
# Bezpečná vícestranná spolupráce na syntetických datech s homomorfním šifrováním

V době, kdy jsou modely AI řízené daty konkurenční výhodou, **syntetická data** představují silnou alternativu ke sdílení reálných záznamů. Když však více stran potřebuje **společně vytvářet** syntetické datové sady – například při meziplánových výzkumech ve zdravotnictví, federovaných finančních analýzách nebo společných simulacích autonomních vozidel – stávají se soukromí, regulatorní soulad a důvěra hlavními překážkami.

Tento článek představuje **rámec pro spolupráci zachovávající soukromí**, který spojuje tři špičkové koncepty:

1. **Homomorfní šifrování (HE)** – umožňuje výpočet na šifrovaných datech bez dešifrování.  
2. **Bezpečný výpočet více stran (SMPC)** – rozděluje kryptografické úlohy mezi účastníky tak, že žádný uzel nevidí surové vstupy.  
3. **Architektura Zero‑Trust (ZTA)** – předpokládá, že každý prvek sítě je nedůvěryhodný, dokud není prokázáno opak, a vynucuje kontinuální ověřování a princip nejmenších oprávnění.

Společně tvoří **Zero‑Trust Marketplace pro syntetická data (ZT‑SDM)**, který organizacím umožňuje společně trénovat generativní modely, ověřovat syntetické výstupy a vyměňovat datová aktiva, přičemž podkladová soukromá data zůstávají neviditelná pro všechny strany – včetně provozovatele tržiště.

---

## Proč stávající řešení selhávají

| Stávající přístup | Hlavní omezení |
|-------------------|-----------------|
| **Centralizované pipeline pro syntetická data** | Vyžaduje důvěryhodné datové jezero; jediný průlom může odhalit surové vstupy. |
| **Federované učení s agregací modelu** | Sdílí jen aktualizace modelu, ne samotná syntetická data; koncoví uživatelé stále potřebují požádat o surová data pro validaci. |
| **Pouze diferencální soukromí (DP)** | Přidává statistický šum, který může snižovat užitečnost, zejména u vysoce dimenzionálních dat. |
| **Pouze SMPC pipeline** | Vysoká komunikační zátěž; škálování na velké generativní modely (např. difúzní modely nebo LLM) je nepraktické. |

**ZT‑SDM** tyto mezery řeší tím, že **šifruje celý proces generování dat**, přičemž stále umožňuje **zpětnou vazbu o kvalitě v reálném čase** a **auditní stopy**.

---

## Architektonický přehled

Níže je diagram v jazyce Mermaid, který zachycuje tok šifrovaných dat, výpočtů a ověřování napříč účastnickými uzly.

```mermaid
graph TD
    subgraph "Účastník A"
        A1["Surová data A"]
        A2["HE Encryptor"]
    end
    subgraph "Účastník B"
        B1["Surová data B"]
        B2["HE Encryptor"]
    end
    subgraph "Orchestrátor"
        O1["Key Management Service"]
        O2["Secure Compute Engine"]
        O3["Zero‑Trust Policy Engine"]
        O4["Audit Log Service"]
    end
    subgraph "Spotřebitel"
        C1["Spotřebitel syntetických dat"]
    end

    A1 --> A2
    B1 --> B2
    A2 --> O2
    B2 --> O2
    O2 --> O3
    O3 --> O4
    O2 --> C1
    O4 --> C1
```

**Klíčové komponenty**:

- **HE Encryptor** (u každého účastníka) převádí surové záznamy na ciphertext pomocí **sdíleného veřejného klíče**.  
- **Key Management Service (KMS)** uchovává **soukromý dešifrovací klíč** v hardwarově zabezpečeném enclavě; klíč nikdy neopustí orchestrátor.  
- **Secure Compute Engine** spouští generativní model (např. difúzní model) **přímo na ciphertext** pomocí HE‑kompatibilních jader.  
- **Zero‑Trust Policy Engine** validuje každý požadavek (čtení dat, inference modelu, export auditu) proti dynamickým politikám odvozeným z regulatorních rámců ([GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/ccpa)).  
- **Audit Log Service** zaznamenává neměnné, odolné proti manipulaci logy (volitelně ukotvené v blockchainu) pro ověření souladu.

