1. בית
  2. בלוג
  3. שיתוף פעולה בטוח של נתונים סינתטיים מרובי צדדים

שיתוף פעולה בטוח של נתונים סינתטיים מרובי צדדים עם הצפנה הומומורפית

שיתוף פעולה בטוח של נתונים סינתטיים מרובי צדדים עם הצפנה הומומורפית

בעידן שבו מודלים מבוססי AI מונעי‑נתונים הם יתרון תחרותי, נתונים סינתטיים הפכו לחלופה חזקה לשיתוף רשומות מהעולם האמיתי. עם זאת, כאשר מספר צדדים צריכים ליצור במשותף מערכי נתונים סינתטיים — לדוגמה מחקר בריאות חוצי‑תעשיות, ניתוחים פיננסיים פדרטיביים, או סימולציות משותפות של רכבים אוטונומיים — פרטיות, תאימות רגולטורית ואמון הופכים למכשולים משמעותיים.

מאמר זה מציג מסגרת שיתוף פעולה שמגנה על פרטיות המשולבת בשלושה מושגים מתקדמים:

  1. הצפנה הומומורפית (HE) – מאפשרת חישוב על נתונים מוצפנים ללא פענוח.
  2. חישוב מרובה‑צדדים מאובטח (SMPC) – מחלק עומסי קריפטוגרפיה בין המשתתפים כך שאין אף צומת רואה את הקלטים הגולמיים.
  3. ארכיטקטורת אפס‑אמון (ZTA) – מניחה שכל רכיב רשת אינו מהימן עד להוכחה אחרת, ומחייבת אימות מתמשך והרשאות מינימליות.

ביחד, הם יוצרים שוק נתונים סינתטיים באפס‑אמון (ZT‑SDM) שמאפשר לארגונים לאמן מודלים גנרטיביים במשותף, לאמת פלטים סינתטיים, ולהחליף נכסי נתונים תוך שמירת הנתונים הפרטיים בלתי נראים לכל הצדדים — כולל למפעיל השוק.


למה הפתרונות הקיימים אינם מספיקים

גישה קיימתמגבלה מרכזית
צינורות נתונים סינתטיים מרוכזיםדורש מאגר נתונים מהימן; פריצה אחת יכולה לחשוף קלטים גולמיים.
למידה פדרטיבית עם צבירת מודליםמשותפת רק עדכוני מודל, לא את הנתונים הסינתטיים עצמם; צרכנים עדיין צריכים לבקש נתונים גולמיים לאימות.
פרטיות דיפרנציאלית (DP) בלבדמוסיפה רעש סטטיסטי שעלול לפגוע בתועלת, במיוחד בנתונים בעלי‑מימד גבוה.
צינורות SMPC בלבדעומס תקשורת גבוה; קנה מידה למודלים גנרטיביים גדולים (כגון מודלים מבוזרים או LLM) אינו מעשי.

ה‑ZT‑SDM ממלא פערים אלה על‑ידי הצפנת כל צינור יצירת הנתונים תוך שמירה על משוב איכות בזמן אמת ושבילים לביקורת.


סקירה ארכיטקטונית

להלן תרשים מרמייד ברמה גבוהה המתאר את זרימת הנתונים המוצפנים, החישוב והאימות בין הצמתים המשתתפים.

  graph TD
    subgraph "משתתף A"
        A1["נתונים גולמיים A"]
        A2["מצפין HE"]
    end
    subgraph "משתתף B"
        B1["נתונים גולמיים B"]
        B2["מצפין HE"]
    end
    subgraph "מתאם"
        O1["שירות ניהול מפתחות"]
        O2["מנוע חישוב מאובטח"]
        O3["מנוע מדיניות אפס‑אמון"]
        O4["שירות יומן ביקורת"]
    end
    subgraph "צרכן"
        C1["צרכן נתונים סינתטיים"]
    end

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

רכיבים מרכזיים:

  • ממצפן HE (לכל משתתף) ממיר רשומות גולמיות לטקסט מוצפן באמצעות מפתח ציבורי משותף.
  • שירות ניהול מפתחות (KMS) מאחסן את המפתח הפרטי במכלול חומרתי מאובטח; הוא לעולם אינו עוזב את המתאם.
  • מנוע חישוב מאובטח מריץ את המודל הגנרטיבי (למשל מודל פיזור) ישירות על ciphertext בעזרת ליבות תואמות HE.
  • מנוע מדיניות אפס‑אמון מאמת כל בקשה (קריאת נתונים, אינפרנס מודל, ייצוא ביקורת) כנגד מדיניות דינמית המופקת ממסגרות רגולטוריות (GDPR, HIPAA, CCPA).
  • שירות יומן ביקורת רושם יומנים בלתי ניתנים לשינוי, עם אפשרות לעיגון ב‑blockchain, לאימות תאימות.

