אנו מיישמים חישוב רב-צדדי מאובטח (SMPC) עבור חברות שצריכות לאמן מודל ML על נתונים משולבים ממספר צדדים מבלי לחשוף מידע פרטי. מקרה טיפוסי: שלושה בנקים רוצים לבנות גלאי הונאות משותף אך אינם יכולים לשתף עסקאות לקוחות. SMPC פותר זאת—כל צד מחזיק בנתונים שלו, והחישובים מתבצעים על חלקים מוצפנים. התקפות היפוך גרדיאנט חושפות גרדיאנטים בלמידה מאוחדת (Federated Learning); SMPC מספק ערבויות קריפטוגרפיות שאף צד לא לומד את הנתונים של האחרים.
מהי המתמטיקה מאחורי SMPC?
חלוקת סודות (סכמת שאמיר) היא הבסיס: מספר x מחולק ל-n חלקים כך שכל k חלקים משחזרים את x, בעוד k-1 חלקים לא חושפים דבר. ב-ML, כל פרמטר מודל הופך לקבוצת חלקים המחולקת בין המשתתפים. כל הפעולות (חיבור, כפל) מבוצעות על החלקים מבלי לחשוף את הערכים המקוריים.
שלשות הכפל של ביבר (Beaver's Multiplication Triples) הן שלשות אקראיות שחושבו מראש (a, b, c) כאשר c = a·b. כפל הוא הפעולה היקרה ביותר ב-SMPC; השלשות מאפשרות לבצע אותו בסיבוב תקשורת אחד במקום רבים.
מעגלים מקושקשים (Garbled Circuits) הם אלטרנטיבה: צד אחד "מקשקש" מעגל לוגי, ואחר מעריך אותו מבלי ללמוד את הקלטים של הצד הראשון. מתאים לפעולות לא-לינאריות כמו ReLU או השוואות.
מדוע SMPC אמין יותר מלמידה מאוחדת?
לעתים קרובות הם מבולבלים, אך ההבדל הוא מהותי:
| היבט | למידה מאוחדת | SMPC |
|---|---|---|
| נתונים מועברים | גרדיאנטים/משקלים | חלקים מוצפנים |
| פגיעות | התקפות היפוך גרדיאנט | קנוניה בין משתתפים |
| ביצועים | גבוהים | תלויים בפרוטוקול |
| ערבויות | היוריסטיות | קריפטוגרפיות (מחמירות) |
| ישימות | בקנה מידה גדול (לקוחות רבים) | בקנה מידה קטן (2–10 צדדים) |
SMPC מספק ערבויות קריפטוגרפיות חזקות—אמין פי 1000 מהיוריסטיקות של FL. לכן, למשימות עם דרישות סודיות גבוהות (בנקים, בריאות), נבחר SMPC.
באילו פרוטוקולי SMPC אנו משתמשים?
SPDZ (ספידז) הוא הבחירה העיקרית שלנו למעגלים אריתמטיים. הוא מורכב משני שלבים:
- שלב לא-מקוון: יצירת שלשות ביבר (ניתן להריץ מראש על GPU).
- שלב מקוון: חישובים בפועל על הנתונים.
הוא תומך בפעולות אריתמטיות שרירותיות, כולל כפל מטריצות—קריטי לרשתות נוירונים. SPDZ מהיר עד פי 2 מ-ABY עבור מודלים כבדים באריתמטיקה.
ABY Framework הוא היברידי של שלוש פרדיגמות:
- חלוקה אריתמטית לפעולות לינאריות (כפל מטריצות)
- חלוקה בוליאנית לפונקציות לא-לינאריות (ReLU, מקס-פולינג)
- מעגלים מקושקשים של יאו ללא-לינאריות מורכבת.
מימושים: MP-SPDZ, MOTION, ABY3, CrypTen מפייסבוק—מסגרת Python המשולבת עם PyTorch.
דוגמה: אימון רגרסיה לינארית עם CrypTen
import crypten
import crypten.mpc as mpc
import torch
crypten.init()
@mpc.run_multiprocess(world_size=3)
def train_private():
features = crypten.load('features.pt', src=0)
labels = crypten.load('labels.pt', src=1)
features_enc = crypten.cryptensor(features)
labels_enc = crypten.cryptensor(labels)
model = crypten.nn.from_pytorch(torch_model, features_enc)
model.train()
output = model(features_enc)
loss = crypten.nn.MSELoss()(output, labels_enc)
loss.backward()
# Градиенты — тоже зашифрованные доли
כיצד להעריך ביצועי SMPC?