---

## Krok‑za‑krokem pracovní postup

### 1. Registrace a definice politik
1. Každá organizace se zaregistruje na tržišti a nahraje **metadata** (datové domény, štítky citlivosti, jurisdikce).  
2. **Zero‑Trust Policy Engine** automaticky vygeneruje **politickou matici**, která mapuje povolené operace (např. „generovat syntetické zdravotní záznamy jen pro výzkum“) na kryptografické omezení.

### 2. Výmena klíčů a šifrování
- Účastníci obdrží **veřejný HE klíč** od KMS.  
- Surové datové sady jsou šifrovány lokálně; ciphertext nikdy neopustí perimetr účastníka.

### 3. Distribuovaný trénink modelu (s podporou SMPC)
- Orchestrátor spustí **SMPC protokol**, který rozdělí aktualizace vah generativního modelu mezi účastníky.  
- Každý uzel provádí **šifrovaný výpočet gradientu** na svém ciphertext a poté sdílí **maskované částečné výsledky**.  
- KMS agreguje maskované aktualizace, dešifruje jen **agregát**, a znovu jej zašifruje pro další iteraci.

### 4. Generování syntetických dat
- Spotřebitelé požadují syntetické vzorky přes **API kontrolované politikou**.  
- Secure Compute Engine spustí model **homomorfně**, čímž vytvoří **šifrované syntetické záznamy**.  
- KMS dešifruje finální výstup **just‑in‑time** pro spotřebitele a okamžitě vymaže soukromý klíč z paměti.

### 5. Kontinuální audit a zpětná vazba
- Každý požadavek, výpočet a dešifrovací událost je zaznamenána do **Audit Log Service**.  
- Auditoři mohou dotazovat logy pomocí **zero‑knowledge proof**, aby ověřili soulad, aniž by viděli surová data.  
- Spotřebitelé mohou poskytovat **zpětnou vazbu o užitečnosti** (např. statistické podobnosti), která je pod šifrou vrácena do tréninkové smyčky.

---

## Technický rozbor: Volba homomorfního šifrování

| Schéma | Velikost ciphertextu | Podporované operace | Typické použití |
|--------|----------------------|---------------------|-----------------|
| **BFV** | Střední | Celistvá aritmetika, sčítání, násobení | Tabulková syntéza dat |
| **CKKS** | Větší | Přibližná aritmetika, floating‑point | Difúzní a video modely |
| **TFHE** | Malý | Binární brány, bootstrapping | Binární logika pro koordinaci SMPC |

Pro většinu pipeline syntetických dat nabízí **CKKS** nejlepší kompromis, protože generativní modely silně spoléhají na floating‑point maticové násobení. **Náklady na bootstrapping** lze snížit pomocí **layer‑wise relinearizace** a ladění parametrů podle cílové dimenzionality dat.

---

## Zero‑Trust Policy Engine: Dynamické vynucování

Engine hodnotí tři dimenze pro každý požadavek:

1. **Identita** – ověřena pomocí decentralizovaných identifikátorů (DID) a ověřitelných pověření.  
2. **Kontext** – zahrnuje IP původu požadavku, stav zařízení a čas dne.  
3. **Úmysl** – odvozený z těla API (např. „vygenerovat 10 000 syntetických pacientských záznamů pro onkologický výzkum“).

Příklad **politického pravidla**:

```
IF requester.role == "researcher"
AND data.domain == "healthcare"
AND jurisdiction == "EU"
THEN allow HE‑generation WITH differential‑privacy epsilon=0.5
ELSE deny
```

Protože samotné pravidlo neobsahuje surová data, může být vyhodnoceno **mimo** šifrovanou doménu, což zachovává výkon.

---

## Soulad a auditní výhody

| Nařízení | Jak ZT‑SDM pomáhá |
|----------|-------------------|
| **GDPR Art. 32** (Bezpečnost zpracování) | Data se nikdy neobjeví v plaintextu mimo původní organizaci; šifrovací klíče jsou hardwarově chráněny. |
| **HIPAA §164.312(e)(1)** (Šifrování) | End‑to‑end HE splňuje požadavek na „šifrování“; auditní logy poskytují důkaz o „kontrole přístupu“. |
| **CCPA §1798.150** (Právo vědět) | Spotřebitelé mohou požádat o **zprávu o původu syntetických dat** generovanou z neměnných logů, aniž by byly odhaleny surové vstupy. |
| **ISO 27001 A.12.4** (Logování) | Neměnné, odolné proti manipulaci logy uložené v append‑only úložišti; volitelně ukotvené v blockchainu pro extra integritu. |

