Ứng dụng trong:

• Xử lý bảo mật trên dữ liệu mã hóa:
  FHE cho phép thực hiện các phép tính và phân tích phức tạp trên dữ liệu trong khi chúng vẫn đang được mã hóa -  nghĩa là thông tin nhạy cảm không bao giờ bị giải mã trong suốt quá trình xử lý.

• Đảm bảo bảo mật dữ liệu tuyệt đối:
  Dữ liệu gốc không bao giờ bị lộ, ngay cả với bên thực hiện tính toán, giúp đáp ứng nghiêm ngặt các quy định bảo mật như GDPR.

• Hỗ trợ tính toán đa bên an toàn:
  FHE cho phép nhiều tổ chức cùng tính toán trên tập dữ liệu kết hợp mà không tiết lộ dữ liệu riêng của từng bên, tăng cường hợp tác an toàn giữa các đối tác.

• Giảm thiểu rủi ro rò rỉ dữ liệu trong môi trường đám mây:
  Bằng cách xử lý dữ liệu ở dạng mã hóa, FHE hạn chế tối đa rủi ro lộ lọt trong môi trường cloud hoặc bên thứ ba, vì dữ liệu bị chặn lại vẫn hoàn toàn không thể đọc được.

• Mở ra mô hình kinh doanh mới:
  Doanh nghiệp có thể cung cấp dịch vụ phân tích dữ liệu nhạy cảm mà không cần truy cập dữ liệu thô, từ đó tạo ra nguồn doanh thu mới và cơ hội trao đổi dữ liệu an toàn.

Cách hoạt động:

FHE cho phép xử lý dữ liệu mã hóa mà không cần giải mã.
Điều này giúp thông tin nhạy cảm vẫn được giữ bí mật ngay cả khi được phân tích hoặc sử dụng trong môi trường đám mây.
Mặc dù thường được xem là công nghệ đòi hỏi tài nguyên tính toán cao, đội ngũ AIDatacy với 12 năm chuyên môn phát triển tại CEA (từ 2013) đã vượt qua những rào cản kỹ thuật này, đảm bảo hiệu năng tối ưu khi triển khai thực tế.

Tại sao điều này quan trọng:

FHE cho phép các bên không hoàn toàn tin tưởng nhau vẫn có thể cộng tác an toàn trên dữ liệu, đặc biệt trong các lĩnh vực như y tế, tài chính và chính phủ.

Tham khảo:

Gentry, C. (2009) - Minh chứng đầu tiên cho thấy việc tính toán trực tiếp trên dữ liệu mã hóa là khả thi

Ứng dụng trong:

• Giữ dữ liệu tại chỗ, bảo vệ quyền riêng tư:
  FL cho phép huấn luyện mô hình máy học trên tập dữ liệu phi tập trung, không cần tập hợp dữ liệu gốc về một nơi, từ đó bảo vệ quyền riêng tư cá nhân.

• Cho phép huấn luyện mô hình cộng tác giữa nhiều tổ chức:
  Nhiều bên có thể cùng đóng góp cho một mô hình AI mạnh mẽ hơn bằng cách chia sẻ tham số đã học (trọng số, độ lệch) thay vì dữ liệu gốc, giúp hợp tác an toàn và hiệu quả.

• Tận dụng tập dữ liệu đa dạng để tăng độ chính xác:
  Khi được huấn luyện trên dữ liệu từ nhiều nguồn khác nhau, FL giúp mô hình tổng quát và chính xác hơn so với mô hình huấn luyện trên dữ liệu tập trung hạn chế.

• Giảm chi phí và độ trễ truyền dữ liệu:
  Dữ liệu thô được giữ lại trên thiết bị hoặc máy chủ cục bộ, giảm đáng kể nhu cầu truyền tải quy mô lớn, tiết kiệm băng thông và độ trễ.

• Thúc đẩy phát triển AI trong các ngành có quy định nghiêm ngặt:
  FL đặc biệt hữu ích trong các lĩnh vực yêu cầu bảo mật cao như y tế, tài chính, viễn thông, nơi dữ liệu không thể chia sẻ hoặc tập trung dễ dàng.

Cách hoạt động:

Học liên kết (FL) cho phép các tổ chức và thiết bị cùng huấn luyện mô hình AI mà không cần chia sẻ dữ liệu gốc.
Mỗi bên giữ dữ liệu tại chỗ và chỉ chia sẻ các thông tin đã học được.

