
# יצירת נתונים סינתטיים בזמן אמת עם שמירה על פרטיות בקצה באמצעות הצפנה הומומורפית ולמידה פדרטיבית

## מבוא

בינה מלאכותית בקצה (Edge AI) עוברת מעבודות רק של אינפרנס למערכי **נתונים‑מרכזיים** הדורשים עדכוני מודלים רציפים, אימון על‑המכשיר ויצירת נתונים סינתטיים. בעוד שנתונים סינתטיים יכולים להפחית באופן דרמטי את הצורך באיסוף יקר של נתונים מהעולם האמיתי, הם גם מעלים חששות **פרטיות** כאשר הנתונים המקוריים נובעים ממכשירי המשתמשים. טכניקות אנונימיזציה מסורתיות (הסתרה, פרטיות דיפרנציאלית) או מפחיתות את תועלת הנתונים או דורשות רשות מרכזית מהימנה – שני מצבים שאינם רצויים בתרחישים של קצה רגישים לעיכוב.

**פרדיגמה חדשה** משלבת **הצפנה הומומורפית (HE)**, **למידה פדרטיבית (FL)** ובקרות **אפס‑אמון** כדי לייצר נתונים סינתטיים באיכות גבוהה **בזמן אמת** בקצה. מאמר זה מציג את מודל האבטחה, רכיבי הארכיטקטורה, והצעדים המעשיים ליישום צינור עבודה כזה, תוך התייחסות לסחרופי ביצועים ולכיווני מחקר עתידיים.

## למה נתונים סינתטיים בקצה דורשים הבטחות פרטיות חזקות

| אתגר | גישה קונבנציונלית | מגבלה |
|------|-------------------|--------|
| **מיקום הנתונים** | העלאת נתונים גולמיים לענן | מפר את התקנות ([GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa)) |
| **עיכוב** | יצירה מרכזית → נסיעה הלוך‑חזור | בלתי מקובל עבור אינפרנס בזמן אמת |
| **אמון** | רשות מרכזית מאמתת את הנתונים | נקודת כשל יחידה, סיכון פנימי |
| **תועלת** | רעש חזק בפרטיות דיפרנציאלית | מפחית את איכות הנתונים הסינתטיים |

מכשירי קצה (חיישני IoT, סמארטפונים, רחפנים אוטונומיים) מייצרים זרמים **בעלי ממד גבוה ובזמן קריטי** (וידאו, אודיו, טלמטריה). כדי לשמור על מודלים עדכניים, יש לייצר נתונים סינתטיים **מקומית** ו**מיידית**. במקביל, הנתונים הגולמיים לעולם לא צריכים להיחשף בטקסט פתוח לשום גורם חיצוני, כולל השרת המארגן. כאן **הצפנה הומומורפית** נכנסת לתמונה: היא מאפשרת חישוב על נתונים מוצפנים, תוך שמירה על סודיות לאורך כל הצינור.

## יסודות ההצפנה ההומומורפית עבור AI בקצה

הצפנה הומומורפית מאפשרת **פעולות אריתמטיות** (חיבור, כפל) על טקסטים מוצפנים כך שהפלט המפוענח תואם את הפעולה שבוצעה על הטקסטים המקוריים. סכמות מודרניות (CKKS, BFV, TFHE) תומכות ב‑:

* **טקסטים ארוזים** – קידוד של מספר נקודות נתונים בטקסט אחד, מה שמפחית את רוחב הפס.  
* **אריתמטיקה משוערת** – מתאימה לאינפרנס רשתות נוירונים ולמודלים גנרטיביים.  
* **בוטסטראפינג** – מרענן את רעש הטקסט, מרחיב את עומק החישוב.

ליצירת נתונים סינתטיים בקצה, אנו בדרך כלל זקוקים ל‑:

1. **חילוץ תכונות מוצפן** – חישוב אמבדינגים מהנתונים הגולמיים ללא פענוח.  
2. **אינפרנס מודל מוצפן** – הרצת מודל גנרטיבי (VAE, diffusion) על האמבדינגים המוצפנים.  
3. **דגימה מוצפנת** – יצירת דוגמאות סינתטיות תוך שמירה על ההצפנה, ולאחר מכן פענוח מקומי לשימוש downstream.

