
# Turvallinen moniosapuolinen synteettisen datan yhteistyö homomorfisen salauksen avulla

Aikakaudella, jossa data‑pohjaiset tekoälymallit ovat kilpailuetu, **synteettinen data** on noussut voimakkaaksi vaihtoehdoksi todellisten tietueiden jakamiselle. Kun kuitenkin useat osapuolet tarvitsevat **yhteisen** synteettisen tietojoukon luomista — ajattele poikkialatieteellistä terveysresearchia, federoitua rahoitusanalytiikkaa tai yhteisiä autonomisten ajoneuvojen simulaatioita — yksityisyys, säädösten noudattaminen ja luottamus muodostuvat merkittäviksi esteiksi.

Tässä artikkelissa esitellään **yksityisyyttä suojaava yhteistyökehys**, joka yhdistää kolme huippuluokan käsitettä:

1. **Homomorfinen salaus (HE)** – mahdollistaa laskennan salatulla datalla ilman salauksen purkua.  
2. **Turvallinen moniosapuolinen laskenta (SMPC)** – jakaa kryptografiset työkuormat osallistujien kesken, jolloin yksikään solmu ei koskaan näe raakasyötteitä.  
3. **Nollaluottamuksen arkkitehtuuri (ZTA)** – olettaa, että jokainen verkkoelementti on epäluotettava, kunnes toisin todistetaan, ja toteuttaa jatkuvan vahvistuksen sekä vähimmän oikeuden periaatteen.

Yhdessä ne muodostavat **Nollaluottamuksen synteettisen datan markkinapaikan (ZT‑SDM)**, jonka avulla organisaatiot voivat yhdessä kouluttaa generatiivisia malleja, validoida synteettisiä tuloksia ja vaihtaa data‑omaisuuksia pitäen taustalla olevan yksityisen datan näkymättömänä kaikille osapuolille — myös markkinapaikan operaattorille.

## Miksi nykyiset ratkaisut eivät riitä

| Nykyinen lähestymistapa | Keskeinen rajoitus |
|--------------------------|--------------------|
| **Keskitetyt synteettisen datan putkistot** | Vaatii luotettavan datajärven; yksi tietomurto voi paljastaa raakasyötteet. |
| **Federatiivinen oppiminen mallin aggregoinnilla** | Jakaa vain mallipäivitykset, ei itse synteettistä dataa; alapuoliset kuluttajat tarvitsevat edelleen raakadatapyyntöjä validointiin. |
| **Differential privacy (DP) yksinään** | Lisää tilastollista kohinaa, joka voi heikentää hyödyllisyyttä, erityisesti korkean ulottuvuuden datassa. |
| **Vain SMPC-pipelineja** | Raskas viestintäkuorma; suurten generatiivisten mallien (esim. diffuusio- tai LLM-mallit) skaalaus on epäkäytännöllistä. |

ZT‑SDM täyttää nämä aukot **salaamalla koko datan generointiputken**, samalla mahdollistaen **reaaliaikaisen laadun palautteen** ja **auditointijäljet**.

