KR20210134980A

KR20210134980A - 동형 암호화

Info

Publication number: KR20210134980A
Application number: KR1020217033575A
Authority: KR
Inventors: 헨리 마크람; 펠릭스 쉬어만; 케스린 헤스; 파비앙 드라롱드르
Original assignee: 이나이트 에스아
Priority date: 2019-03-18
Filing date: 2020-03-12
Publication date: 2021-11-11
Also published as: WO2020187676A1; US11652603B2; US20200304284A1; CN113812114A; US20230370244A1; EP3942730A1

Abstract

동형 암호화를 위한 방법, 시스템 및 디바이스가 제공된다. 일 구현에서, 상기 방법은 제1 데이터를 순환 인공 신경 네트워크에 입력하는 단계, 보안 데이터의 입력에 응답하는 상기 순환 인공 신경 네트워크에서 활동의 패턴들을 식별하는 단계, 식별된 활동의 패턴들이 토폴로지 패턴들과 일치하는지 여부를 나타내는 제2 데이터를 저장하는 단계, 그리고 상기 제2 데이터를 통계적으로 분석하여 상기 제1 데이터에 관한 결론을 도출하는 단계를 포함한다.

Description

동형 암호화

이 문서는 동형 암호화 그리고 동형 암호화를 수행하는 시스템 및 기술에 관한 것이다.

부호 매김 암호화 (cryptographic encryption)는 제3자 (일반적으로 "적대자"라고 함)가 통신을 가로채는 경우에 당사자 간의 안전한 통신을 제공한다. 암호화된 통신은 암호화되어, 승인된 수신자(들)만 통신에 액세스할 수 있도록 한다. 일반적으로, 상기 통신 그 자체는 "평문 (plaintext)"이라고 언급되며, 이는 텍스트 메시지 및 다른 메시지를 모두 포함하는 용어이다. 통신을 암호화하는 알고리즘을 일반적으로 "암호 (cipher)"라고 하며 암호화된 통신을 "암호문 (ciphertext)"이라고 한다. 비록 암호문을 가로채거나 그렇지 않고 적대자가 사용할 수 있지만, 암호화된 통신에 액세스하기 위해 암호문을 해독하는 것은 일반적으로 매우 어렵다.

일반적으로, 암호화는 "대칭 키" 또는 "공개 키"로 분류될 수 있다. 대칭 키 암호화에서, 평문 암호화와 암호문 해독에 동일한 키가 사용된다. 송신측과 수신측 모두 동일한 대칭 키에 액세스해야 하므로, 그 대칭 키는 보장하기 위해 보안 채널을 통해 교환되어야 한다. 공개 키 암호화에서, 상기 암호화 키는 평문을 암호화하기 위해 여러 당사자들에 의해 공개되고 암호화될 수 있다. 그러나, 의도된 수신자들만이 암호문이 해독되는 것을 가능하게 하는 해독 키에 액세스할 수 있어야 한다.

어떤 경우에는, 암호문을 계산에 사용하기 위해 당사자가 상기 암호문을 완전히 해독할 필요는 없다. 소위 "동형 암호화(homomorphic encryption)"에서, 암호문에 대해 수행된 연산은, 해독될 때에, 해당 평문에 관해 수행된 비교 가능한 연산 결과에 부합하는 결과들을 산출할 수 있다. 연산의 예로는 선형 및 비선형 통계 분석, 그리고 딥 러닝 및 다른 AI 기반 기술이 있다.

동형 암호화는 평문에 대한 무제한 액세스 권한을 가지지 않는 당사자들이 계산을 수행하는 상황에서 특히 유용하다. 예를 들어, 의료 데이터에 대한 통계적 분석을 수행하는 당사자는 환자 식별 정보에 액세스할 자격을 부여받지 않을 수 있다. 그러나, 그 분석의 결과는 당사자가 전체 식별 정보에 액세스한 것처럼 정확해야 한다.

본 발명은 동형 암호화 그리고 동형 암호화를 수행하는 시스템 및 기술을 제공하려고 한다.

이 문서는 동형 암호화 그리고 동형 암호화를 수행하는 시스템 및 기술에 관한 것이다. 예를 들어, 일 구현에서, 동형 암호화 방법은 이진 데이터를 저장하는 단계를 포함하고, 여기에서 이진 데이터의 각 숫자는 순환 인공 신경 네트워크 (recurrent artificial neural network)에서의 활동이 각자 패턴과 일치하는지 여부를 나타내며, 상기 활동은 보안 데이터의 입력에 응답하고, 그리고 상기 이진 데이터를 통계적으로 분석하여 상기 보안 데이터에 관한 결론을 도출하는 단계를 포함한다. 상기 방법은 하드웨어로, 소프트웨어로 또는 이들의 조합으로 구현될 수 있다.

이 암호화 동형 방법 및 다른 동형 암호화 방법들은 다음 특징들 중 하나 이상을 포함할 수 있다. 상기 순환 인공 신경 네트워크에서의 활동 패턴들은 네트워크에서의 활동의 심플렉스 패턴을 포함할 수 있으며, 예를 들어, 상기 심플렉스 패턴들은 방향성 (directed) 심플렉스들이며 또는 상기 심플렉스 패턴들은 공동들을 둘러싼다. 상기 방법은 상기 순환 인공 신경 네트워크에서 활동의 패턴들을 식별하는 단계를 포함할 수 있다. 활동의 패턴을 식별하는 단계는 상기 입력에 응답하는 다른 활동과 구별가능한 복잡성을 구비한 활동의 타이밍을 결정하는 단계, 그리고 상기 구별가능한 복잡성을 가진 활동의 타이밍에 기초하여 상기 패턴들을 식별하는 단계를 포함할 수 있다. 상기 방법은 상기 보안 데이터를 네트워크에 입력하는 특성을 조정하는 특징을 가진 데이터를 수신하는 단계, 그리고 상기 데이터에 따라 상기 네트워크에 평문을 입력하는 것을 조정하는 단계를 더 포함할 수 있다. 상기 데이터는, 상기 평문의 비트들이 주입될 시냅스들 및 노드들, 또는 상기 평문의 비트들이 주입될 순서 중 어느 하나의 특징을 가질 수 있다. 상기 방법은 예를 들어 네트워크 내의 노드 또는 링크를 생성 또는 제거하거나 상기 네트워크 내의 노드 또는 링크의 하나 이상의 속성들을 변경함으로써 상기 보안 데이터의 입력에 대한 상기 네트워크의 응답을 조정하는 단계를 또한 포함할 수 있다.