### בחירת הסכמה המתאימה

| סכימה | יתרונות | חסרונות |
|-------|----------|----------|
| **CKKS** | אריתמטיקה משוערת, יעילה לחישובי נקודה צפה | אין תמיכה בפעולות שלמות מדויקות |
| **BFV** | אריתמטיקה שלמות מדויקת, טוב למודלים מכוונים כמותית | גודל טקסט גדול יותר |
| **TFHE** | פעולות ביט‑ביט, בוטסטראפינג מהיר | עיכוב גבוה עבור טנסורים גדולים |

רוב צינורות הקצה מעדיפים **CKKS** מכיוון שמודלים גנרטיביים מסתמכים על חישובי נקודה צפה והטעות המשוערת מקובלת כאשר היא מאזנת מול רמת הפרטיות.

## אינטגרציה של למידה פדרטיבית

למידה פדרטיבית מספקת מסגרת **אימון מודל מבוזר** שבה כל צומת קצה מחשבת עדכונים מקומיים ושולחת **גרדיאנטים מוצפנים** למרכז מצטבר. בארכיטקטורה שלנו:

1. **מודל מקומי** – זוג מקודד‑דקודר קל משקל המאומן על‑המכשיר.  
2. **העלאת גרדיאנטים מוצפנים** – גרדיאנטים מוצפנים במפתח הציבורי של המאגר (HE) לפני שליחה.  
3. **צבירה מאובטחת** – השרת מצבר גרדיאנטים מוצפנים, מבצע עדכון הומומורפי, ומשדר חזרה את המודל הגלובלי החדש (עדיין מוצפן) לכל המכשירים.

על‑ידי **שילוב FL עם HE**, אנו מבטלים את הצורך במאגר מהימן שיכול לראות גרדיאנטים גולמיים, ובכך משיגים פרטיות **אפס‑אמון** מקצה לקצה.

## ארכיטקטורה מקצה‑אל‑מקצה

להלן תרשים מרמייד ברמה גבוהה המתאר את זרימת הנתונים מהקלט החושי הגולמי ועד לתוצר הסינתטי.

```mermaid
flowchart TD
    A["מכשיר קצה<br/>נתוני חיישן גולמיים"] --> B["מקודד HE<br/>(CKKS)"]
    B --> C["וקטור תכונות מוצפן"]
    C --> D["מודל גנרטיבי מקומי<br/>(הסקה מוצפנת)"]
    D --> E["דוגמה סינתטית מוצפנת"]
    E --> F["מפענח מקומי<br/>(מפתח פרטי של המכשיר)"]
    F --> G["נתונים סינתטיים (טקסט רגיל)"]
    C --> H["גרדיאנט מוצפן<br/>ללמידה פדרטיבית"]
    H --> I["מאגר בטוח<br/>(פעולות HE)"]
    I --> J["מודל גלובלי מעודכן (מוצפן)"]
    J --> B
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style G fill:#bbf,stroke:#333,stroke-width:2px
```

### רכיבים מרכזיים

| רכיב | תפקיד | טיפים ליישום |
|------|--------|----------------|
| **מקודד HE** | ממיר נתונים גולמיים לטקסט | השתמש באצווה (batching) כדי לארוז כמה קריאות חיישן; שמור על גודל מפתח ≤ 2048 סיביות כדי לשמור על אפשרות הרצה בקצה |
| **מודל גנרטיבי מוצפן** | מייצר דוגמאות סינתטיות תוך שמירה על הצפנה | המר את המודל לפעולות ידידותיות ל‑HE (החלף ReLU באפירונים פולינומיים) |
| **מאגר בטוח** | מבצע עדכוני מודל פדרטיביים על גרדיאנטים מוצפנים | נצל ספריות HE המואצות ב‑GPU (Microsoft SEAL, PALISADE) בצד השרת |
| **מנוע מדיניות אפס‑אמון** | מאכף בקרות גישה, attestation, ורישומי audit | שלב עם פלטפורמת policy‑as‑code לקבלת מסלולי audit בלתי ניתנים לשינוי |
| **מפענח מקומי** | משחזר את הנתונים הסינתטיים בטקסט פתוח לשימוש downstream | אחסן מפתח פרטי באלמנט מאובטח מבוסס חומרה (TPM, Secure Enclave) |