## Arkkitehtuurin yleiskatsaus

Alla on korkean tason Mermaid-diagrammi, joka kuvaa salatun datan, laskennan ja vahvistuksen kulun osallistuvien solmujen välillä.

```mermaid
graph TD
    subgraph "Participant A"
        A1["Raw Data A"]
        A2["HE Encryptor"]
    end
    subgraph "Participant B"
        B1["Raw Data B"]
        B2["HE Encryptor"]
    end
    subgraph "Orchestrator"
        O1["Key Management Service"]
        O2["Secure Compute Engine"]
        O3["Zero‑Trust Policy Engine"]
        O4["Audit Log Service"]
    end
    subgraph "Consumer"
        C1["Synthetic Data Consumer"]
    end

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

**Keskeiset komponentit**:

- **HE-salaaja** (kullekin osallistujalle) muuntaa raakarekisterit salatekstiin käyttäen **jaettua julkista avainta**.  
- **Avainhallintapalvelu (KMS)** tallentaa **yksityisen purkuavaimen** laitteistoturvalliseen enklaaviin; se ei koskaan poistu orkestroijalta.  
- **Turvallinen laskentamoottori** suorittaa generatiivisen mallin (esim. diffuusio-malli) **suoraan salatekstiin** käyttäen HE-yhteensopivia ydinfunktioita.  
- **Nollaluottamuksen politiikkamoottori** tarkistaa jokaisen pyynnön (datan luku, mallin inferenssi, auditointivienti) dynaamisia säädöksistä johdettuihin politiikkoihin ([GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/ccpa)).  
- **Auditointilokipalvelu** tallentaa muuttumattomia, manipulointia havaitsevia lokitietoja (valinnaisesti ankkuroituina lohkoketjuun) vaatimustenmukaisuuden tarkistamista varten.

## Vaihe‑käsittelytyönkulku

### 1. Rekisteröinti ja politiikan määrittely
1. Jokainen organisaatio rekisteröityy markkinapaikalle, lataamalla **metadataa** (data‑alueet, herkkyystunnisteet, lainkäyttöalue).  
2. **Nollaluottamuksen politiikkamoottori** luo automaattisesti **politiikkamatriisin**, joka yhdistää sallittavat toiminnot (esim. “luo synteettisiä terveydenhuollon tietueita vain tutkimusta varten”) kryptografisiin rajoitteisiin.

### 2. Avainten vaihto ja salaus
- Osallistujat saavat **julkisen HE-avaimen** KMS:ltä.  
- Raakadatasetit salataan paikallisesti; salateksti ei koskaan poistu osallistujan verkkoalueelta.

### 3. Hajautettu mallin koulutus (SMPC‑avusteinen)
- Orkestroija käynnistää **SMPC‑protokollan**, joka jakaa generatiivisen mallin painopäivitykset osallistujien kesken.  
- Jokainen solmu suorittaa **salatun gradienttilaskennan** omalla salatekstillään, ja jakaa sitten **maskatut osatulokset**.  
- KMS aggregoi maskatut päivitykset, purkaa vain **aggregaatin**, ja salaa uudelleen uudet malliparametrit seuraavaa kierrosta varten.

### 4. Synteettisen datan generointi
- Kuluttajat pyytävät synteettisiä näytteitä **politiikkatarkastetun API:n** kautta.  
- Turvallinen laskentamoottori suorittaa mallin **homomorfisesti**, tuottaen **salattuja synteettisiä tietueita**.  
- KMS purkaa lopullisen tuloksen **juuri ajoissa** kuluttajalle, ja poistaa yksityisen avaimen välittömästi muistista.

### 5. Jatkuva auditointi ja palaute
- Jokainen pyyntö, laskenta ja purkutoiminto kirjataan **auditointilokipalveluun**.  
- Auditointihenkilöt voivat kysyä lokeja käyttäen **nollatietotodisteita** varmistaakseen vaatimustenmukaisuuden ilman raakadatan näkemistä.  
- Kuluttajat voivat antaa **hyötypalaute** (esim. tilastolliset samankaltaisuusasteet), joka syötetään takaisin koulutuspiiriin, kaikki salauksen alla.

## Tekninen syväluotaus: Homomorfisen salauksen valinnat

| Skeema | Salatekstin koko | Tuetut toiminnot | Tyypillinen käyttötapaus |
|--------|------------------|-------------------|--------------------------|
| **BFV** | Kohtalainen | Kokonaislukulaskenta, yhteenlasku, kertolasku | Taulukkodatan synteesi |
| **CKKS** | Suurempi | Likimääräinen laskenta, liukuluku | Kuva-/videodiffuusiomallit |
| **TFHE** | Pieni | Binääriportit, bootstrapping | Boolen logiikka SMPC‑koordinaatiolle |

Useimmissa synteettisen datan putkistoissa **CKKS** tarjoaa parhaan kompromissin, koska generatiiviset mallit riippuvat voimakkaasti liukuluku‑matriisikertolaskuista. Kuitenkin **bootstrapping‑kustannus** voidaan lieventää **kerroskohtaisella relinearisaatiolla** ja **parametrien säätämisellä** kohde‑datan ulottuvuuden perusteella.

## Nollaluottamuksen politiikkamoottori: Dynaaminen toteutus

Moottori arvioi kolme ulottuvuutta jokaiselle pyynnölle:

1. **Identiteetti** – vahvistettu hajautettujen tunnisteiden (DID) ja varmennettavien todistusten avulla.  
2. **Konteksti** – sisältää pyynnön alkuperä‑IP:n, laitteen tilan ja vuorokauden ajan.  
3. **Aikomus** – johdettu API‑payloadista (esim. “luo 10 000 synteettistä potilastietuetta onkologiatutkimusta varten”).

Esimerkkipolitiikkasääntö:

