| Nombre corto | Entregable | Descripción |
|---|---|---|
| RIEMANN-E1 | Administración y difusión de los resultados del proyecto | Este documento presenta un informe completo sobre las actividades y logros de los subproyectos de 6G-RIEMANN en 2022 en relación con la comunicación y la difusión. Como los subproyectos están interrelacionados, se decidió combinar los informes individuales de cada subproyecto en un solo documento. En 2022, experimentamos algunos retrasos en la puesta en marcha de todas las actividades debido al proceso de licitación. A pesar de esto, hemos logrado un progreso significativo, que incluye una contribución de artículo y una tesis doctoral en curso. |
| RIEMANN-DS-E8 | Definición de casos de uso para intercambio de datos que preservan la privacidad | La privacidad en los modelos de aprendizaje automático (ML), tanto en el entrenamiento como en el tiempo de inferencia, se ha convertido en un tema importante en la comunidad de investigación de inteligencia artificial (AI), como lo demuestra la tendencia cada vez mayor de publicaciones relacionadas con la privacidad en ML. A lo largo de los años, se han descubierto y estudiado una gran variedad de posibles ataques contra un modelo de ML entrenado, como los ataques de inferencia de membresía, inversión de modelo, robo de modelo, inferencia de atributos, inferencia de propiedades y ataques de reconstrucción de datos. En este trabajo, nos enfocamos en los métodos diseñados para proteger los datos crudos. Esta familia de técnicas permite el intercambio de datos de entrenamiento entre diferentes actores sin los riesgos de privacidad asociados, es decir, la publicación de datos que preservan la privacidad (PPDP). Por lo tanto, estas tecnologías abren la posibilidad de nuevas aplicaciones que antes solo eran posibles entre partes confiables en escenarios de aprendizaje federado (FL) complejos. |
| RIEMANN-SI-E8 | Definición de casos de uso para la administración de red que preserva la privacidad | El uso de la inteligencia artificial y el aprendizaje automático en la gestión y orquestación de redes de comunicaciones, incluyendo redes móviles y el Internet de las cosas (IoT), está convirtiéndose en un requisito para mejorar la eficiencia y la automatización en la operación de estas redes. En particular, la transición de las redes monolíticas como 4G a las redes multi-servicio y multi-tenant como 5G requiere la disponibilidad rápida y flexible de datos para admitir operaciones como el entrenamiento de modelos, la previsión y la clasificación de actividades en la red. La privacidad de los datos es un problema crítico a resolver para garantizar que los datos personales y confidenciales estén protegidos durante el intercambio de información entre diferentes partes interesadas en el ecosistema de la red. La detección de amenazas y el análisis de DNS para detectar ataques cibernéticos es otro tema importante que requiere el uso de técnicas de inteligencia artificial y aprendizaje automático. En general, la gestión y orquestación de redes de comunicaciones requiere el uso de soluciones inteligentes que puedan adaptarse a los requisitos de las redes de próxima generación y satisfacer las necesidades de privacidad de los usuarios y las partes interesadas. |
| RIEMANN-FR-E12 | Definición de casos de uso para arquitecturas de red que preservan la privacidad | Federated learning (FL) se ha demostrado como una alternativa viable a la centralización de datos, no solo debido a desafíos regulatorios, éticos y legales, sino también debido a la dificultad técnica de gestionar datos centralizados. Sin embargo, los datos todavía están implícitos en los modelos locales individuales que contribuyen, los cuales deben agregarse y distribuirse globalmente para mejorar el rendimiento de los modelos locales. Tal data capturada por los modelos todavía se puede reconstruir, lo que podría limitar la voluntad de los usuarios finales de colaborar, si no está asegurada. Las arquitecturas de redes de preservación de la privacidad se centrarán en la configuración de FL en múltiples instituciones de confianza, donde los cálculos locales son seguros y las entidades colaboradoras son confiables, por lo que la seguridad de la agregación en un esquema FL no peer-to-peer es de crucial importancia y debe realizarse en datos cifrados. Además, esto también permitirá el uso de enfoques de aprendizaje profundo (DL) de última generación, que no se pueden utilizar en un esquema estándar de FE de realizar todas las operaciones solo en datos cifrados, debido a operaciones no admitidas utilizadas en el entrenamiento de arquitecturas de DL. |
| RIEMANN-ML-E12 | Definición de casos de uso para el aprendizaje máquina que preserva la privacidad | Este documento se centra en el aprendizaje automático como servicio (MLaaS) y sus implicaciones en la privacidad. El documento hace hincapié en la necesidad de considerar las implicaciones de privacidad en todos los escenarios de MLaaS, ya que la información sensible puede inferirse a partir de datos aparentemente inocuos. El documento explora diferentes escenarios de MLaaS, incluyendo ejemplos centrados en humanos y basados en IoT. Estos ejemplos demuestran los posibles beneficios del MLaaS, incluyendo el aprovechamiento de la alta potencia computacional para tareas complejas y la reducción de la necesidad de conocimientos especializados. Sin embargo, también destacan los posibles riesgos de privacidad asociados con la subcontratación de datos a un servicio de terceros |