## זרימת עבודה בזמן אמת של הצינור

1. **לכידת נתונים** – נתוני חיישן מוזרמים למאגר מעגלי.  
2. **הצפנה על‑המכשיר** – מקודד HE מצפין את המאגר במיקרו‑אצוות (עיכוב ≤ 10 ms).  
3. **אינפרנס מוצפן** – המודל הגנרטיבי המוצפן רץ על הטקסט, מייצר דוגמה סינתטית מוצפנת.  
4. **פענוח וצריכה** – האלמנט המאובטח במכשיר מפענח את הדוגמה; הטקסט הפתוח מוזן למודולי AI downstream (למשל סוכנים של reinforcement learning).  
5. **חישוב גרדיאנט** – במקביל, המכשיר מחשב את גרדיאנט המודל ביחס לנתונים המוצפנים.  
6. **העלאה מאובטחת** – גרדיאנטים מוצפנים נשלחים למאגר דרך TLS עם אימות הדדי.  
7. **רענון מודל** – לאחר מספר סבבים קבוע, המאגר משדר חזרה את המודל הגלובלי המוצפן המעודכן.

הלולאה כולה ניתנת לכוונון ל‑**עיכוב תת‑שנייה** (בדרך כלל 200‑500 ms) על ליבות ARM Cortex‑A78 או RISC‑V מודרניות עם האצת NEON/SVE.

## יתרונות על פני גישות מסורתיות

* **פרטיות בתכנון** – הנתונים הגולמיים לעולם לא עוזבים את המכשיר בטקסט פתוח.  
* **עמידה בתקנות** – עומד בדרישות הצפנה “במעבר” ו”במנוחה” של [GDPR](https://gdpr.eu/) ללא צורך בחריגות יקרות של מיקום נתונים.  
* **אבטחת אפס‑אמון** – כל אינטראקציה מאומתת קריפטוגרפית; רישומי audit בלתי ניתנים לשינוי.  
* **איכות מודל ניתנת להרחבה** – עדכוני פדרטיביים משמרים את רמת המודל ללא איסוף מרכזי של נתונים.  
* **ביצועים מותאמים לקצה** – אצווה והחלפות פולינומיות משמרים עומס חישובי מתחת ל‑30 % לעומת אינפרנס בטקסט פתוח.

## שיקולי יישום

### מגבלות חומרה

| מגבלה | השפעה | המלצה |
|-------|--------|--------|
| **CPU** | ליבות ARM מודרניות עם הרחבות SIMD מסוגלות לבצע פעולות CKKS ב‑≈10 ms לכל אצווה של 128 אלמנטים. | נצל NEON/SVE למקביליות. |
| **זיכרון** | טקסטים גדולים ב‑2‑4× מהטקסט הפתוח; הקצה לפחות 256 MiB לצינור של אמבדינגים מממד 64. | ניהול זיכרון קפדני, פינוי אצוות ישנות. |
| **אלמנט מאובטח** | מפתח פרטי חייב להיות מוגן מפני חילוץ. | השתמש ב‑TPM/Secure Enclave והחלף מפתחות באופן אוטומטי. |