---

## Optimalizace výkonu

1. **Hybridní HE/SMPC** – použijte SMPC pro **počáteční agregaci vah** (nízká přesnost) a přepněte na HE pro **finální vysokou přesnost generování**.  
2. **Batching & Packing** – zakódujte více řádků dat do jednoho slotu ciphertextu (CKKS packing), čímž amortizujete šifrovací režii.  
3. **Edge‑Offload** – nasadíte lehké HE jádra na edge zařízení účastníků, aby předzpracovaly data a snížily síťový payload.  
4. **Cache‑ovatelné šifrované modely** – uložte šifrované checkpointy modelu do **content‑addressable storage**; znovu je použijte napříč různými spoluprácemi.

---

## Reálné příklady použití

### A. Meziplánový klinický výzkum
- **Problém**: Nemocnice nemohou sdílet pacientské záznamy kvůli **HIPAA**, ale potřebují společnou syntetickou kohortu pro modelování vzácných onemocnění.  
- **Řešení**: Každá nemocnice zašifruje své EHR, zapojí se do SMPC‑asistovaného tréninku modelu a získá syntetický dataset, který odráží kombinovanou populaci, aniž by se PHI odhalilo.

### B. Společné finanční modelování rizik
- **Problém**: Konkurující banky potřebují sdílet transakční data k odhalení systémových podvodných vzorců, ale antitrustové zákony zakazují výměnu surových dat.  
- **Řešení**: Banky zašifrují transakční logy, společně trénují syntetický model podvodů a sdílejí syntetické výstupy s regulátory pro dohled.

### C. Simulace autonomních vozidel
- **Problém**: Různí výrobci automobilů potřebují rozmanité scénáře řízení, ale nemohou odhalit proprietární senzorové logy.  
- **Řešení**: Výrobci zašifrují LiDAR a kamerové proudy, společně trénují difúzní generátor scénářů a získají syntetické jízdní scény zachovávající okrajové případy.

---

## Kontrolní seznam implementace

- [ ] **Vybrat HE schéma** (doporučeno CKKS pro floating‑point úlohy).  
- [ ] **Zprovoznit KMS** s hardware security module (HSM) a definovat politiku rotace klíčů.  
- [ ] **Integrovat DID‑based identitu** pro každého účastníka.  
- [ ] **Definovat Zero‑Trust politiky** pomocí frameworku policy‑as‑code (např. Open Policy Agent).  
- [ ] **Nasadit orchestraci SMPC** (např. MP‑SPDZ nebo CrypTen).  
- [ ] **Zprovoznit neměnný auditní log** (např. Amazon QLDB nebo soukromý blockchain).  
- [ ] **Spustit výkonnostní benchmarky** latence a propustnost šifrované inference modelu.  
- [ ] **Provést validaci souladu** s právníky a externími auditory.

---

## Budoucí směřování

1. **Federované diferenciální soukromí** – kombinovat HE s DP a po dešifrování přidat kalibrovaný šum, čímž se dále sníží riziko reidentifikace.  
2. **Kvantově odolné HE** – zkoumat lattice‑based schémata, která zůstanou bezpečná proti post‑kvantovým útočníkům.  
3. **AI‑řízená adaptace politik** – použít reinforcement learning k automatickému zpřísnění nebo uvolnění politik na základě pozorované rovnováhy užitečnosti‑soukromí.  
4. **Monetizace tržiště** – zavést token‑založené incentivy pro účastníky, kteří přispívají vysoce kvalitními zašifrovanými daty, s chytrými kontrakty zajišťujícími rozdělení výnosů.

---

## Závěr

Propletením **homomorfního šifrování**, **bezpečného výpočtu více stran** a **principů zero‑trust** do jedné auditovatelné pracovní postupy mohou organizace konečně **spolupracovat na syntetických datech** bez kompromisu soukromí či regulatorního souladu. Zero‑Trust Marketplace pro syntetická data nejen odemyká nové možnosti AI napříč sektory, ale také stanovuje nový standard pro **důvěru‑založené datové ekosystémy**.

---

## Viz také
- [Open Policy Agent (OPA) – Policy as Code](https://www.openpolicyagent.org)  
- [MP‑SPDZ – Multi‑Party Computation Framework](https://github.com/data61/MP-SPDZ)  
- [Zero Trust Architecture – NIST SP 800‑207](https://csrc.nist.gov/publications/detail/sp/800-207/final)