Mặc dù FL có thể gặp rủi ro như đầu độc mô hình (model poisoning) hoặc chất lượng dữ liệu không đồng đều, công nghệ của AIDatacy kết hợp các cơ chế phòng thủ kỹ thuật tiên tiến (Krum, Trimmed Mean, Median Aggregation, Bulyan) với kiến trúc bền vững và chiến lược quản trị chặt chẽ.
Ngoài ra, AIDatacy còn mã hóa các tham số mô hình và ứng dụng mã hóa đồng cấu (FHE) để tổng hợp bảo mật và chia sẻ mô hình AI an toàn.

Tại sao điều này quan trọng:

FL giúp bảo vệ thông tin cá nhân và dữ liệu nhạy cảm, đồng thời vẫn tận dụng được trí tuệ tập thể, đặc biệt phù hợp với các lĩnh vực như y tế, ngân hàng và viễn thông.

Tham khảo:

McMahan et al. (2017) - Giới thiệu phương pháp cho phép các thiết bị di động cùng học tập mà không cần chia sẻ dữ liệu cá nhân.

Ứng dụng trong:

• Bảo vệ dữ liệu trong quá trình sử dụng khỏi tấn công bên ngoài:
  TEE tạo ra một môi trường bảo mật và cô lập bên trong bộ xử lý, nơi dữ liệu và mã lệnh có thể được thực thi với tính toàn vẹn và bảo mật cao, ngay cả khi phần còn lại của hệ thống bị xâm nhập.

• Đảm bảo tính toàn vẹn và xác thực của mã lệnh:
  TEE xác minh rằng chỉ mã được ủy quyền và không bị thay đổi mới có thể chạy trong vùng an toàn, ngăn chặn mã độc can thiệp vào quy trình.

• Bảo vệ khóa mã hóa và tài sản trí tuệ:
  Các khóa mật mã quan trọng, thuật toán độc quyền, và mã nguồn bảo mật có thể được lưu trữ và vận hành an toàn trong TEE, tránh mọi truy cập hoặc trích xuất trái phép.

• Hỗ trợ xác thực từ xa an toàn:
  TEE cho phép các bên từ xa xác minh tính toàn vẹn phần cứng và phần mềm bằng cơ chế mã hóa, tạo dựng niềm tin trong môi trường điện toán đám mây hoặc phân tán.

• Hỗ trợ tính toán và chia sẻ dữ liệu đa bên an toàn:
  TEE có thể được sử dụng để tạo ra “phòng sạch” dữ liệu (clean room), nơi nhiều tổ chức cùng xử lý và phân tích dữ liệu của họ — đầu vào vẫn riêng tư, chỉ kết quả tổng hợp và ẩn danh được chia sẻ.

Cách hoạt động:

Các TEE như Intel SGX, ARM TrustZone, hay AMD SEV cung cấp vùng xử lý an toàn cho dữ liệu và mã nhạy cảm.
Tuy nhiên, chúng vẫn có thể gặp rủi ro từ tấn công kênh phụ hoặc lỗi phần cứng.

Công nghệ của AIDatacy khắc phục các hạn chế này bằng cách kết hợp mô hình bảo mật hai lớp độc đáo:

• cô lập và tối giản phần mã chạy trong TEE, chỉ dùng để điều phối và kiểm soát,

• toàn bộ quá trình tính toán nhạy cảm được thực hiện trong không gian mã hóa bằng FHE, đảm bảo Data Clean Room có thể đối chiếu danh tính hoặc xử lý truy vấn SQL mã hóa mà không bao giờ tiết lộ dữ liệu.

Như vậy, TEE chỉ đóng vai trò điều phối, chứ không lưu trữ bất kỳ bí mật nào.

Tại sao điều này quan trọng:

TEE xây dựng niềm tin trong môi trường điện toán đám mây và biên (edge), đảm bảo các tác vụ quan trọng được thực hiện an toàn tuyệt đối, ngay cả trong hệ thống có nguy cơ bị xâm phạm.

Tham khảo:

Costan & Devadas (2016) - Giải thích cách công nghệ Intel SGX tạo ra vùng thực thi bảo mật bên trong bộ xử lý.