### ערימת תוכנה

| שכבה | ספרייה מומלצת |
|------|----------------|
| **ליבת HE** | Microsoft SEAL (C++), TenSEAL (Python), Concrete (Rust) |
| **המרת מודל** | ONNX → גרף ידידותי ל‑HE (כלי `he-transformer` או קונברטר מותאם) |
| **תיאום פדרטיבי** | TensorFlow Federated, PySyft (עם הרחבות HE) |
| **מדיניות & Audit** | מנוע policy‑as‑code עם לוגים בלתי ניתנים לשינוי ב‑IPFS או בלוקצ׳יין |

### אופטימיזציות ביצועים

* **אצוות טקסטים** – קידוד של מספר שלבי זמן בטקסט אחד כדי להפחית עלות הצפנה.  
* **בוטסטראפינג מותאם** – הפעל בוטסטראפינג רק כאשר רעש הטקסט חורג משפה; השתמש בבוטסטראפינג עצל (lazy) כדי לחסוך זמן.  
* **קיצור מודל** – צמצם עומק מודל והחלף פונקציות לא‑לינאריות בפולינומים ממעלה נמוכה (אומדני Chebyshev).  

## אתגרים והפחתות

| אתגר | השפעה | הפחתה |
|------|--------|--------|
| **גודל טקסט** | מגביר שימוש ברוחב פס וזיכרון | דחוס את המטען המוצפן; השתמש ברמת אבטחה של 128‑bit לקבלת טקסטים קטנים יותר |
| **עומס חישובי** | עלול לחרוג מתקציב זמן אמת במכשירים בעלי צריכת חשמל נמוכה | העבר חישובים כבדים למאיץ ייעודי (Google Edge TPU עם תוספות HE) |
| **ניהול מפתחות** | פגיעה בפרטיות במידה והמפתח הפרטי נחשף | פרוס אחסון מפתחות מבוסס חומרה; רוטציית מפתחות אוטומטית לפי מדיניות |
| **פגיעה באיכות מודל** | קירוב פולינומי עלול לגרום לירידה באמינות | טיוב מודל לאחר המרה; השתמש ב‑knowledge distillation ממודל מדויק יותר |

## כיוונים עתידיים

1. **פרוטוקולי היברידת HE‑MPC** – שילוב הצפנה הומומורפית עם חישוב מרובה‑צדדים כדי לצמצם את צמיחת הרעש.  
2. **רמות הצפנה אדפטיביות** – התאמת מודולוס הטקסט בזמן ריצה בהתאם לרגישות הנתונים ומשאבי המכשיר.  
3. **מאיצי HE ייעודיים לקצה** – ASICs מתפתחים (Intel SGX‑HE, IBM HEB) שמבטיחים שיפור של סדרי גודל בביצועים.  
4. **נתונים סינתטיים ברורים** – שילוב מודלים של LLM להסברת סיבת יצירת דוגמה סינתטית, שמורים בלוגים בלתי ניתנים לשינוי לצורכי ביקורת.

## סיכום

יצירת נתונים סינתטיים בזמן אמת עם שמירה על פרטיות בקצה הפכה משאיפה תיאורטית למציאות מעשית. על‑ידי **שילוב הצפנה הומומורפית עם למידה פדרטיבית** והטמעת מנגנון **אפס‑אמון**, ארגונים יכולים למצות את הפוטנציאל המלא של AI בקצה תוך שמירה על התאמה קפדנית לתקנות הפרטיות המחמירות ביותר. הארכיטקטורה המתוארת כאן מספקת מפת דרכים מעשית למהנדסים לבנות צינורות בטוחים, ניתנים להרחבה, ובעלי ביצועים גבוהים המייצרים נתונים סינתטיים באיכות גבוהה ללא פגיעה בעיכוב או בתועלת.

---

## ראה גם

- [Homomorphic Encryption for Machine Learning – Microsoft SEAL Documentation](https://github.com/microsoft/SEAL)  
- [Federated Learning: A Comprehensive Overview – Google AI Blog](https://ai.googleblog.com/2020/04/federated-learning-overview.html)  
- [Zero Trust Architecture – NIST SP 800-207](https://csrc.nist.gov/publications/detail/sp/800-207/final)