Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4166| Métodos y herramientas para la optimización de Redes neuronales con privacidad preservada para el procesamiento de imágenes en un ambiente no seguro Methods and tools for the optimization of privacy preserved Neural Networks for image processing in a non-secure environment | |
| Marianne Salgado Ramos | |
| Andrey Chernykh LUIS BERNARDO PULIDO GAYTAN | |
| Acceso Abierto | |
| Atribución | |
| Seguridad en la nube, encriptación homomórfica, redes neuronales, aproximación polinomial, preservación de la privacidad, descomposición del sistema de números residuales cloud security, homomorphic encryption, neural networks, polynomial approximation, privacy-preserving, residual number system decomposition | |
| El modelado de redes neuronales tradicionales exige un significativo poder computacional, especialmente en el entrenamiento y procesamiento de grandes volúmenes de datos. Aunque los servicios en la nube han facilitado este proceso, han surgido nuevas preocupaciones en torno a la seguridad y la posible exposición de datos sensibles. Para enfrentar estos desafíos, se han desarrollado técnicas de cifrado para proteger la información almacenada y en tránsito contra accesos no autorizados. No obstante, el proceso de descifrado puede introducir vulnerabilidades adicionales y comprometer la integridad de los datos. En esta investigación, se propone un esquema de cifrado homomórfico aproximado, diseñado para realizar cálculos sobre datos cifrados sin necesidad de descifrar la información, utilizando aproximaciones polinomiales para superar las limitaciones inherentes a las funciones de activación en redes neuronales tradicionales. Este enfoque se optimizará utilizando el Sistema Numérico de Residuos (RNS), que mejora la eficiencia y seguridad en el procesamiento de datos cifrados. El estudio se enfoca en la optimización de redes neuronales para el procesamiento seguro y eficiente de imágenes en entornos no seguros. La implementación del esquema de cifrado homomórfico CKKS-RNS mejora significativamente la latencia del procesamiento mientras se mantiene la precisión y la seguridad de los modelos. Se llevan a cabo evaluaciones exhaustivas utilizando conjuntos de datos estándar, como MNIST y DermaMNIST, para validar las mejoras obtenidas en comparación con métodos anteriores, incluyendo SLAF NN-HE. Este enfoque no solo asegura la privacidad y la integridad de los datos, sino que también permite una clasificación y análisis precisos en contextos de alta sensibilidad, como el procesamiento de imágenes médicas. Traditional neural network modeling requires significant computational power, especially in training and processing large volumes of data. While cloud services have facilitated this process, new concerns have arisen around security and the potential exposure of sensitive data. To address these challenges, encryption techniques have been developed to protect stored and in-transit information from unauthorized access. However, the decryption process may introduce additional vulnerabilities and compromise data integrity. In this research, an approximate homomorphic encryption scheme designed to perform computations on encrypted data without the need to decrypt the information is proposed using polynomial approximations to overcome the inherent limitations of activation functions in traditional neural networks. This approach will be optimized using the Residual Numerical System (RNS), which improves efficiency and security in processing encrypted data. The study focuses on the optimization of neural networks for secure and efficient image processing in non-secure environments. Implementation of the CKKS-RNS homomorphic encryption scheme significantly improves processing latency while maintaining model accuracy and security. Extensive evaluations are performed using standard datasets, such as MNIST and DermaMNIST, to validate the improvements obtained compared to previous methods, including SLAF NN-HE. This approach not only ensures data privacy and integrity, but also enables accurate classification and analysis in highly sensitive contexts, such as medical imaging. | |
| CICESE | |
| 2024 | |
| Tesis de maestría | |
| Español | |
| Salgado Ramos, M. 2024. Métodos y herramientas para la optimización de redes neuronales con privacidad preservada para el procesamiento de imágenes en un ambiente no seguro. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 91 pp. | |
| DISEÑO CON AYUDA DE ORDENADOR | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Marianne Salgado Ramos_07 oct 2024.pdf | Descripción completa de la tesis | 2.52 MB | Adobe PDF | Visualizar/Abrir |