi FHE ke file video. Kemampuan ini penting karena adopsi video biasanya berbiaya mahal dan membutuhkan waktu lama, sehingga membatasi kemampuan untuk meningkatkan penggunaan FHE ke file yang lebih besar dan format baru.
Untuk melakukannya, kami memperluas toolkit FHE kami dengan tiga cara baru untuk memudahkan developer menggunakan FHE untuk aplikasi yang lebih luas, seperti machine learning pribadi, analisis teks, dan pemrosesan video yang telah disebutkan sebelumnya. Sebagai bagian dari toolkit ini, kami merilis hardware baru, library kripto software, dan toolchain compiler open source. Tujuan kami adalah menyediakan alat-alat baru ini kepada peneliti dan developer agar dapat membantu meningkatkan penggunaan FHE untuk melindungi privasi sekaligus menurunkan biaya.
Link to Youtube Video (visible only when JS is disabled)
Kami percaya—dengan pengoptimalan lanjutan dan hardware khusus — akan terdapat lebih banyak kasus penggunaan untuk berbagai tugas machine learning pribadi yang serupa, seperti menganalisis file yang lebih kompleks secara pribadi, semisal video yang panjang, atau memproses dokumen teks. Itulah sebabnya kami merilis compiler TensorFlow-to-FHE yang memungkinkan setiap developer mengompilasi model Machine Learning TensorFlow yang telah dilatih menjadi versi FHE dari model tersebut.
Setelah model dikompilasi ke FHE, developer bisa menggunakannya untuk menjalankan inferensi pada data pengguna yang dienkripsi tanpa memiliki akses ke isi input pengguna atau hasil inferensi. Sebagai contoh, toolchain kami dapat digunakan untuk mengompilasi model TensorFlow Lite menjadi FHE, menghasilkan inferensi pribadi dalam waktu 16 detik untuk jaringan neural network 3 lapisan. Ini hanyalah salah satu cara kami membantu peneliti menganalisis set data besar tanpa membuka informasi pribadi.
Selain itu, kami merilis Jaxite, sebuah library software untuk kriptografi yang memungkinkan developer menjalankan FHE pada berbagai akselerator hardware. Jaxite dibangun di atas JAX, library machine learning lintas platform berkinerja tinggi, yang memungkinkan Jaxite menjalankan program FHE pada unit pemrosesan grafis (GPU) dan Tensor Processing Unit (TPU). Google awalnya mengembangkan JAX untuk mempercepat komputasi neural network, dan kami menemukan bahwa JAX juga dapat digunakan untuk mempercepat komputasi FHE.
Finally, we are announcing Homomorphic Encryption Intermediate Representation (HEIR), an open-source compiler toolchain for homomorphic encryption. HEIR is designed to enable interoperability of FHE programs across FHE schemes, compilers, and hardware accelerators. Built on top of MLIR, HEIR aims to lower the barriers to privacy engineering and research. We will be working on HEIR with a variety of industry and academic partners, and we hope it will be a hub for researchers and engineers to try new optimizations, compare benchmarks, and avoid rebuilding boilerplate. We encourage anyone interested in FHE compiler development to come to our regular meetings, which can be found on the HEIR website.
Organisasi dan pemerintah di seluruh dunia terus mengeksplorasi penggunaan PET untuk mengatasi tantangan sosial serta membantu developer dan peneliti memproses dan melindungi data serta privasi pengguna dengan aman. Di Google, kami terus meningkatkan dan menerapkan teknik baru ini di berbagai produk kami, melalui Protected Computing, yang merupakan perangkat teknologi yang terus berkembang yang mengubah cara, waktu, dan tempat pemrosesan data untuk secara teknis memastikan privasi dan keamanannya. Kami juga akan terus mendemokrasikan akses ke PET yang telah kami kembangkan karena kami percaya bahwa setiap pengguna internet berhak mendapatkan privasi kelas dunia.