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

## Vaatimustenmukaisuuden ja auditoinnin hyödyt

| Säädös | Miten ZT‑SDM auttaa |
|--------|----------------------|
| GDPR Art. 32 (Käsittelyn turvallisuus) | Data ei koskaan esiinny selkokielisenä alkuperäisen organisaation ulkopuolella; salausavaimet ovat laitteistoturvattuja. |
| HIPAA §164.312(e)(1) (Salaus) | Päästä‑päähän HE täyttää “salaus”‑vaatimuksen; auditointilokit tarjoavat “pääsynhallinnan” todisteita. |
| CCPA §1798.150 (Oikeus tietää) | Kuluttajat voivat pyytää **synteettisen datan alkuperäraporttia**, joka on luotu muuttumattomista lokeista ilman raakadatan paljastamista. |
| ISO 27001 A.12.4 (Lokitus) | Muuttumattomat, manipulointia havaitsevat lokit tallennetaan vain‑lisäys‑muistissa; valinnainen lohkoketjuankkurointi lisäintegriteetille. |

## Suorituskyvyn optimoinnit

1. **Hybrid HE/SMPC** – Käytä SMPC:tä **alkuperäisen painoaggregoinnin** (matala‑tarkkuus) varten ja siirry HE:hen **lopullisen korkean tarkkuuden generoinnin** aikana.  
2. **Batching & Packing** – Koodaa useita datarivejä yhteen salateksti‑paikkaan (CKKS‑pakkaus) vähentämään salauskuormaa.  
3. **Edge‑Offload** – Ota käyttöön kevyet HE‑ytimet osallistujien reunalaitteissa datan esikäsittelyyn, vähentäen verkon kuormitusta.  
4. **Cache‑able Encrypted Models** – Tallenna salatut mallitarkistuspisteet **sisältöosoitteiseen tallennustilaan**; uudelleenkäyttö useissa yhteistyöprojekteissa.

## Todelliset käyttötapaukset

### A. Poikkilaitosklininen tutkimus
**Ongelma:** Sairaalat eivät voi jakaa potilastietoja **HIPAA:n** vuoksi, mutta tarvitsevat yhteisen synteettisen kohortin harvinaissairauksien mallintamiseen.  
**Ratkaisu:** Jokainen sairaala salaa EHR‑datansa, osallistuu SMPC‑avusteiseen mallikoulutukseen ja saa synteettisen datasetin, joka heijastaa yhdistettyä väestöä paljastamatta PHI‑tietoja.

### B. Yhteistyöperusteinen rahoitusriskin mallinnus
**Ongelma:** Kilpailevat pankit tarvitsevat yhdistää tapahtumatietoja havaitakseen systeemisiä petoskuvioita, mutta kilpailulainsäädäntö kieltää raakadatojen vaihtamisen.  
**Ratkaisu:** Pankit salaavat tapahtumalokit, kouluttavat yhdessä synteettisen petosgenerointimallin ja jakavat synteettiset tulokset sääntelyviranomaisille valvontaa varten.

### C. Autonomisten ajoneuvojen simulointi
**Ongelma:** Useat OEM:t tarvitsevat monipuolisia ajo‑skenaarioita, mutta eivät voi paljastaa omistusoikeudellisia sensorilokeja.  
**Ratkaisu:** OEM:t salaavat LiDAR‑ ja kameravirransa, yhteiskouluttavat diffuusioon perustuvan skenaario‑generaattorin ja saavat synteettisiä ajo‑kohtauksia, jotka säilyttävät reunatapauksien monimuotoisuuden.

## Toteutustarkistuslista

- [ ] **Valitse HE‑skeema** (CKKS suositeltava liukuluku‑työkuormille).  
- [ ] **Tarjoa KMS** laitteistoturvallisuusmoduulilla (HSM) ja määritä avainkierron politiikka.  
- [ ] **Integroi DID‑pohjainen identiteetti** jokaiselle osallistujalle.  
- [ ] **Määritä nollaluottamuksen politiikat** käyttäen politiikka‑koodina -kehystä (esim. Open Policy Agent).  
- [ ] **Perusta SMPC‑orkestrointi** (esim. MP‑SPDZ tai CrypTen).  
- [ ] **Ota käyttöön muuttumaton auditointiloki** (esim. Amazon QLDB tai yksityinen lohkoketju).  
- [ ] **Suorita suorituskykytestit** salatun mallin inferenssin latenssille ja läpimenolle.  
- [ ] **Suorita vaatimustenmukaisuuden validointi** oikeudellisen neuvonnan ja ulkoisten auditointien kanssa.

## Tulevaisuuden suuntaukset

1. **Federatiivinen differentiaalinen yksityisyys** – Yhdistä HE DP:n kanssa lisäämään kalibroitu kohinakerros purkamisen jälkeen, vähentäen entisestään uudelleentunnistamisriskiä.  
2. **Kvanttisuojaava HE** – Tutki verkko‑pohjaisia skeemoja, jotka pysyvät turvallisina post‑kvantti‑vastustajia vastaan.  
3. **AI‑ohjattu politiikan mukautus** – Käytä vahvistusoppimista automaattisesti tiukentamaan tai löysäämään politiikkoja havaittujen hyöty‑yksityisyys‑kompromissien perusteella.  
4. **Markkinapaikan kaupallistaminen** – Ota käyttöön token‑pohjaiset kannustimet osallistujille, jotka tarjoavat korkealaatuista salattua dataa, älykkäiden sopimusten avulla toteutetaan tulonjako.

## Yhteenveto

Yhdistämällä **homomorfisen salauksen**, **turvallisen moniosapuolisen laskennan** ja **nollaluottamuksen periaatteet** yhdeksi auditointikelpoiseksi työnkuluksi, organisaatiot voivat lopulta **tehdä yhteistyötä synteettisen datan parissa** vaarantamatta yksityisyyttä tai säädösten noudattamista. Nollaluottamuksen synteettisen datan markkinapaikka avaa uusia tekoälymahdollisuuksia eri sektoreilla ja asettaa uuden mittapuun **luottamukseen suunnitelluille data‑ekosysteemeille**.

## Katso myös
- [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)