다른 구현에서, 동형 암호화 방법은, 순환 인공 신경 네트워크에 제1 데이터를 입력하는 단계, 보안 데이터의 입력에 응답하는 상기 순환 인공 신경 네트워크에서 활동의 패턴들을 식별하는 단계, 식별된 활동의 패턴들이 토폴로지 패턴들과 일치하는지 여부를 나타내는 제2 데이터를 저장하는 단계, 그리고 상기 제2 데이터를 통계적으로 분석하여 상기 제1 데이터에 관한 결론을 도출하는 단계를 포함한다. 상기 방법은 하드웨어로, 소프트웨어로 또는 이들의 조합으로 구현될 수 있다.

이 암호화 동형 방법 및 다른 동형 암호화 방법들은 다음 특징들 중 하나 이상을 포함할 수 있다. 상기 순환 인공 신경 네트워크에서의 활동 패턴들은 네트워크에서의 활동의 심플렉스 패턴을 포함할 수 있으며, 예를 들어, 상기 심플렉스 패턴들은 방향성 심플렉스들이며 또는 상기 심플렉스 패턴들은 공동들을 둘러싼다. 활동의 패턴을 식별하는 단계는 상기 입력에 응답하는 다른 활동과 구별가능한 복잡성을 구비한 활동의 타이밍을 결정하는 단계, 그리고 상기 구별가능한 복잡성을 가진 활동의 타이밍에 기초하여 상기 패턴들을 식별하는 단계를 포함할 수 있다. 상기 방법은 상기 보안 데이터를 네트워크에 입력하는 특성을 조정하는 특징을 가진 데이터를 수신하는 단계, 그리고 상기 데이터에 따라 상기 네트워크에 평문을 입력하는 것을 조정하는 단계를 더 포함할 수 있다. 상기 데이터는, 상기 평문의 비트들이 주입될 시냅스들 및 노드들, 또는 상기 평문의 비트들이 주입될 순서 중 어느 하나의 특징을 가질 수 있다. 상기 방법은 예를 들어 네트워크 내의 노드 또는 링크를 생성 또는 제거하거나 상기 네트워크 내의 노드 또는 링크의 하나 이상의 속성들을 변경함으로써 상기 보안 데이터의 입력에 대한 상기 네트워크의 응답을 조정하는 단계를 포함할 수 있다.

일부 구현에서, 비일시적 컴퓨터 판독 가능 저장 매체는, 하나 이상의 프로세서들에 의해 실행될 때 상기 하나 이상의 프로세서들로 하여금 위에서 설명된 동형 암호화 방법들 중 임의의 것을 수행하게 하는 저장된 명령어들을 구비할 수 있다.

일부 구현들에서, 동형 암호화 디바이스는 위에서 설명된 동형 암호화 방법들 중 임의의 것을 수행하도록 구성될 수 있다.

하나 이상의 실시예들의 세부 사항들은 첨부 도면들 및 아래의 설명에서 제시된다. 다른 특징들, 목적들 및 이점들은 상기 설명과 도면들, 그리고 청구범위로부터 명백할 것이다.

본 발명의 효과는 본 명세서의 해당되는 부분들에 개별적으로 명시되어 있다.

도 1은 데이터의 동형 암호화를 위한 프로세스의 개략도이다.
도 2 및 도 3은 순환 인공 신경 네트워크에서 식별하고 판독될 수 있는 활동의 패턴들을 나타낸다.
도 4는 구별가능한 복잡성을 갖는 활동 패턴들의 타이밍울 결정하는 개략적인 표현이다.

도 1은 데이터의 동형 암호화를 위한 프로세스 (100)의 개략도이다. 프로세스(100)는 자율적으로 또는 인간의 운영 감독하에 하나 이상의 컴퓨팅 디바이스들에 의해 수행될 수 있다.

프로세스(100)에서, 데이터의 컬렉션은 하나 이상의 데이터 저장 디바이스(105)에 저장되었다. 도시된 바와 같이, 상기 저장된 데이터는 예를 들어, 이미지 데이터, 비디오 데이터, 텍스트 데이터, 오디오 데이터, 및/또는 구조화된 또는 구조화되지 않은 데이터베이스 데이터를 포함할 수 있다. 일부 경우에, 데이터 저장 디바이스(105)는 기업 또는 다른 엔티티의 데이터 센터를 형성할 수 있다. 데이터 저장 디바이스(105)에 저장된 데이터를 소유하는 개체 또는 개체들은 하나 이상의 이유로 인해 다른 사람이 데이터에 액세스하는 것을 제한하기를 원할 수 있다. 예를 들어, 저장된 데이터에는 영업 비밀 또는 소유자(들)에게 상업적으로 중요한 다른 데이터가 포함될 수 있다. 다른 예로, 상기 저장된 데이터가 익명화되지 않은 의료 데이터인 경우와 같이 데이터에 대한 액세스가 법으로 규제될 수 있다.

상기 저장 디바이스(들)(105)에 저장된 데이터는 인공 순환 신경 네트워크(110)에 주입될 수 있다. 인공 신경 네트워크는 생물학적 뉴런 네트워크의 구조 및 기능적 측면에서 영감을 받은 디바이스이지만 하드웨어로, 소프트웨어로 또는 이들의 조합으로 구현된다. 특히, 인공 신경 네트워크는 노드라고 불리는 상호 연결된 구성의 시스템을 사용하여 생물학적 뉴런들 네트워크의 정보 인코딩 및 다른 처리 기능들을 모방한다. 인공 신경 네트워크에서 노드들 간 연결의 배열과 강도는 그 인공 신경 네트워크에 의한 정보 처리나 정보 저장의 결과를 결정한다.

