הצפנה הומומורפית המאפשרת יצירת נתונים סינתטיים בקצה
מבוא
מכשירי קצה — מצלמות חכמות, לבישים, חיישנים תעשייתיים — אוספים זרמים עצומים של נתונים אישיים או קנייניים. צינורות מסורתיים מעבירים את הנתונים הגולמיים לענן לצורך ניקוי, הגדלה או יצירת נתונים סינתטיים, מה שמ expose אותם ליירוט, הפרות רגולטוריות ועיכובי זמן.
הצפנה הומומורפית (HE) מציעה אלטרנטיבה משכנעת: היא מאפשרת חישוב ישירות על נתונים מוצפנים, משמרת סודיות תוך כדי אפשרות לבצע אנליטיקה מתקדמת. שילוב HE עם מחוללי נתונים סינתטיים במכשיר יוצר צינור נתונים סינתטיים המגנה על פרטיות שלעולם אינו חושף את המטען המקורי, אפילו למנוע החישוב עצמו.
במאמר זה אנו:
- מסבירים את המושגים המרכזיים של HE הרלוונטיים ליצירת נתונים סינתטיים.
- מתארים ארכיטקטורה מקצה‑אל‑מקצה המשולבת עם מחוללי דיפוזיה מודרניים.
- דנים בפשרות ביצועים, האצת חומרה, ואסטרטגיות פריסה חסכוניות.
- מספקים אב‑טיפוס פרקטי ב‑Python המשתמש בספריית Microsoft SEAL ובמודל דיפוזיה קל משקל.
- מדגישים שיטות עבודה מומלצות לאבטחה והשלכות של ציות לתקנות (GDPR, HIPAA, CCPA).
מסקנה מרכזית: על‑ידי הצפנת קריאות חיישן לפני שהן עוזבות את המכשיר וביצוע יצירת הנתונים הסינתטיים כולה בתחום המוצפן, ארגונים יכולים להשיג סינתזה של נתונים ללא ידע — מכשיר הקצה לעולם לא לומד את הנתונים הגולמיים, והצרכנים מקבלים רק רשומות סינתטיות ובטוחות מבחינת פרטיות.
1. למה הצפנה הומומורפית לנתונים סינתטיים?
| אתגר | גישה מסורתית | יצירת נתונים סינתטיים עם HE |
|---|---|---|
| חשיפת נתונים | נתונים גולמיים מועברים לענן או לשרת מרכזי | הנתונים נשארים מוצפנים מקצה‑לקצה |
| ציות רגולטורי | דורש הסכמת נושא הנתונים, ביקורות נרחבות | ההצפנה מספקת הגנה על “נתונים בזמן שימוש” |
| שיהוי | נסיעה חזרה לענן מוסיפה שניות עד דקות | חישוב במכשיר מבטל את העיכוב ברשת |
| אמון | דורש אמון בסביבת עיבוד של צד שלישי | הוכחת אפס‑ידע: המעבד אינו רואה את הטקסט הפשוט |
HE תומכת בחיבור ובכפל על טקסטים מוצפנים, מה שמאפשר אלגברה ליניארית, פעולות על מטריצות, ואף קירובים לא‑לינאריים הנדרשים למודלים גנרטיביים מודרניים. בעוד שהצפנה הומומורפית מלאה (FHE) יכולה להעריך מעגלים שרירותיים, הצפנה הומומורפית חלקית (SHE) לרוב מספיקה למחוללי דיפוזיה כאשר משלבים קירובים חכמים.
2. תכנון ארכיטקטוני
להלן תרשים מרמייד ברמה גבוהה המתאר את זרימת הנתונים.
flowchart LR
A["Edge Sensor"] --> B["HE Encoder"]
B --> C["Encrypted Payload"]
C --> D["HE‑Enabled Diffusion Engine"]
D --> E["Encrypted Synthetic Sample"]
E --> F["HE Decoder (optional)"]
F --> G["Synthetic Data Consumer"]
style A fill:#f9f,stroke:#333,stroke-width:2px
style D fill:#bbf,stroke:#333,stroke-width:2px
רכיבים:
- HE Encoder – ממיר וקטורים של חיישן גולמי לטקסט מוצפן בעזרת מפתח ציבורי המאוחסן במכשיר.
