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, 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.
On dispose actuellement de plusieurs cryptosystèmes assez performants (BFV, TFHE, CKKS), d'un choix assez large de bibliothèques avec des implémentations des schémas homomorphes (SEAL, TFHE, PALISADE, HElib, etc.) ainsi que des techniques d'optimisation et des compilations adaptées (voir Cingulata).
De l'autre côté, les techniques d'Intelligence Artificielle (IA) et, en particulier, les méthodes de Machine Learning (ML) sont de plus en plus utilisées avec plein d'applications possibles et un impact important pour toute la société de demain.
Cependant, on remarque qu'un frein important dans l'application des méthodes de type ML pour les données chiffrées en homomorphe est la difficulté de ré-écriture de ces algorithmes pour leur évaluation dans le domaine chiffré. Vu leurs structure, les schémas homomorphe permettent juste une évaluation linéaire des données chiffrées et donc, les librairies existantes proposent des opérateurs assez basiques comme l'addition et la multiplication entre deux chiffrées ainsi que l'addition et la multiplication entre clairs - chiffrées. C'est dans ce contexte que le sujet de stage est proposé.

Objectifs:

Le codage, l'évaluation et l'optimisation dans le domaine homomorphe des briques élémentaires qui interviennent dans plusieurs méthodes d'apprentissage supervisé (par exemple, argmax, argmin, sign, tri, probabilité, etc.) .

Parmi les différentes étapes à atteindre, on pourra citer:
-Etude de l'art des méthodes d'apprentissage supervisé les plus populaires et des librairies homomorphes open-source. Compte tenu de la durée limitée du stage, on limitera l'étude à maximum 5 méthodes de ML et aux cryptosystèmes BFV, TFHE et CKKS (implémentés dans les outils open-source SEAL et Cingulata);
-Choix des briques élémentaires à implémenter pour le calcul en homomorphe;
-Implémentation et évaluation de ces briques élémentaires en utilisant les 3 schémas homomorphes;
-(bonus) Optimisation des performances de ces fonctions et intégration dans CIngulata ;