신경 네트워크는 그 네트워크 내에서 원하는 신호 흐름을 생성하고 원하는 정보 처리 또는 정보 저장 결과를 달성하도록 훈련될 수 있다. 일반적으로, 신경 네트워크을 훈련하면 학습 단계에서 노드들 간 연결의 배열 및/또는 강도가 변할 것이다. 주어진 입력 세트에 대해 신경 네트워크에 의해 충분히 적절한 처리 결과를 얻을 때 신경 네트워크는 훈련된 것으로 간주될 수 있다.

인공 신경 네트워크는 다양한 상이한 디바이스들에서 비선형 데이터 처리 및 분석을 수행하기 위해 사용될 수 있다. 비선형 데이터 처리는 중첩 원리를 충족하지 않으며, 즉, 결정되어야 하는 변수들이 독립적인 컴포넌트들의 선형 합으로 쓰여질 수 없다.

순환 인공 신경 네트워크에서, 노드들 간의 연결은 시간 순서를 따라 방향성 그래프를 형성하며 상기 네트워크는 시간적 동적 동작을 나타냅니다.

저장 디바이스(들)(105)에 저장된 데이터는 다양한 상이한 방식으로 순환 인공 신경 네트워크(110)에 입력될 수 있다. 일반적으로, 사용자는 원하지 않는 액세스에 대항하는 보안 레벨을 제공하기 위해, 저장 디바이스(들)(105)에 저장된 데이터가 특정 네트워크에 주입되는 방식을 고유하게 지정할 수 있다. 예를 들어, 순환 인공 신경 네트워크(110)는 잘 정의된 입력 레이어를 통해 입력을 수신하도록 제한될 필요가 없다. 오히려, 일부 구현에서, 사용자는 저장 디바이스(들)(105)에 저장된 데이터가 네트워크(110) 전체에 분산된 특정 노드들이나 링크들에 주입되도록 지정할 수 있다. 다른 예로서, 순환 인공 신경 네트워크(110)는 공지된 사전 정의된 방식(예를 들어, 항상 첫 번째 노드에 첫 번째 비트를 주입하고, 두 번째 노드에 두 번째 비트를 주입하는 등)으로 입력을 수신하도록 제한될 필요가 없다. 대신, 사용자는 저장 디바이스(들)(105)에 저장된 데이터의 특정 비트가 뉴런이 아닌 시냅스에 주입되도록 지정할 수 있으며, 주입 순서는 상기 비트가 나타나는 순서 또는 이 파라미터들과 다른 파라미터들의 조합을 따를 필요는 없다.

일부 구현에서, 저장 디바이스(들)(105)에 저장된 데이터는 입력에 대한 네트워크(110)의 응답을 조정하는 하나 이상의 세팅들(115)을 사용하여 조정된 순환 인공 신경 네트워크(110)에 입력될 수 있다. 이러한 세팅들은 예를 들어 네트워크(110) 내의 노드들 또는 링크들을 생성 또는 제거하고/하거나 네트워크(110) 내의 개별 노드들 또는 링크들의 속성들을 변경할 수 있다. 예를 들어, 상기 세팅들은 네트워크(110) 내의 링크의 강도 및/또는 방향성을 변경할 수 있다. 다른 예로서, 상기 세팅들은 통합 및 발사 (integrate-and-fire) 모델에 따라 작동하는 노드에서 신호의 누적 또는 발사 임계를 변경할 수 있다. 이러한 변경의 특성은, 예를 들어, 네트워크(110)에 액세스할 수 있지만 세팅들(115)에는 액세스할 수 없는 다른 당사자들로부터 숨겨진 방식으로 입력하기 위해서 상기 네트워크(110)의 응답성을 조정하기에 충분할 수 있다. 이와 같이, 네트워크(110)의 변경되지 않은 속성들과 함께, 세팅들(115)은 저장 디바이스(들)(105)에 저장된 데이터의 인코딩을 결정하는 "개인 키"로 간주될 수 있다. 교훈적인 목적을 위해, 세팅들(115)은 도 1에서 키로 개략적으로 표시된다.

저장 디바이스(들)(105)에 저장된 데이터의 입력에 응답하여, 순환 인공 신경 네트워크(110)은 활동의 패턴들로 응답한다. 이 활동에서 발생하는 토폴로지 패턴은 신경-토폴로지 코드 (120)로 "판독될 수" 있다. 더 상세하게, 신경-토폴로지 코드(120)는 주어진 입력이 제시될 때 신경 네트워크에서 발생하는 활동의 패턴들에 대응하는 토폴로지 특징들을 나타낼 수 있다. 즉, 상기 신경 네트워크는 그래프로 표현될 수 있다. 그래프는 노드들의 세트 및 그 노드들 사이의 에지(edge)들의 세트이다. 상기 노드들은 예를 들어 신경 네트워크 내 인공 뉴런들에 대응할 수 있다. 에지들은 노드들 간의 일부 관계에 대응할 수 있다. 관계의 예들은, 예를 들면, 구조적 연결 또는 그 연결에 따른 활동을 포함한다. 신경 네트워크의 환경에서, 인공 뉴런들은 뉴런들 간의 구조적 연결 또는 구조적 연결들을 따른 정보 전송에 관련될 수 있다. 그래서 에지들은 정의된 시간 프레임 내에서 발생하는 상대적으로 일시적인 "활동" 특성들을 특성화할 수 있다.

신경 토폴로지 코드(120)는 일련의 이진 비트들을 사용하여 상기 활동에서 토폴로지 특징들의 존재 또는 부재를 나타낼 수 있다. 신경 토폴로지 코드(120)에서 비트들에 의해 존재 또는 부재가 표시되는 특징들은 예를 들어 노드, 노드들의 세트, 노드들의 세트들의 세트, 에지들의 세트, 에지들의 세트들의 세트, 및/또는 추가적인 계층적으로 더 복잡한 특징들(예를 들어, 노드들의 세트들의 세트들의 세트) 내 활동일 수 있다. 신경 토폴로지 코드(120) 내 비트들은 다른 계층 레벨들에 있는 특징들의 존재 또는 부재를 일반적으로 나타낸다. 예를 들어, 제1 비트는 5개 노드들의 세트에서 활동의 존재 또는 부재를 나타낼 수 있는 반면, 제2 비트는 8개 노드들의 세트에서 활동의 존재 또는 부재를 나타낼 수 있다. 일부 구현에서, 비트들는 활동을 나타내는 그래프에서 활동의 다차원 심플렉스 (multi-dimension simplex) 패턴들의 존재 또는 부재를 나타낼 수 있다.