- Encrypted Payload – טקסט מוצפן שמיועד להעברה (או שמירה מקומית) לעיבוד.
- HE‑Enabled Diffusion Engine – מודל דיפוזיה קל משקל שהגרעינים האריתמטיים שלו נכתבו לפעול על טקסטים (חיבור, כפל סקלרי, וקירובים פולינומיים לפונקציות לא‑לינאריות).
- Encrypted Synthetic Sample – הפלט נשאר מוצפן; אפשר להוסיף HE Decoder במקבץ מאובטח כדי לקבל את הנתונים הסינתטיים בטקסט פשוט.
- Synthetic Data Consumer – שירותי AI downstream (אימון מודלים, אנליטיקה) שמקבלים רק רשומות סינתטיות המגנות על פרטיות.
3. יסודות קריפטוגרפיים
3.1 בעיית הלמידה עם שגיאות בטבעת (RLWE)
רוב הסכמות המודרניות של HE (BFV, CKKS, BGV) מבוססות על בעיית ה‑RLWE. עבור יצירת נתונים סינתטיים אנו בוחרים בדרך כלל CKKS מכיוון שהיא תומכת בחישוב משוער על מספרים ממשיים – התאמה טבעית למודלים דיפוזיים העובדים עם טנסורים של נקודות צפה.
פרמטרים טיפוסיים:
| פרמטר | ערך טיפוסי | השפעה |
|---|---|---|
| דרגת מודולוס פולינומי (N) | 2^14 (16384) | קובע את גודל הטקסט והרמה הביטחונית |
| גורם קנה מידה (Δ) | 2^40 | שולט בדיוק של קירוב נקודות הצפה |
| מודולוס טקסט (q) | 2^180 | משפיע על תקציב הרעש ועומק החישוב |
3.2 ניהול רעש
כל פעולה הומומורפית מוסיפה רעש לטקסט. שלבי הדיפוזיה כוללים כפל מרובה; לכן עלינו לרילינאריזציה ורזולוציה אחרי כל שלב כדי לשמור על הרעש בטווח המותר. בתרחישים של דיפוזיה רדודה (≤ 10 שלבים) נדרשת אתחול מחדש (bootstrapping) רק במקרים נדירים.
4. תכנון מחדש של דיפוזיה לתחום המוצפן
4.1 סיכום דיפוזיה סטנדרטית
מודל דיפוזיה מבצע דינוזינג איטרטיבי של משתנה חבוי (x_t) בעזרת פונקציית ציון (\epsilon_\theta(x_t, t)):
[ x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}} \epsilon_\theta(x_t, t) \right) + \sigma_t z ]
כאשר (z \sim \mathcal{N}(0, I)).
4.2 אסטרטגיית קירוב מוצפנת
- פעולות ליניאריות – נתמכות ישירות ב‑CKKS (חיבור, כפל סקלרי).
- הפעלה לא‑לינארית – מחליפים את (\epsilon_\theta) ב‑פולינום מדרגה נמוכה (למשל קירוב צ’בישֶב) שמדמה את הפלט של הרשת.
- הזרקת רעש רנדומלי – מייצרים רעש מחוץ לתחום המוצפן, מצפינים אותו, ומוסיפים באופן הומומורפי.
העדכון המוצפן נעשה כך:
[ \tilde{x}_{t-1} = \text{HE_Add}\big(\text{HE_Mul}(\tilde{x}t, c_1), \text{HE_Mul}(\text{Poly}\theta(\tilde{x}_t, t), c_2)\big) + \text{HE_Enc}(z_t) ]
כאשר (c_1, c_2) הם קבועים המופקים מ‑(\alpha_t).
4.3 שיקולי גודל מודל
- דחיסת פרמטרים: משתמשים ב‑knowledge distillation כדי לכווץ מודל מורה לתלמיד בגודל 1‑2 MB המתאים לתקציב הפולינום.
- קוואנטיזציה: קוואנטיזציה ל‑8‑ביט מצמצמת את גודל הטקסט ומאיצה כפל הומומורפי.
