Exploring the Scope of Machine Learning using Homomorphic Encryption in IoT/Cloud (PhD thesis)

Abstract (English)

Machine Learning as a Service (MLaaS) has accelerated the adoption of machine learning techniques in various fields. However, this trend has also raised serious concerns about the security and privacy of the sensitive data used in machine learning models. To address this challenge, we use homomorphic encryption. The aim of this thesis is to investigate the implementation of homomorphic encryption in different machine learning applications. The first part of the thesis focuses on the use of homomorphic encryption in a multi-cloud environment, where the encryption is applied to simple operations such as addition and multiplication. This thesis investigates the application of homomorphic encryption to the k-nearest neighbors (k-NN) algorithm. The study presents a practical implementation of the k-NN algorithm using homomorphic encryption and demonstrates the feasibility of this approach on a variety of datasets. The results show that the performance of the k-NN algorithm with homomorphic encryption is comparable to that of the unencrypted algorithm. Third, the paper investigates the application of homomorphic encryption to k-means clustering algorithm. Similar to the k-NN study, this paper presents a practical implementation of the k-means algorithm using homomorphic encryption and evaluates its performance using different datasets. Finally, the thesis explores the combination of homomorphic encryption with Differential Privacy (DP) techniques to further improve the confidentiality of machine learning models. The study proposes a novel approach that combines homomorphic encryption with DP to achieve better privacy guarantees for machine learning models. The research results presented in this paper contribute to the growing body of research at the intersection of homomorphic encryption and machine learning and provide practical implementations and evaluations of homomorphic encryption in various machine learning contexts.

Original English abstract from the archived thesis (p. 22). Institutional thesis record and available version on HAL.

Résumé (français)

Exploration de l’apprentissage automatique avec le chiffrement homomorphe dans l’internet des objets/Cloud L’apprentissage automatique en tant que service (MLaaS) a accéléré l’adoption des techniques d’apprentissage automatique dans divers domaines. Toutefois, cette tendance a également soulevé de sérieuses inquiétudes quant à la sécurité et à la confidentialité des données sensibles utilisées dans les modèles d’apprentissage automatique. Pour relever ce défi, notre approche consiste à utiliser le chiffrement homomorphique.Cette thèse explore l’application du chiffrement homomorphe dans divers contextes d’apprentissage automatique. La première partie du travail se concentre sur l’utilisation du chiffrement homomorphe dans un environnement multi-cloud, où le chiffrement est appliqué à des opérations simples telles que l’addition et la multiplication.Cette thèse explore l’application du chiffrement homomorphique à l’algorithme k-nearest neighbors (k-NN). L’étude présente une implémentation pratique de l’algorithme k-NN utilisant le cryptage homomorphique et démontre la faisabilité de cette approche sur une variété d’ensembles de données. Les résultats montrent que les performances de l’algorithme k-NN utilisant le cryptage homomorphique sont comparables à celles de l’algorithme non chiffré.Troisièmement, les travaux étudient l’application du chiffrement homomorphique à l’algorithme de regroupement k-means. Comme pour l’étude k-NN, la thèse présente une implémentation pratique de l’algorithme k-means utilisant le chiffrement homomorphique et évalue ses performances sur différents ensembles de données.Enfin, la thèse explore la combinaison du chiffrement homomorphique avec des techniques de confidentialité différentielle (DP) pour améliorer encore la confidentialité des modèles d’apprentissage automatique. L’étude propose une nouvelle approche qui combine le chiffrement homomorphique avec la protection différentielle afin d’obtenir de meilleures garanties de confidentialité pour les modèles d’apprentissage automatique. La recherche présentée dans cette thèse contribue au corpus croissant de recherche sur l’intersection du chiffrement homomorphique et de l’apprentissage automatique, en fournissant des implémentations pratiques et des évaluations du chiffrement homomorphique dans divers contextes d’apprentissage automatique.