일부 구현에서, 신경 토폴로지 코드(120)의 포맷은 사용자에 의해 조정될 수 있다. 예를 들어, 비트들의 순서는 사용자가 선택할 수 있다.

일부 구현에서, 신경 토폴로지 코드(120)의 비트들은 그런 특징들의 단순한 존재 또는 부재 이외의 그래프 내 특징들에 관한 정보를 나타낼 수 있다. 예를 들어, 비트들은 특징들이 존재할 뿐만 아니라 일부 특성의 임계 레벨도 가지고 있음을 나타낼 수 있다. 예를 들어, 비트들은 에지들 세트 내 활동의 심플렉스 패턴이 존재한다는 것 뿐만이 아니라 이 활동이 활동의 임계 레벨보다 높거나 낮음을 나타낼 수 있다.

환원적 의미에서, 신경 네트워크(110)에 입력되는 저장 디바이스(들)(105)로부터의 데이터는 평문이며 그리고 응답인 신경 토폴로지 코드(120)는 그 평문을 동형적으로 암호화한다.

신경 토폴로지 코드(120)는 하나 이상의 데이터 저장 디바이스(125)에 저장될 수 있다. 일반적으로, 참조번호 125의 데이터 저장 디바이스(들)는 참조번호 105의 데이터 저장 디바이스들과는 다르다. 예를 들어, 데이터 저장 디바이스(들)(125)는 클라우드 데이터 저장소 또는 데이터 저장 디바이스들(105)에 저장된 데이터를 소유한 엔티티 또는 엔티티들 이외의 당사자들이 액세스할 수 있는 종단 (longitudinal) 데이터베이스일 수 있다. 이 접근성은 데이터 저장 디바이스(들)(125) 상의 잠금 해제된 인장으로 도면에서 개략적으로 표시된다.

액세스 권한이 있는 엔티티들은 데이터 저장 디바이스(들)(125)에 저장된 데이터에 액세스하여 하나 이상의 데이터 분석들(130, 135, 140)을 수행할 수 있다. 신경 토폴로지 코드(120)에 대한 데이터 분석(들)(130, 135, 140)의 결과는, 해독될 때에, 데이터 저장 디바이스(들)(125)에 저장된 대응하는 데이터에 관해 수행된 비교 가능한 작업들의 결과와 부합하는 결과들을 산출할 수 있다. 적합한 데이터 분석들의 예로는 선형 및 비선형 통계적 분석 그리고 딥 러닝 및 다른 AI 기반 기술들이 있다. 이러한 결과들은 데이터 저장 디바이스(들)(125)에 저장된 데이터에 대한 무제한 액세스를 상기 엔티티들에게 제공하지 않고 달성될 수 있다.

도 2는 신경 네트워크(110)(도 1)으로부터 신경 토폴로지 코드(120)를 생성하기 위해 식별되고 "판독"될 수 있는 활동의 패턴들(400)의 표현이다.

패턴들(400)은 순환 인공 신경 네트워크 내에서의 활동을 나타낸다. 패턴들(400)을 판독하기 위해, 기능적 그래프는 노드들을 포인트들로 구비한 토폴로지 공간으로 취급된다. 패턴(400)과 일치하는 노드들 및 링크들에서의 활동은 그 활동에 참여하는 특정 노드들 및/또는 링크들의 신원에 관계없이 정렬된 것으로 인식될 수 있다. 예시된 구현에서, 패턴들(400)은 모두 방향성 클리크(clique)들 또는 방향성 심플렉스들이다. 이러한 패턴들에서, 활동은 패턴 내 모든 다른 노드에 신호들을 전송하는 소스 노드로부터 비롯된다. 패턴들(400)에서, 그런 소스 노드는 포인트 0으로 지정되는 반면 다른 노드들은 포인트 1, 2, …로 지정된다. 또한, 방향성 클리크들 또는 심플렉스들에서, 상기 노드들 중 하나는 싱크 (sink) 역할을 하고 그 패턴 내 다른 모든 노드로부터 전송된 신호들을 수신한다. 패턴들(400)에서, 그런 싱크 노드들은 그 패턴에서 가장 높은 번호의 포인트로 지정된다. 예를 들어, 패턴 405에서 상기 싱크 노드는 포인트 2로 지정된다. 패턴 410에서, 상기 싱크 노드는 포인트 3으로 지정된다. 패턴 415에서, 상기 싱크 노드는 포인트 3으로 지정되며, 기타 같은 방식이다. 그래서 패턴(400)에 의해 표현되는 활동은 구별가능한 방식으로 정렬된다.

패턴들(400) 각각은 상이한 개수의 포인트들을 가지며 상이한 개수의 노드들에서 정렬된 활동을 반영한다. 예를 들어, 패턴 405는 2D-심플렉스이고 3개의 노드에서의 활동들을 반영하고, 패턴 410은 3D-심플렉스이고 4개 노드에서의 활동을 반영하며, 기타 같은 방식이다. 패턴 내 포인트들의 개수가 증가함에 따라, 순서의 정도와 활동의 복잡성도 증가한다. 예를 들어, 윈도우 내에서 특정 레벨의 랜덤한 활동을 구비한 노드들의 대규모 컬렉션에 대해, 그 활동 중 일부는 우연한 패턴 405와 일치할 수 있다. 그러나, 랜덤한 활동이 패턴들 410, 415, 420… 각자와 일치할 가능성은 계속해서 더 낮아진다. 그래서 패턴 430과 일치하는 활동의 존재는 패턴 405와 일치하는 활동의 존재보다 활동에서 상대적으로 더 높은 정도의 정렬 및 복잡성을 나타낸다.

