Computación segura multi-parte para mantenimiento predictivo: Validación de la herramienta scale-mamba en términos de precisión y eficiencia

• Idoia Gámiz-Ugarte ^[1] ; Óscar Lage-Serrano ^[2] ; Leire Legarreta-Solaguren ^[3] ; Cristina Regueiro-Senderos ^[2] ; Eduardo Jacob-Taquet ^[1] ; Iñaki Seco-Aguirre ^[2]
  1. [1] Univ. País Vasco (UPV/EHU), Dpto. Ingeniería de Comunicaciones. Bilbao. Vizcaya (España)
  2. [2] TECNALIA, BRTA. Parque Científico y Tecnológico de Bizkaia. Derio, Vizcaya (España)
  3. [3] Univ. País Vasco (UPV/EHU), Dpto. Matemáticas. Leioa, Vizcaya (España)

  Mostrar afiliaciones +
• Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 97, Nº 6, 2022 (Ejemplar dedicado a: Europa puede perder mucho más que la guerra de la energía), págs. 613-619
• Idioma: español
• DOI: 10.6036/10579
• Títulos paralelos:
  • Secure multiparty computation for predictive maintenance: validation of scale-mamba tool in terms of accuracy and efficiency
• Enlaces
  • Texto Completo Ejemplar
• Resumen

  • La privacidad es un sector en auge y cada vez son más las limitaciones que dificultan la centralización de datos procedentes de diferentes fuentes. Hoy en día, disponer de datos aporta un valor y una ventaja sobre el resto, ya que permite realizar un análisis más amplio y generalizable. La Computación Segura Multiparte (SMPC) es una técnica criptográfica que permite realizar cálculos con datos de diferentes partes manteniendo la privacidad de los mismos y evitando la centralización. Este trabajo se centra en la herramienta de SCALE-MAMBA para llevar a cabo SMPC y el objetivo principal es su validación en cuanto a tipos de operaciones, precisión de los resultados y tiempos de ejecución. Se utiliza un caso de uso directamente relacionado con la industria, que consiste en un fabricante que desea implementar mantenimiento predictivo sobre una máquina cuyos datos son recogidos por diferentes usuarios. Se presentan dos tipos de escenarios para analizar los resultados, obteniendo diferentes conclusiones para cada uno de ellos. Por un lado, el primer escenario recoge los casos de uso en los que se pretende realizar estadísticas o cálculos sencillos con datos en común. Por otro lado, el segundo escenario se centra en el entrenamiento de algoritmos de aprendizaje automático (ML). La aportación original de este trabajo incluye la implementación de estos códigos en el lenguaje Mamba, su aplicación a datos concretos y la comparación de los resultados con los que se obtendrían realizándolo de forma insegura, centralizando los datos y utilizando R o Python. Las principales limitaciones encontradas giran en torno a los tiempos de ejecución, que podrían ser aceptables para muchos casos de uso en el primer escenario, pero que resultan prohibitivos para muchas de las técnicas utilizadas en los entrenamientos reales de ML.