Private Identity 生成的加密 FHE 有效载荷与基于云的生物特征识别系统生成的模板有何不同？
How are the encrypted FHE payloads produced by Private Identity different from the templates produced by a cloud-based biometric recognition system?
私人身份系统如何运作？我熟悉基于模板的匹配系统和基于云的识别 DNN，但其中 none 使用完全同态加密。 DNN 如何提供嵌入？这种嵌入与今天使用的模板有何不同？
Private Identity使用全同态加密（FHE）提供保护隐私的AI服务框架，支持对加密数据进行加密生物识别注册、匹配和搜索操作。在此应用中，FHE 通过允许云端计算两组加密形式的矢量数据之间的相似度（几何距离）来提供安全存储和安全计算。
在此应用程序中，Private Identity 使用 FHE 算法通过隐藏输入数据、输出数据甚至搜索本身的发生来保护隐私。这对于符合行业标准和全球数据隐私法很重要。
正如您的问题所指出的，FHE algorithm 与用于支持通常的基于模板或基于云的 DNN 识别算法的数据不同。私有身份识别算法不是创建模板，而是使用生物识别作为预训练移动嵌入 DNN 的输入（在用户本地设备上使用 Tensorflow.js）来创建不可逆加密数据的单向加密哈希. FHE 转换后，原始生物特征会立即从本地设备中删除。
这消除了存储、传输或使用明文生物识别或模板的任何要求。 FHE 算法可以如此有效地保护隐私，在这种情况下，使用 FHE 时，企业的 GDPR、CCPA 和 BIPA 义务就会消失。
为了提供其身份验证服务，Private Identity 然后使用第二个 DNN（托管在云 AI 服务中）对 FHE 有效载荷进行数学运算，该 DNN 在加密数据集上执行加密匹配和搜索操作。有趣的是，每种生物识别模式都由其自己独立的 DNN 集支持。因此，对于面部、面部+面具、指纹和语音识别，一个单独的移动嵌入 DNN 使用 Javascript 在用户的本地设备上运行，一个 DNN（在这种情况下，每个都是 FCNN）在云 ai 服务上运行.
FHE 有效载荷本身是全球唯一的（即没有两个有效载荷是相同的），由 128 个浮点数组成的位置数组，不包含生物或行为特征、图像或任何生理、生物的模板或行为特征。
最后，除了处理 FHE 有效载荷而不是生物特征数据外，Private Identity MFA 系统不处理任何其他个人数据。该算法不是用户名或电子邮件，而是简单地生成一个随机的 128 位通用唯一标识符（UUID，或代理密钥）来标记每个用户。 UUID 也是匿名数据，因为它是随机的，不包含个人或生物识别数据，不是从生物识别数据中派生的，并且无法帮助识别数据主体。
您可能已经知道，像这样的 FHE 密码系统直到最近才实用或可扩展。 FHE 出现于 2018 年底，当时微软推出了 SEAL，这是一组相对快速、开源、最先进的同态加密库。 Google 随后在 2019 年发布了自己的开源同态加密工具 Private Join and Compute。一些其他公司现在也在生产商业 FHE 系统，包括 IBM、Enveil、Duality Technologies 和 Private Identity。
私人身份系统如何运作？我熟悉基于模板的匹配系统和基于云的识别 DNN，但其中 none 使用完全同态加密。 DNN 如何提供嵌入？这种嵌入与今天使用的模板有何不同？
Private Identity使用全同态加密（FHE）提供保护隐私的AI服务框架，支持对加密数据进行加密生物识别注册、匹配和搜索操作。在此应用中，FHE 通过允许云端计算两组加密形式的矢量数据之间的相似度（几何距离）来提供安全存储和安全计算。
在此应用程序中，Private Identity 使用 FHE 算法通过隐藏输入数据、输出数据甚至搜索本身的发生来保护隐私。这对于符合行业标准和全球数据隐私法很重要。
正如您的问题所指出的，FHE algorithm 与用于支持通常的基于模板或基于云的 DNN 识别算法的数据不同。私有身份识别算法不是创建模板，而是使用生物识别作为预训练移动嵌入 DNN 的输入（在用户本地设备上使用 Tensorflow.js）来创建不可逆加密数据的单向加密哈希. FHE 转换后，原始生物特征会立即从本地设备中删除。
这消除了存储、传输或使用明文生物识别或模板的任何要求。 FHE 算法可以如此有效地保护隐私，在这种情况下，使用 FHE 时，企业的 GDPR、CCPA 和 BIPA 义务就会消失。
为了提供其身份验证服务，Private Identity 然后使用第二个 DNN（托管在云 AI 服务中）对 FHE 有效载荷进行数学运算，该 DNN 在加密数据集上执行加密匹配和搜索操作。有趣的是，每种生物识别模式都由其自己独立的 DNN 集支持。因此，对于面部、面部+面具、指纹和语音识别，一个单独的移动嵌入 DNN 使用 Javascript 在用户的本地设备上运行，一个 DNN（在这种情况下，每个都是 FCNN）在云 ai 服务上运行.
FHE 有效载荷本身是全球唯一的（即没有两个有效载荷是相同的），由 128 个浮点数组成的位置数组，不包含生物或行为特征、图像或任何生理、生物的模板或行为特征。
最后，除了处理 FHE 有效载荷而不是生物特征数据外，Private Identity MFA 系统不处理任何其他个人数据。该算法不是用户名或电子邮件，而是简单地生成一个随机的 128 位通用唯一标识符（UUID，或代理密钥）来标记每个用户。 UUID 也是匿名数据，因为它是随机的，不包含个人或生物识别数据，不是从生物识别数据中派生的，并且无法帮助识别数据主体。
您可能已经知道，像这样的 FHE 密码系统直到最近才实用或可扩展。 FHE 出现于 2018 年底，当时微软推出了 SEAL，这是一组相对快速、开源、最先进的同态加密库。 Google 随后在 2019 年发布了自己的开源同态加密工具 Private Join and Compute。一些其他公司现在也在生产商业 FHE 系统，包括 IBM、Enveil、Duality Technologies 和 Private Identity。