활동의 복잡성에 대한 상이한 결정을 위해 상이한 지속시간 윈도우들이 정의될 수 있다. 예를 들어, 패턴 430과 일치하는 활동이 식별되어야 할 때에, 패턴 405과 일치하는 활동이 식별되어야 할 때보다 더 긴 지속시간 윈도우들이 사용될 수 있다.

도 3은 신경 네트워크(110)(도 1)으로부터 신경 토폴로지 코드(120)를 생성하기 위해 식별되고 "판독"될 수 있는 활동의 패턴들(500)의 표현이다.

패턴들(500)은 개별 클리크들 또는 심플렉스들보다 더 많은 포인트들을 포함하는 패턴들을 정의하는 동일한 차원(즉, 동일한 수의 포인트들을 가짐)의 지향된 클리크들 또는 지향된 심플렉스들의 그룹들이며 지향된 심플렉스들의 그룹 내에 공동(cavity)들을 둘러싸고 있다.

예로서, 패턴 505는 차수 2의 상동성 클래스를 함께 정의하는 6개의 상이한 3 포인트 2차원 패턴들 405를 포함하는 반면, 패턴 510은 차수 2의 제2 상동성 클래스를 함께 정의하는 8개의 상이한 3 포인트 2차원 패턴들 405를 포함한다. 패턴들 505, 510 내의 3 포인트 2차원 패턴들 405 각각은 각자의 동공을 둘러싸는 것으로 생각될 수 있다. 방향성 그래프와 연관된 n번째 베티 (Betti) 수는 토폴로지 표현 내에서 그런 상동성 클래스의 카운트를 제공한다.

패턴들(500)과 같은 패턴으로 표현되는 활동은 랜덤한 우연에 의해 발생할 가능성이 없는 네트워크 내 활동의 비교적 높은 정도의 정렬을 나타낸다. 패턴들(500)은 그 활동의 복잡성을 특성화하는 데 사용될 수 있다.

일부 구현에서, 활동의 일부 패턴들만이 식별되고 그리고/또는 식별된 활동의 패턴들의 일부는 결정 순간의 식별 동안 폐기되거나 그렇지 않으면 무시된다. 예를 들어, 도 2를 참조하면. 5 포인트 4차원 심플렉스 패턴(415)과 일치하는 활동은 4 포인트 3차원 및 3 포인트 2차원 심플렉스 패턴들(410, 405)과 일치하는 활동을 본질적으로 포함한다. 예를 들어, 도 4의 4차원 심플렉스 패턴(415) 내 포인트들 0, 2, 3, 4 및 포인트들 1, 2, 3, 4 모두는 3차원 심플렉스 패턴(410)과 일치한다. 일부 구현에서, 더 적은 수의 포인트를 포함하는 패턴들 (따라서 더 낮은 차원의 패턴들)은 결정 순간을 식별하는 동안 폐기되거나 무시될 수 있다.

다른 예로, 일부 활동 패턴들만 식별될 필요가 있다. 예를 들어, 일부 구현에서는 홀수 포인트들(3, 5, 7, …) 또는 짝수 차원들(2, 4, 6, …)의 패턴들만이 식별된다.

도 4는 구별가능한 복잡성을 갖는 활동 패턴들의 타이밍울 결정하는 개략적인 표현이다. 도 4에 나타낸 결정은 신경 네트워크(110)(도 1)으로부터 신경 토폴로지 코드(120)를 생성하기 위한 활동의 패턴들의 신원증명 또는 "판독"의 일부로서 수행될 수 있다.

도 4는 그래프(605) 및 그래프(610)를 포함한다. 그래프(605)는 x-축을 따른 시간의 함수로서 패턴들의 발생을 나타낸다. 특히, 개별 발생들은 수직선들 (606, 607, 608, 609)로 개략적으로 표현된다. 발생들의 각 행 (row)은 활동이 각자의 패턴 또는 패턴 클래스와 부합하는 경우들일 수 있다. 예를 들어, 발생의 맨 위 행은 활동이 패턴 405(도 2)와 일치하는 경우들일 수 있고, 발생의 두 번째 행은 활동이 패턴 410(도 2)과 일치하는 경우들일 수 있으며, 발생의 세 번째 행은 활동이 패턴 415(도 2)와 일치하는 경우들일 수 있으며, 이하 마찬가지다.

그래프(605)는 활동 패턴들이 구별 가능한 복잡성을 가질 때에 상이한 시간 윈두우들을 개략적으로 표시하는 점선 직사각형들(615, 620, 625)을 또한 포함한다. 도시된 바와 같이, 순환 인공 신경 네트워크 내 활동이 복잡성을 나타내는 패턴과 부합할 가능성은 그러한 윈도우 외부보다 상기 점선 직사각형들(615, 620, 625)에 의해 표시된 윈도우들 동안에 더 높다.

그래프(610)는 x-축을 따른 시간의 함수로서 이러한 발생들과 연관된 복잡성을 나타낸다. 그래프(610)는 점선 직사각형(615)으로 표시된 윈도우와 일치하는 복잡성인 제1 피크(630) 및 점선 직사각형들(620, 625)로 표시된 윈도우와 일치하는 복잡성인 제2 피크(635)를 포함한다. 보이는 바와 같이, 피크들(630, 625)에 의해 표현되는 복잡성은 복잡성의 베이스라인 레벨(640)로 간주될 수 있는 것과는 구별될 수 있다.

일부 구현에서, 순환 인공 신경 네트워크의 출력이 판독되어야 하는 시점들은 구별가능한 복잡성을 갖는 활동 패턴들의 발생과 일치한다. 예를 들어, 도 4의 예시적인 맥락에서, 순환 인공 신경 네트워크의 출력은 피크들(630, 625)에서, 즉 점선 직사각형들(615, 620, 625)로 표시된 윈도우들 동안 판독될 수 있다.