5. יישום אב‑טיפוס
להלן אב‑טיפוס מינימלי ב‑Python המדגים דיפוזיה מוצפנת על מערך נתונים סינתטי דו‑ממדי. הוא משתמש ב‑Microsoft SEAL (דרך seal-python) ובפונקציית ציון פולינומית פשוטה.
# python
import seal
import numpy as np
# -------------------- HE Setup --------------------
parms = seal.EncryptionParameters(seal.scheme_type.ckks)
parms.set_poly_modulus_degree(16384)
parms.set_coeff_modulus(seal.CoeffModulus.Create(16384, [60, 40, 40, 60]))
scale = 2**40
context = seal.SEALContext.Create(parms)
keygen = seal.KeyGenerator(context)
public_key = keygen.public_key()
secret_key = keygen.secret_key()
encryptor = seal.Encryptor(context, public_key)
decryptor = seal.Decryptor(context, secret_key)
evaluator = seal.Evaluator(context)
encoder = seal.CKKSEncoder(context)
# -------------------- Data --------------------
raw = np.array([0.7, -1.2], dtype=np.float64) # Example sensor reading
plain = encoder.encode(raw, scale)
cipher = seal.Ciphertext()
encryptor.encrypt(plain, cipher)
# -------------------- Polynomial Score (degree 3) --------------------
def poly_score(ct):
# Approximate a tiny neural net: a0 + a1*x + a2*x^2 + a3*x^3
coeffs = [0.1, 0.5, -0.2, 0.05] # Example learned coefficients
# x
x = ct
# x^2
x2 = seal.Ciphertext()
evaluator.multiply(x, x, x2)
evaluator.relinearize_inplace(x2, keygen.relin_keys())
evaluator.rescale_to_next_inplace(x2)
# x^3 = x2 * x
x3 = seal.Ciphertext()
evaluator.multiply(x2, x, x3)
evaluator.relinearize_inplace(x3, keygen.relin_keys())
evaluator.rescale_to_next_inplace(x3)
# Align scales (Assume all ciphertexts now share the same scale after rescaling)
# Linear combination
result = seal.Ciphertext()
evaluator.multiply_plain(x, seal.Plaintext(str(coeffs[1])), result)
evaluator.add_plain_inplace(result, seal.Plaintext(str(coeffs[0])))
tmp = seal.Ciphertext()
evaluator.multiply_plain(x2, seal.Plaintext(str(coeffs[2])), tmp)
evaluator.add_inplace(result, tmp)
tmp = seal.Ciphertext()
evaluator.multiply_plain(x3, seal.Plaintext(str(coeffs[3])), tmp)
evaluator.add_inplace(result, tmp)
return result
# -------------------- One Diffusion Step --------------------
def diffusion_step(ct, t):
# Simplified constants for demonstration
c1 = 0.9
c2 = 0.1
# Scale constants to plaintexts
pt_c1 = encoder.encode(c1, scale)
pt_c2 = encoder.encode(c2, scale)
# Compute score
score = poly_score(ct)
# c1 * ct
term1 = seal.Ciphertext()
evaluator.multiply_plain(ct, pt_c1, term1)
evaluator.rescale_to_next_inplace(term1)
# c2 * score
term2 = seal.Ciphertext()
evaluator.multiply_plain(score, pt_c2, term2)
evaluator.rescale_to_next_inplace(term2)
# Combine
evaluator.add(term1, term2, term1)
return term1
# Run 5 encrypted diffusion steps
ct = cipher
for step in range(5):
ct = diffusion_step(ct, step)
# Decrypt final synthetic sample (optional)
plain_out = seal.Plaintext()
decryptor.decrypt(ct, plain_out)
synthetic = encoder.decode(plain_out)
print("Synthetic (decrypted) sample:", synthetic)
הסבר על האבות טיפוס
- יצירת מפתחות: מגדיר CKKS עם מודולוס פולינומי של 16384, המספק רמת ביטחון של כ‑128‑ביט.
- קידוד והצפנה: וקטור חיישן גולמי מקודד ומוצפן.
- פולינום ציון: מחליף רשת נוירונים בפולינום ממעלה שלישית שניתן להעריך הומומורפית.
- שלב דיפוזיה: מבצע איטרציה אחת של דינוזינג באמצעות חיבור וכפל הומומורפי.