SMPC איטי משמעותית מאימון רגיל:
- תקורה: פי 100–1000 לפעולות לא-לינאריות
- צוואר בקבוק: לא-לינאריות (ReLU, sigmoid, softmax) דורשות פרוטוקולים מיוחדים
- השהיות רשת חשובות: תקשורת רב-סיבובית
אופטימיזציות:
- קירוב פונקציות לא-לינאריות עם פולינומים (ReLU ≈ x²/4 בטווח [-2, 2])
- האצת GPU של השלב הלא-מקוון
- עיבוד אצווה להפחתת תקורה
- חישוב מקדים אסינכרוני של שלשות
ציפיות ריאליות: רגרסיה לוגיסטית על 100 אלף רשומות בין שלושה צדדים—דקות. רשת נוירונים במורכבות בינונית—שעות. חיזוי—שניות.
| פרוטוקול | סוג פעולה | תקורה (×) | תמיכת GPU |
|---|---|---|---|
| SPDZ | אריתמטי | 10–50 | כן (לא-מקוון) |
| ABY | היברידי | 50–200 | לא |
| מעגלים מקושקשים | לא-לינארי | 100–500 | לא |
SMPC מספק ערובה פורמלית לסודיות—אף צד לא לומד את הנתונים של האחרים (Evans et al.). הצפנה הומומורפית היא טכניקה קרובה אך פחות יעילה לאימון ML משותף.
דוגמה לסכמת שאמיר ל-3 משתתפים: נניח x = 5, סף k=2. בחר פולינום אקראי f(t)=5+3t. חלקים: (1,8), (2,11), (3,14). כל 2 חלקים משחזרים 5, חלק אחד נותן רק קבוצה אינסופית של ערכי x אפשריים.
תוכנית יישום SMPC שלב-אחר-שלב
- ביקורת משימה: קביעת מספר צדדים, סוג נתונים, ביצועים נדרשים.
- בחירת פרוטוקול: SPDZ לאריתמטיקה, ABY לתכניות היברידיות.
- עיצוב תכנית: פיצול חישובים לחלקים לינאריים/לא-לינאריים.
- יישום על מסגרת: CrypTen או MP-SPDZ המשולבים בצנרת שלך.
- בדיקת ביצועים: מדידת חביון p99, תפוקה, רוחב פס.
- ביקורת אבטחה: בדיקת היעדר קנוניה ודליפות ערוצים צדדיים.
- השקה פיילוט: על נתונים סינתטיים, ולאחר מכן על נתונים אמיתיים.
מקרים מעשיים
יישמנו SMPC עבור קונסורציום של שלושה בנקים: אימנו מודל זיהוי הונאות על מערך נתונים משולב (2 מיליון רשומות) ללא חשיפה אחת של נתונים גולמיים. פרוטוקול: SPDZ, 3 משתתפים, זמן אימון: 12 דקות על אשכול GPU. תוצאה: דיוק המודל השתפר ב-7% בהשוואה לאימון מבודד.
יישומים נוספים:
- מחקר רפואי: מרפאות משלבות נתונים על מחלות נדירות.
- בקרת מס: רשויות מס ובנקים מאמנים מודלים משותפים מבלי לגשת לנתונים גולמיים.
- אנליטיקה תחרותית: חברות בתעשייה מעריכות מגמות שוק מבלי לחשוף מדדים פנימיים.
תוצרים
- מסמך ביקורת פרויקט והמלצת פרוטוקול
- עיצוב ארכיטקטורת חישוב מאובטח ותיעוד
- יישום על מסגרת נבחרת (CrypTen, MP-SPDZ) עם אופטימיזציית ביצועים
- דוח ביקורת אבטחה וסקירת קוד
- חומרי הדרכה והטמעת צוות
- תמיכה ל-3 חודשים בשלב הפיילוט
מדדי חברה
עם למעלה מ-5 שנות ניסיון במחשוב סודי ו-20+ פרויקטים מוצלחים, אנו זוכים לאמון של בנקים מובילים וספקי בריאות. עלות פרויקט טיפוסית נעה בין 50,000 ל-150,000 דולר, ומספקת חיסכון של עד 80% בהשוואה לקנסות פוטנציאליים על דליפת נתונים.
צור קשר: אנו מעריכים את הפרויקט שלך תוך 2–3 ימי עסקים. התקציב מחושב באופן אישי, לוחות זמנים—6–12 שבועות. המומחיות של הצוות שלנו: 5+ שנים במחשוב סודי, למעלה מ-20 פרויקטים שהועברו במגזרי פיננסים ובריאות.
בקש ייעוץ—נספר לך כיצד SMPC פותר את המשימה שלך ללא סיכונים לפרטיות הנתונים.