2025. — Т 12. — №2 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/07inor225.html

This article metadata is also available in English

Полный текст статьи в формате PDF (объем файла: 396.9 Кбайт)

Ссылка для цитирования этой статьи:

Бубнова, Е. Ю. Адаптивное шифрование текстовых данных для систем обработки естественного языка на основе крупных нейросетевых моделей / Е. Ю. Бубнова, Д. О. Якупов // Отходы и ресурсы. — 2025. — Т 12. — №2. — URL: https://resources.today/PDF/07INOR225.pdf (дата обращения: 16.06.2026).

Адаптивное шифрование текстовых данных для систем обработки естественного языка на основе крупных нейросетевых моделей

Бубнова Елена Юрьевна
ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики», Самара, Россия
E-mail: 89061250055@mail.ru
ORCID: https://orcid.org/0009-0003-1598-8971

Якупов Денис Олегович
ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики», Самара, Россия
Старший преподаватель, ассистент кафедры «Программной инженерии», аспирант
E-mail: d.yakupov@psuti.ru
ORCID: https://orcid.org/0009-0003-2371-0822
РИНЦ: https://elibrary.ru/author_profile.asp?id=1175874

Аннотация. Современные предприятия активно внедряют системы искусственного интеллекта и автоматизированной обработки естественного языка для оптимизации работы с корпоративной информацией. Однако применение этих технологий сопряжено с существенными рисками нарушения конфиденциальности данных, особенно при анализе неструктурированных текстовых материалов. Существующие криптографические методы защиты информации демонстрируют ограниченную эффективность при обработке языковых данных, а современные подходы к безопасной обработке информации имеют существенные недостатки: методы гомоморфного шифрования значительно снижают скорость вычислений, а технологии распределенного обучения сталкиваются с проблемами согласования разнородных данных.

В представленном исследовании разработан комплексный метод защиты информации, сочетающий преимущества гомоморфного шифрования и распределенного обучения. Основное научное достижение работы заключается в создании специализированных криптографических алгоритмов для обработки языковых данных, включая идентификацию именованных объектов в зашифрованном виде, а также в оптимизации соотношения между уровнем защиты и вычислительной эффективностью. Предлагаемая методика включает дифференцированное шифрование различных типов данных, децентрализованную обработку информации с автоматической корректировкой параметров обучения, а также механизмы обеспечения анонимности и контроля доступа.

Экспериментальная часть исследования оценивает три ключевых параметра: устойчивость системы к потенциальным атакам, скорость обработки защищенных данных и точность работы аналитических алгоритмов. Практическая ценность работы заключается в создании безопасной платформы для внедрения интеллектуальных систем анализа данных в финансовом секторе, здравоохранении и телекоммуникационной отрасли, где утечка информации может привести к серьезным последствиям. Перспективным направлением дальнейших исследований является разработка криптографических алгоритмов, устойчивых к методам квантового взлома.

Ключевые слова: адаптивное шифрование; гомоморфное шифрование; федеративное обучение; конфиденциальность данных; токенизация; корпоративные базы данных; большие данные

Скачать