일부 구현에서, 상기 순환 인공 신경 네트워크의 출력의 타이밍뿐만 아니라 내용도, 구별가능한 복잡성을 갖는 활동 패턴들에 의해 주어진다. 특히, 활동 패턴들과 일치하는 활동에 참여하는 노드들의 신원 및 활동은 상기 순환 인공 신경 네트워크의 출력으로 간주될 수 있다. 그래서 식별된 활동 패턴들은 신경 네트워크에 의한 처리 결과와 이 결정을 판독되어야 하는 타이밍을 나타낼 수 있다.

상기 결정의 내용은 다양한 상이한 형태둘로 표현될 수 있다. 예를 들어, 일부 구현에서, 상기 결정의 내용은 1들 및 0들의 이진 벡터로 표현될 수 있으며, 여기서 각 숫자는 대응 패턴이 노드들의 미리 정의된 그룹에 대해 활성 또는 비활성인지 여부를 나타낸다. 그런 구현에서, 상기 결정의 내용은 이진법으로 표현되며 통상적인 디지털 데이터 처리 인프라와 호환될 수 있다.

본 명세서에 기술된 주제 및 동작들의 실시예는 본 명세서에 개시된 구조들 및 이들의 구조적 등가물들을 포함하는 디지털 전자 회로에서, 또는 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어에서, 또는 그것들의 하나 이상의 조합으로 구현될 수 있다. 본 명세서에 기술된 주제의 실시예들은 하나 이상의 컴퓨터 프로그램, 즉, 데이터 처리 장치에 의한 실행을 위해 또는 데이터 처리 디바이스의 동작을 제어하기 위해 컴퓨터 저장 매체에 인코딩된 컴퓨터 프로그램 명령어들의 하나 이상의 모듈로서 구현될 수 있다. 대안으로 또는 추가로, 상기 프로그램 명령어들은, 데이터 처리 장치에 의한 실행을 위해 적절한 수신기 장치로의 전송을 위한 정보를 인코딩하도록 생성된 인공적으로 생성된 전파된 신호, 예를 들어 기계-생성 전기, 광학 또는 전자기 신호에 인코딩될 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독 가능 저장 디바이스, 컴퓨터 판독 가능 저장 기판, 랜덤 또는 직렬 액세스 메모리 어레이 또는 디바이스, 또는 이들 중 하나 이상의 조합일 수 있거나 이에 포함될 수 있다. 더욱이, 컴퓨터 저장 매체가 전파되는 신호가 아니지만, 컴퓨터 저장 매체는 인위적으로 생성된 전파된 신호에서 인코딩된 컴퓨터 프로그램 명령어들의 소스 또는 목적지가 될 수 있다. 상기 컴퓨터 저장 매체는 또한 하나 이상의 개별 물리적 컴포넌트들 또는 매체(예: 다수의 CD들, 디스크들 또는 기타 저장 디바이스들)일 수 있거나 이에 포함될 수 있다.

본 명세서에서 설명된 동작들은 컴퓨터 판독 가능한 하나 이상의 저장 디바이스들에 저장되거나 다른 소스로부터 수신된 데이터에 관해 데이터 처리 장치가 수행하는 동작들로서 구현될 수 있다.

"데이터 처리 장치"라는 용어는 데이터를 처리하기 위한 모든 종류의 장치들, 디바이스들 및 기계들을 포함하며, 예를 들어 프로그래밍 가능한 프로세서, 컴퓨터, 시스템 온 칩, 또는 전술한 것들의 다수의 석들이나 조합을 포함한다. 상기 장치는 FPGA (field programmable gate array) 또는 ASIC (application specific integrated circuit)과 같은 특수 목적 논리 회로를 포함할 수 있다. 상기 장치는 하드웨어에 추가하여 해당 컴퓨터 프로그램을 위한 실행 환경을 생성하는 코드, 예를 들어 프로세서 펌웨어, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제, 플랫폼 간 런타임 환경, 가상 머신, 또는 이들 중 하나 이상의 조합을 구축하는 코드를 또한 포함할 수 있다. 상기 장치 및 실행 환경은 웹 서비스, 분산 컴퓨팅 및 그리드 컴퓨팅 인프라와 같은 다양한 상이한 컴퓨팅 모델 인프라를 실현할 수 있다.

컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 또는 코드라고도 함)은 컴파일된 또는 인터프리트된 언어, 선언적 또는 절차적 언어를 비롯한 임의 형태의 프로그래밍 언어로 작성될 수 있으며, 그리고 그것은 독립 실행형 프로그램 또는 모듈, 컴포넌트, 서브루틴, 객체 또는 컴퓨팅 환경에서 사용하기에 적합한 다른 유닛을 포함하는 임의 형식으로 배포될 수 있다. 컴퓨터 프로그램은 파일 시스템 내 파일에 대응할 수 있지만 반드시 그럴 필요는 없다. 프로그램은 다른 프로그램이나 데이터(예: 마크업 언어 문서에 저장된 하나 이상의 스크립트)를 보유하는 파일 내에, 해당 프로그램 전용인 단일 파일 내에 또는 다수의 조정돤 파일들 (예: 하나 이상의 모듈, 서브 프로그램 또는 코드 일부를 저장하는 파일) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨터 또는 한 사이트에 있거나 여러 사이트들에 걸쳐서 분산되어 있으며 통신 네트워크에 의해 상호 연결된 여러 컴퓨터들에서 실행되도록 배치될 수 있다.

본 명세서에 설명된 프로세스들 및 논리 흐름들은 입력 데이터에 대해 작동하고 출력을 생성함으로써 행동들을 수행하기 위해 하나 이상의 컴퓨터 프로그램들을 실행하는 하나 이상의 프로그래밍 가능한 프로세서들에 의해 수행될 수 있다. 상기 프로세스들 및 논리 흐름들은 특수 목적 논리 회로, 예를 들어 FPGA (field programmable gate array) 또는 ASIC (application specific integrated circuit)에 의해 또한 수행될 수 있고 장치들 또한 상기 특수 목적 논리 회로로서 또한 구현될 수 있다.

