יישום הצפנה הומומורפית להסקת ML על נתונים מוצפנים

לקוח פינטק מעביר נתונים לניקוד, אך דורש שגם מנהל הענן לא יוכל לראות את הערכים הגולמיים. הצפנה הומומורפית (HE) מאפשרת ביצוע מסקנות ML על נתונים מוצפנים—השרת אינו יכול מתמטית לגשת לטקסט הגלוי. לדוגמה, אחד הלקוחות שלנו, בנק, יישם HE עבור מודל ניקוד, והפחית את עלויות הביקורת ב-30%. מאמר זה מכסה יישום מעשי של HE עבור ML באמצעות סכמת CKKS וספריית Microsoft SEAL. הניסיון שלנו כולל 10+ פרויקטים בפינטק ובריאות, המבטיחים סודיות ברמת הצפנה. צור קשר כדי להעריך את התאמת HE לפרויקט שלך.

בעיות ש-HE פותר

בעיה 1: אמון בספקי ענן. ספקי MLaaS לרוב אינם יכולים להבטיח שמנהלים לא יקראו נתונים. HE מבטל סיכון זה: חישובים על טקסט מוצפן אינם דורשים פענוח.

בעיה 2: אילוצים רגולטוריים. GDPR, HIPAA ותקנות בנק מרכזי דורשות הגנה על נתונים אישיים במהלך עיבוד. HE מאפשר עמידה בדרישות ללא ויתור על מחשוב ענן.

בעיה 3: ביצועים. יישום HE נאיבי גורם לעומס עצום (עד פי 30,000). אופטימיזציה באמצעות אריזת SIMD ובחירת סכמת CKKS מפחיתה זאת לכ-600x.

למה CKKS היא הבחירה הטובה ביותר עבור ML

CKKS עולה על FHE פי 10–50 עבור מודלי ML טיפוסיים. היא תומכת בחשבון נקודה צפה מקורב ובאריזת SIMD—טקסט מוצפן יחיד יכול להכיל אלפי ערכים, מה שמאיץ עיבוד אצווה. שכבה לינארית 1024→512 לוקחת 80 אלפיות השנייה על נתונים מוצפנים (טקסט גלוי: 0.1 אלפיות השנייה), אך עיבוד מקבילי של 64 דוגמאות מפחית את העומס לכ-600x.

יישום מעשי עם Microsoft SEAL

import seal
from seal import EncryptionParameters, scheme_type, SEALContext
from seal import KeyGenerator, Encryptor, Evaluator, Decryptor
from seal import CKKSEncoder, RelinKeys, GaloisKeys

# Setup CKKS parameters
parms = EncryptionParameters(scheme_type.ckks)
poly_modulus_degree = 8192  # Security level
parms.set_poly_modulus_degree(poly_modulus_degree)
parms.set_coeff_modulus(seal.CoeffModulus.Create(poly_modulus_degree, [60, 40, 40, 60]))
context = SEALContext(parms)
keygen = KeyGenerator(context)
public_key = keygen.create_public_key()
secret_key = keygen.secret_key()
relin_keys = keygen.create_relin_keys()
galois_keys = keygen.create_galois_keys()
scale = 2.0**40
encoder = CKKSEncoder(context)

# Client encrypts input
input_data = [0.5, 0.3, 0.8, ...]  # Feature vector
plain = encoder.encode(input_data, scale)
encrypted_input = Encryptor(context, public_key).encrypt(plain)

# Server computes on encrypted data (doesn't see actual values)
evaluator = Evaluator(context)
# ... matrix multiplication, activation approximation ...
encrypted_result = evaluator.multiply_plain(encrypted_input, weight_matrix)

# Client decrypts result
result = Decryptor(context, secret_key).decrypt(encrypted_result)
output = encoder.decode(result)

איך לקרב פונקציות לא לינאריות?

האתגר המרכזי ב-HE הוא שפונקציות לא לינאריות (ReLU, sigmoid) אינן נתמכות ישירות—רק פולינומים. פתרונות:

• ReLU: קירוב עם פולינום מדרגה 3–7 בטווח העבודה. דרגה 3 גורמת לירידת דיוק של ~1–2% אך דורשת פחות משמעותית פעולות כפל.
• Sigmoid: שימוש בטור טיילור או פולינום minimax.
• Softmax: דורש טיפול מיוחד בשל חילוק.

חלופה: החלפת הארכיטקטורה בפונקציות הפעלה ידידותיות ל-HE (למשל, x² במקום ReLU). זה מבטל את הצורך בקירוב אך דורש אימון מחדש של המודל.

השוואת סכמות HE

ביצועים ומגבלות

מעשי כיום עבור רגרסיה לוגיסטית, רשתות רדודות ומסקנות שומרות פרטיות ב-MLaaS. חיסכון בתשתית יכול להגיע ל-40% על ידי ביטול HSMs ייעודיים.

תבנית HE-as-a-Service

מקרה השימוש הריאלי ביותר: ספק MLaaS בענן רוצה להציע מסקנות מבלי לראות את נתוני הלקוח.

1. הספק מאמן מודל על נתונים ציבוריים/סינתטיים.
2. הלקוח מצפין נתונים בצד שלו.
3. הלקוח שולח טקסט מוצפן לספק.
4. הספק מבצע מסקנות על טקסט מוצפן.
5. הספק מחזיר תוצאה מוצפנת.
6. הלקוח מפענח את התוצאה.

הספק אף פעם לא רואה את נתוני הקלט או התוצאה. עבור שרשראות חישוב קצרות (עומק עד 5), אין צורך ב-bootstrapping.

ספריות וכלים

תהליך העבודה שלנו

1. ניתוח: ביקורת מודל ה-ML, קביעת סכמת HE והדיוק הנדרש.
2. עיצוב: בחירת פרמטרים (poly_modulus_degree, scale), קירוב פונקציות לא לינאריות.
3. יישום: שילוב שכבת HE בצנרת (Python/C++), כתיבת benchmarks.
4. בדיקות: אימות דיוק על נתונים מוצפנים, אופטימיזציה של זמן השהיה.
5. פריסה: פריסה על התשתית שלך, הדרכת הצוות.

מה כלול ביישום HE

• ביקורת מודל ובחירת סכמת HE אופטימלית.
• פיתוח צנרת תואמת HE ושילוב עם התשתית שלך.
• תיעוד והדרכת צוות.
• תמיכה טכנית במהלך היישום.

לוחות זמנים משוערים

• מודל פשוט (רגרסיה לוגיסטית, 2–3 שכבות): מ-8 שבועות.
• מודל מורכב (CNN, RNN): מ-12 עד 16 שבועות.

לוחות הזמנים משתנים בהתאם לארכיטקטורה ולדרישות הדיוק. התמחור מבוסס על הערכה אישית.

הערך את האפשרות ליישם HE עבור שירות ה-ML שלך—צור קשר לייעוץ. בקש ייעוץ הנדסי לפרויקט שלך.