Forecasting the future by (not) looking at the past : time-series forecasting with homomorphic encryption

The use of Artificial Intelligence and Machine Learning algorithms be- comes more and more present every day, with applications ranging from smart home devices to digital health care. Nonetheless, the increasing use of such al- gorithms - which need more and more data in order to work - raises an alarm regarding the issues of data privacy and user protection. The aim of this thesis is to present an architecture for private time-series fore- casting, i.e. able to provide forecasts on time-series sent by users meanwhile guar- anteeing the privacy of users’ data. In order to achieve this goal, Homomorphic Encryption will be used, which will allow to operate directly on encrypted data without having access to plaintext data.

L’utilizzo di algoritmi di Intelligenza Artificiale e Machine Learning diventa ogni giorno più presente, con applicazioni che spaziano dai smart home devices fino al digital health care. Tuttavia, l’incremento nell’utilizzo di questi algoritimi - che richiedono sempre più dati per poter funzionare - han fatto scattare un campanello d’allarme per quel che riguarda le problematiche di privacy dei dati e protezione degli utenti. Lo scopo di questa tesi è di presentare un architettura per il private time-series forecasting, ossia in grado di fornire previsioni su serie temporali fornite dagli utenti mentre viene garantita la privacy di questi ultimi. Al fine di raggiungere tale obiettivo, verrà usata la crittografia omomorfica, la quale consente di operare direttamente sui dati cifrati e impedendo l’accesso ai dati in chiaro.