컴퓨터 프로그램의 실행에 적합한 프로세서는 예를 들어 범용 마이크로프로세서 및 특수 목적 마이크로프로세서 모두, 그리고 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 읽기 전용 메모리나 랜덤 액세스 메모리 또는 둘 모두로부터 명령어들과 데이터를 수신할 것이다. 컴퓨터의 필수적인 요소들은 명령에 따라 행동들을 수행하기 위한 프로세서 그리고 명령어들 및 데이터를 저장하기 위한 하나 이상의 메모리 디바이스이다. 일반적으로, 또한 컴퓨터는 또한 데이터를 저장하기 위한 하나 이상의 대용량 저장 디바이스, 예를 들어 자기, 광자기 디스크, 또는 광 디스크로부터 데이터를 수신하거나 이들로 데이터를 전송하거나 둘 모두를 하기 위해 작동 가능하게 연결되거나 또는 이들을 포함할 것이다. 그러나, 컴퓨터는 그런 디바이스들을 구비하는 것이 필요하지 않다. 더욱이, 컴퓨터는 다른 디바이스, 예를 들어, 몇 가지만 예를 들면, 이동 전화기, 개인 휴대 정보 단말기 (PDA), 모바일 오디오 또는 비디오 플레이어, 게임 콘솔, GPS (Global Positioning System) 수신기 또는 휴대용 저장 디바이스 (예: USB (Universal Serial Bus) 플래시 드라이브)에 내장될 수 있다. 컴퓨터 프로그램 명령어들 및 데이터를 저장하기에 적합한 디바이스들은 예를 들어 EPROM, EEPROM 및 플래시 메모리 디바이스와 같은 반도체 메모리 디바이스를 포함하는 모든 형태의 비휘발성 메모리, 매체 및 메모리 디바이스; 자기 디스크, 예를 들어 내부 하드 디스크 또는 이동식 디스크; 자기 광 디스크; 및 CD ROM과 DVD-ROM 디스크를 포함한다. 상기 프로세서와 상기 메모리는 특수 목적 논리 회로에 의해 보완되거나 특수 목적 논리 회로에 통합될 수 있다.

사용자와의 상호작용을 제공하기 위해, 본 명세서에 설명된 주제의 실시예는 컴퓨터에서 구현될 수 있으며, 그 컴퓨터는 사용자에게 정보를 디스플레이하기 위한 디스플레이 디바이스, 예를 들어 CRT(cathode ray tube) 또는 LCD(liquid crystal display) 모니터 그리고 상기 컴퓨터에 사용자가 입력을 제공할 수 있는 키보드 및 포인팅 디바이스, 예를 들면, 마우스나 트랙볼을 구비한다. 다른 종류의 디바이스들을 사용하여 사용자와의 상호 작용도 제공할 수 있다. 예를 들어, 사용자에게 제공되는 피드백은 임의 유형의 시각적 피드백, 예를 들면, 청각적 피드백 또는 촉각적 피드백과 같은 임의의 형태의 감각적 피드백일 수 있으며; 그리고 사용자로부터의 입력은 음향, 음성 또는 촉각 입력을 포함한 임의 형태로 수신될 수 있다. 추가로, 컴퓨터는 사용자가 사용하는 디바이스로 문서를 보내고 그 디바이스로부터 문서를 수신하여 사용자와 상호 작용할 수 있다; 예를 들어, 웹 브라우저로부터 수신된 요청에 응답하여 사용자의 클라이언트 디바이스 상의 웹 브라우저에게 웹 페이지를 전송한다.

본 명세서는 많은 특정한 구현 세부사항들을 포함하지만, 이것들은 임의의 발명 또는 청구될 수 있는 것의 범위에 대한 제한으로 해석되어서는 안 되며, 오히려 특정한 발명의 특정한 실시예에 특정한 특징들에 대한 설명으로 해석되어야 한다. 별도의 실시예의 맥락에서 본 명세서에 설명된 특정 특징들은 단일 실시예에서 조합하여 구현될 수도 있다. 역으로, 단일 실시예의 맥락에서 설명된 다양한 특징은 또한 개별적으로 또는 임의의 적절한 하위 조합으로 다중 실시예에서 구현될 수 있다. 더욱이, 특징들이 특정 조합에서 작용하는 것으로 위에서 설명될 수 있고 심지어 초기에 그렇게 청구될 수도 있지만, 청구된 조합으로부터의 하나 이상의 특징들이 일부 경우에는 그 조합에서 제거될 수 있으며, 그 청구된 조합은 하위 조합 또는 하위 조합의 변형에 관한 것일 수 있다.

유사하게, 동작들이 도면에 특정 순서로 도시되어 있지만, 이는 바람직한 결과를 달성하기 위해 그러한 동작들이 보이는 특정 순서로 또는 순차적인 순서로 수행되거나 예시된 모든 동작들이 수행될 것을 요구하는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹과 병렬 처리가 유리할 수 있다. 더욱이, 위에서 설명된 실시예에서 다양한 시스템 컴포넌트들의 분리는 모든 실시예에서 그러한 분리를 요구하는 것으로 이해되어서는 안 되며, 그것은 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품에 함께 통합되거나 여러 소프트웨어 제품들로 패키킹될 될 수 있음을 이해되어야 한다. .

그래서, 주제의 특정 구현들이 설명되었다. 다른 구현들은 다음의 청구 범위 내에 존재한다. 어떤 경우에는, 청구범위에 인용된 행동들이 상이한 순서로 수행될 수 있으며 여전히 바람직한 결과를 얻을 수 있다. 추가로, 첨부된 도면에 도시된 프로세스들은 바람직한 결과를 달성하기 위해, 보이는 특정 순서 또는 순차적인 순서를 반드시 필요로 하는 것은 아니다. 특정 구현들에서는, 멀티태스킹과 병렬 처리가 유리할 수 있다.

여러 구현이 설명되었다. 그럼에도 불구하고 다양한 수정들이 이루어질 수 있다. 그러므로, 다른 구현들은 다음 청구항의 범위 내에 있다.