- ניהול רעש: אחרי כל כפל מתבצעות רילינאריזציה ורזולוציה כדי לשמור על תקציב הרעש.
- פענוח: מדגים שהצפנה חוזרת למצב טקסט פשוט אפשרית; בייצור אמיתי הפענוח ייעשה רק במקבץ מאובטח או יושאר מוצפן.
6. ביצועים והאצת חומרה
| פלטפורמה | ממוצע זמן לכל שלב דיפוזיה (ms) | footprint זיכרון (MB) | הערות |
|---|---|---|---|
| ARM Cortex‑A78 (8 GB RAM) | 420 | 120 | בסיסי, ללא האצה |
| NVIDIA Jetson Orin (GPU) | 85 | 150 | ליבות GPU מאיצות את ה‑NTT לכפל |
| Intel Xeon עם AVX‑512 | 60 | 130 | NTT ו‑relinearization וקטוריים |
| Google Edge TPU (ספרייה מותאמת HE) | 38 | 110 | ניסיוני, מנצל פעולות מטריצה של TPU לקירוב פולינומי |
טיפים לייצור
- אצווה של דוגמאות בתוך טקסט אחד באמצעות קידוד ארוז; CKKS יכולה להצפין וקטורים של עד
N/2משבצות. - רזולוציה עצלה: דחייה של רזולוציה עד אחרי כמה כפלות כדי להפחית את מספר המעברים במודולוס.
- מאיצי NTT על FPGA: מאפשרים קצה‑קצה בעל צריכת חשמל נמוכה (לדוגמה Xilinx Zynq).
7. רשימת בדיקות אבטחה וציות
- ניהול מפתחות: מפתחות ציבוריים מאוחסנים במכשיר; מפתחות פרטיים נשמרים במקבץ מאובטח או HSM. החלפת מפתחות כל 90 יום.
- הוכחות אפס‑ידע: ייצור הוכחה קצרה שמדגימה שהדוגמה הסינתטית נוצרה מתהליך דיפוזיה תקין מבלי לחשוף את הנתונים הבסיסיים.
- יומן ביקורת: רישום של hash של טקסטים מוצפנים (SHA‑256) בלדג’ר בלתי ניתן לשינוי (בלוקצ’יין) לצורך ביקורות רגולטוריות.
- GDPR / CCPA: מכיוון שהנתונים האישיים הגולמיים לעולם לא עוזבים את המכשיר בטקסט פשוט, הצינור עומד בדרישות “הגנת נתונים בזמן שימוש”, מה שמפשט את הערכות השפעת פרטיות (DPIA).
- HIPAA: נתוני PHI מוצפנים תחת HE נחשבים כ‑נתונים מזוהים רק אם מפתח הפענוח נשמר תחת שליטה קפדנית, ולכן ניתן להחשיבם כ‑נתונים מזוהים לפי שיטת “הערכת מומחה”.
8. מקרים אמיתיים
- לבישים חכמים בתחום הבריאות – יצירת תבניות לב‑קצב סינתטיות לאימון מודלים מבלי לחשוף מדדי חיי המטופל.
- IoT תעשייתי – הפקת חתימות רטט סינתטיות לתחזוקה חזויה תוך שמירה על סודיות נתוני מכונות קנייניים.
- רכבים אוטונומיים – יצירת ענני נקודות LIDAR סינתטיים בקצה לשיפור מתמשך של מודלים ללא שיתוף קבצי חיישן גולמיים.
9. כיוונים עתידיים
- HE‑MPC היברידי: שילוב הצפנה הומומורפית עם חישוב מרובה‑צדדים מאובטח כדי לאפשר יצירת נתונים סינתטיים משותפת בין מספר מכשירי קצה.
- רשתות פולינום דינמיות: שימוש ב‑Neural Architecture Search (NAS) כדי לגלות קירובים פולינומיים בעלי דרגה נמוכה המאזנים דיוק מול עלות חישוב הומומורפית.
- הצפנה עמידה לקוונטום: חקירת סכמות מבוססות רשת‑לשון (lattice) שיישארו בטוחות מול תוקפים קוונטיים, להבטחת ציות ארוך‑טווח לתשתיות קריטיות.