Contexte du stage:

Le chiffrement homomorphe est une technique cryptographique relativement récente permettant d'effectuer des calculs directement sur des données chiffrées.
Ainsi, dans le contexte actuel d'externalisation sur le cloud / des serveurs à distance des données et du traitement, il peut être très utile pour garantir la confidentialité des données sensibles.
En plus, grâce aux avancées récentes (des cryptosystèmes homomorphes plus performants, l'optimisation de l'encodage, des techniques de compilation adaptées, etc.), le chiffrement homomorphe commence à être prêt pour le déploiement dans des applications réelles, avec des coûts acceptables en terme de temps d’exécution et de mémoire.
De l'autre côté, les techniques d'Intelligence Artificielle (IA) sont de plus en plus utilisées avec plein d'applications possibles et un impact important pour toute la société de demain. Cependant, on remarque que le respect de la vie privée des utilisateurs et la confidentialités de données sont rarement pris en compte dans le cadre de ces méthodes. En conséquence, il y a de plus en plus des travaux de recherche s'intéressant à sécuriser les méthodes de fouille de données avec diverses approches comme, par exemple, le chiffrement homomorphe. Comme applications déjà envisagées, on peut citer des modèles de régression linéaire pour
la génomique, des classifieurs linéaires et Gaussiens pour la reconnaissance faciale et le diagnostique médical, des réseaux de neurones pour la reconnaissance vocale, etc.

Objectifs:

le design et le développement d'un démonstrateur pour l'application efficace d'une méthode d'IA (de préférence réseaux de neurones) sur des données chiffrées en homomorphe.
Parmi les différentes étapes à atteindre, on pourra citer:
-Etude de l'art des cryptosystèmes homomorphe récents, des librairies pour le calcul en homomorphe et des approches de machine learning sur des données chiffrées ;
-Choix du domaine d'application, de l'algorithme de fouille de données et des jeux de données pour le démonstrateur (par exemple, la reconnaissance vocale en utilisant les réseaux de neurones sur la base de données VoxCeleb) ;
-Analyse des techniques et de l'infrastructure nécessaires pour implémenter un tel démonstrateur;
-Conception, implémentation et tests du démonstrateur sur des données chiffrées en homomorphe.
-Optimisation des performances du démonstrateur.