Claims

하드웨어로, 소프트웨어로 또는 이들의 조합으로 구현되는 동형 암호화 (homomorphic encryption) 방법으로서, 상기 방법은:
이진 데이터를 저장하는 단계로, 상기 이진 데이터 내 각 숫자는 순환 인공 신경 네트워크에서의 활동이 각자의 패턴과 일치하는지 여부를 나타내며, 상기 활동은 보안 데이터의 입력에 응답하는, 저장 단계; 그리고
상기 이진 데이터를 통계적으로 분석하여 보안 데이터에 관한 결론을 도출하는 단계를 포함하는, 방법.
제1항에 있어서,
상기 순환 인공 신경 네트워크에서의 활동의 패턴들은 상기 네트워크에서의 활동의 심플렉스 (simplex) 패턴들을 포함하는 방법.
제2항에 있어서,
상기 심플렉스 패턴들은 공동(cavity)들을 둘러싸는, 방법.
제1항에 있어서,
상기 순환 인공 신경 네트워크에서의 활동 패턴들을 식별하는 단계를 더 포함하는 방법.
제4항에 있어서,
활동 패턴들을 식별하는 단계는,
상기 입력에 응답하는 다른 활동과 구별가능한 복잡성을 구비한 활동의 타이밍을 결정하는 단계; 그리고
상기 구별가능한 복잡성을 가진 활동의 타이밍에 기초하여 상기 패턴들을 식별하는 단계를 포함하는, 방법.
제1항에 있어서,
상기 방법은:
보안 데이터를 네트워크에 입력하는 특성을 조정하는 특징을 가진 데이터를 수신하는 단계; 그리고
상기 데이터에 따라 상기 네트워크에 평문을 입력하는 것을 조정하는 단계를 더 포함하는, 방법.
제6항에 있어서,
상기 데이터는:
상기 평문의 비트들이 주입될 시냅스들 및 노드들, 또는
상기 평문의 비트들이 주입될 순서 중 어느 하나의 특징을 가진, 방법.
제1항에 있어서,
상기 방법은:
상기 네트워크 내의 노드 또는 링크의 하나 이상의 속성들을 변경하여 상기 보안 데이터의 입력에 대한 상기 네트워크의 응답을 조정하는 단계를 포함하는, 방법.
하드웨어로, 소프트웨어로 또는 이들의 조합으로 구현되는 동형 암호화 (homomorphic encryption) 방법으로서, 상기 방법은:
순환 인공 신경 네트워크에 제1 데이터를 입력하는 단계;
보안 데이터의 입력에 응답하는 상기 순환 인공 신경 네트워크에서 활동의 패턴들을 식별하는 단계;
식별된 활동의 패턴들이 토폴로지 패턴들과 일치하는지 여부를 나타내는 제2 데이터를 저장하는 단계; 그리고
상기 제2 데이터를 통계적으로 분석하여 상기 제1 데이터에 관한 결론을 도출하는 단계를 포함하는, 방법.
제9항에 있어서,
상기 순환 인공 신경 네트워크에서의 활동의 패턴들은 상기 네트워크에서의 활동의 심플렉스 패턴들을 포함하는 방법.
제10항에 있어서,
상기 심플렉스 패턴들은 공동들을 둘러싸는, 방법.
제9항에 있어서,
활동의 패턴들을 식별하는 단계는,
상기 입력에 응답하는 다른 활동과 구별가능한 복잡성을 구비한 활동의 타이밍을 결정하는 단계; 그리고
상기 구별가능한 복잡성을 가진 활동의 타이밍에 기초하여 상기 패턴들을 식별하는 단계를 포함하는, 방법.
제9항에 있어서,
상기 방법은:
보안 데이터를 네트워크에 입력하는 특성을 조정하는 특징을 가진 데이터를 수신하는 단계; 그리고
상기 데이터에 따라 상기 네트워크에 평문을 입력하는 것을 조정하는 단계를 더 포함하는, 방법.
제13항에 있어서,
상기 데이터는:
상기 평문의 비트들이 주입될 시냅스들 및 노드들, 또는
상기 평문의 비트들이 주입될 순서 중 어느 하나의 특징을 가진, 방법.
제9항에 있어서,
상기 방법은:
상기 네트워크 내의 노드 또는 링크의 하나 이상의 속성들을 변경하여 보안 데이터의 입력에 대한 네트워크의 응답을 조정하는 단계를 더 포함하는, 방법.
동형 암호화 디바이스로서, 상기 동형 암호화 디바이스는:
순환 인공 신경 네트워크로 제1 데이터를 입력하고;
상기 보안 데이터의 입력에 응답하는 순환 인공 신경 네트워크에서 활동의 패턴들을 식별하고;
식별된 활동의 패턴들이 토폴로지 패턴들과 일치하는지 여부를 나타내는 제2 데이터를 저장하며; 그리고
상기 제2 데이터를 통계적으로 분석하여 상기 제1 데이터에 관한 결론을 도출하도록 구성된, 동형 암호화 디바이스.
제16항에 있어서,
상기 순환 인공 신경 네트워크에서의 활동의 패턴들은 상기 네트워크에서의 활동의 심플렉스 패턴들을 포함하고, 상기 심플렉스 패턴은 공동들을 둘러싸는 것인, 동형 암호화 디바이스.
제16항에 있어서,
상기 동형 암호화 디바이스는:
상기 입력에 응답하는 다른 활동과 구별가능한 복잡성을 구비한 활동의 타이밍을 결정하며; 그리고
상기 구별가능한 복잡성을 가진 활동의 타이밍에 기초하여 상기 패턴들을 식별하도록 구성된, 동형 암호화 디바이스.
제16항에 있어서,
상기 동형 암호화 디바이스는:
보안 데이터를 네트워크에 입력하는 특성을 조정하는 특징을 가진 데이터를 수신하며; 그리고
상기 데이터에 따라 상기 네트워크에 평문을 입력하는 것을 조정하도록 구성된, 동형 암호화 디바이스.
제16항에 있어서,
상기 동형 암호화 디바이스는:
상기 네트워크 내의 노드 또는 링크의 하나 이상의 속성들을 변경하여 상기 보안 데이터의 입력에 대한 상기 네트워크의 응답을 조정하도로 구성된, 동형 암호화 디바이스.