IEEE Power & Energy Magazine - Spanish - September/October 2023 - 60

intercambiar muchos datos, ya que esto no beneficia materialmente
a los posibles casos de uso, y los riesgos para la
privacidad y la confidencialidad superan los beneficios de
intercambiarlos. Además, todos los datos intercambiados
deben estar bien curados, y esto, de nuevo, habla de intercambiar
los datos adecuados, no solo más datos. Existen
consultas que proporcionan la información necesaria para
que las partes interesadas optimicen sus objetivos normativos
o empresariales. Intercambiar los datos adecuados es
importante para optimizar los mecanismos de apertura de
datos al tiempo que se utilizan salvaguardias estadísticas.
Transparencia en la recopilación y uso de datos
Uno de los principios básicos de normativas como el Reglamento
General de Protección de Datos y la Ley de Privacidad
de los Consumidores de California, mencionados anteriormente,
no es solo que el intercambio de información privada
sobre las personas debe ser limitado, sino que, cuando se
intercambie, debe haber transparencia sobre lo que se intercambia,
con quién se intercambia y cómo se utilizará, almacenará
y, en su caso, eliminará una vez intercambiada. Los
datos deben intercambiarse más ampliamente para apoyar la
planificación de la red y cumplir los objetivos de descarbonización.
Pero quizá se podría hacer más para concienciar
al consumidor final sobre qué datos están vinculados a él
y cuál es la finalidad de intercambiarlos o realizar análisis
con ellos. La transparencia también permitiría a la comunidad
investigadora examinar los métodos y prácticas. En
California, tanto la Comisión de Servicios Públicos como las
empresas de servicios públicos propiedad de inversionistas
de California reconocen que estas prácticas deben transmitirse
en un " lenguaje comprensible " . Sin embargo, los criterios
actuales son muy generales. En cambio, empresas como
Google y Apple incluyen ahora " etiquetas nutricionales de
privacidad " en sus tiendas de aplicaciones. Estas etiquetas
que utilizan Google y Apple, a partir de un trabajo anterior
Base de
datos n.o 1
de Lorrie Cranor en la Universidad Carnegie Mellon, proporcionan
una plantilla de información estándar y fácil de
leer sobre qué datos se están recopilando y la finalidad de
su recopilación. La industria eléctrica podría plantearse un
enfoque similar adaptado al tipo de información y análisis
de los sistemas energéticos.
Consulta
+
Registro
adicional
Consulta
=
Database #2
Base de
datos n.o 2
figura 3. Un esquema DP.
60
ieee power & energy magazine
Respuesta a
Consulta DP
≈
Respuesta a
Consulta DP
Computación multipartita
La computación segura multipartita y el cifrado homomórfico
son técnicas de computación sobre datos cifrados. A
diferencia de métodos como el cifrado de red y el cifrado
de disco completo, que protegen los datos en tránsito y en
reposo, respectivamente, estas técnicas protegen mientras se
utilizan y, como resultado, nunca es necesario descifrar los
datos. Ambas técnicas han avanzado mucho en los últimos
10 años y también se han aplicado para asegurar y garantizar
la privacidad de los datos subyacentes en los procesos
de análisis, incluidos los utilizados en el sector financiero
y la política gubernamental. Con todo, estas técnicas suelen
ser sustancialmente más lentas que la computación de
texto claro, a veces en órdenes de magnitud. También pueden
requerir la modificación del código personalizado y la
recompilación del código de análisis de datos. Por eso los
retos de rendimiento y usabilidad pueden ser importantes.
Por lo tanto, al menos en un futuro previsible, estos enfoques
no parecen representar una solución principal para el análisis
de datos a gran escala y el aprendizaje automático. En consecuencia,
aunque las técnicas de cifrado basadas en software
pueden ser útiles, parece poco probable que representen
pronto la vía a seguir para asegurar el análisis de datos. No
obstante, la computación segura multipartita puede lograrse
utilizando entornos de ejecución de confianza (TEE, por sus
siglas en inglés) de hardware, que pueden ser soluciones eficientes
para la computación moderna basada en datos, como
el aprendizaje automático y el análisis de gráficos.
Los TEE son partes de ciertos microprocesadores modernos
que imponen una fuerte separación de otros procesos
en la CPU, y algunos pueden incluso cifrar la memoria y el
cómputo. Entre los TEE comerciales más comunes hoy en
día se encuentran la Arquitectura de Computación Confidencial
de ARM, las Extensiones de Guardia Segura de Intel y
la Virtualización Cifrada Segura de AMD. Los TEE pueden
utilizarse para mejorar la seguridad con respecto a los enclaves
tradicionales con un costo mínimo para el rendimiento
en comparación con la computación sobre texto plano. Los
TEE pueden aislar el cómputo, lo que impide que incluso los
administradores del sistema de la máquina en la que se está
ejecutando el cómputo observen el cómputo o los datos que
se están utilizando o generando en el cómputo. La creación
del Consorcio de Computación Confidencial de la Fundación
Linux y el hecho de que los tres principales proveedores
comerciales de servicios en la nube -Amazon Web Services,
Google Cloud Platform y Microsoft Azure- dispongan de
algún tipo de funcionalidad TEE ponen de manifiesto el notorio
interés por aprovechar los TEE para proteger los datos.
septiembre/octubre 2023
IEEE Power & Energy Magazine - Spanish - September/October 2023

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - September/October 2023