זרימת עבודה שלב‑אחר‑שלב

1. רישום והגדרת מדיניות

  1. כל ארגון נרשם לשוק, ומעלה מטא‑נתונים (תחומי נתונים, תגים של רגישות, תחום שיפוט).
  2. מנוע מדיניות אפס‑אמון יוצר באופן אוטומטי מטריצת מדיניות הממפה פעולות מותרות (לדוגמה, “יצירת רשומות בריאות סינתטיות למחקר בלבד”) למגבלות קריפטוגרפיות.

2. החלפת מפתחות והצפנה

  • המשתתפים מקבלים מפתח HE ציבורי מה‑KMS.
  • מערכי הנתונים הגולמיים מוצפנים מקומית; ciphertext לעולם אינו עוזב את גבול הארגון.

3. אימון מודל מבוזר (בסיוע SMPC)

  • המתאם משיק פרוטוקול SMPC שמפצל את עדכוני משקלי המודל בין המשתתפים.
  • כל צומת מבצע חישוב גרדיאנט מוצפן על ה‑ciphertext שלו, ואז משתף תוצאות חלקיות מוסוות.
  • ה‑KMS מאגד את העדכונים המוסווים, מפענח רק את הצבר, ומצפין מחדש את משקלי המודל החדשים לשלב הבא.

4. יצירת נתונים סינתטיים

  • צרכנים מבקשים דגימות סינתטיות דרך API עם בדיקת מדיניות.
  • מנוע החישוב המאובטח מריץ את המודל הומומורפית, ומייצר רשומות סינתטיות מוצפנות.
  • ה‑KMS מפענח את הפלט הסופי ב‑just‑in‑time עבור הצרכן, ואז מוחק מיידית את המפתח הפרטי מזיכרון.

5. ביקורת מתמשכת ומשוב

  • כל בקשה, חישוב, אירוע פענוח נרשמים ב‑שירות יומן ביקורת.
  • מבקרים יכולים לשאול את היומנים באמצעות הוכחות אפס‑ידע כדי לאמת תאימות ללא חשיפת נתונים גולמיים.
  • צרכנים יכולים לספק משוב על תועלת (למשל מדדי דמיון סטטיסטיים) שמוזן חזרה ללולאת האימון, הכל תחת הצפנה.

עומק טכני: בחירות הצפנה הומומורפית

סכימהגודל ciphertextפעולות נתמכותמקרה שימוש טיפוסי
BFVבינוניאריתמטיקה של מספרים שלמים, חיבור, כפלסינתזת נתונים טבלאיים
CKKSגדולאריתמטיקה משוערת, נקודות צפהמודלים של פיזור תמונות/וידאו
TFHEקטןשערים בינאריים, bootstrappingלוגיקה בוליאנית לתיאום SMPC

לרוב צינורות הנתונים הסינתטיים, CKKS מציע את האיזון הטוב ביותר מכיוון שמודלים גנרטיביים מסתמכים במידה רבה על כפל מטריצות בנקודות צפה. עם זאת, עלות bootstrapping ניתנת להפחתה באמצעות relinearization לפי שכבות וכיוונון פרמטרים בהתאם למימדיות הנתונים.


מנוע מדיניות אפס‑אמון: אכיפה דינמית

המנוע מעריך שלושה ממדים לכל בקשה:

  1. זהות – מאומתת באמצעות מזהים מבוזרים (DIDs) והוכחות ניתנות לאימות.
  2. קונטקסט – כולל IP המקור, מצב המכשיר, ושעת היום.
  3. כוונה – נגזרת מתוכן ה‑API (למשל “יצירת 10 000 רשומות חולים סינתטיות למחקר אונקולוגי”).

דוגמת כלל מדיניות:

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

מאחר שהכלל עצמו אינו מכיל נתונים גולמיים, ניתן להעריך אותו מחוץ לתחום המוצפן, מה שמקנה ביצועים גבוהים.


יתרונות תאימות וביקורת

תקנהכיצד ZT‑SDM מסייע
GDPR סעיף 32 (אבטחת עיבוד)הנתונים לעולם אינם מופיעים בטקסט פתוח מחוץ לארגון המקורי; מפתחות מוצפנים במכשיר חומרתי.
HIPAA §164.312(e)(1) (הצפנה)HE מקיימת דרישת “הצפנה”; יומני ביקורת מספקים ראיות “בקרת גישה”.
CCPA §1798.150 (זכות לדעת)צרכנים יכולים לבקש דוח מקוריות של נתונים סינתטיים שנוצר מהיומנים הבלתי ניתנים לשינוי, ללא חשיפת קלטים גולמיים.
ISO 27001 A.12.4 (רישום)יומנים בלתי ניתנים לשינוי מאוחסנים באחסון append‑only; אפשרות עיגון ב‑blockchain למען שלמות נוספת.

מיטוב ביצועים

  1. היברידית HE/SMPC – השתמשו ב‑SMPC לאגרגציית משקלים ראשונית (דיוק נמוך) והחליפו ל‑HE ליצירת פלטים מדויקים.
  2. אצווה ואריזה – קודדו מספר שורות נתונים ב‑slot אחד של ciphertext (CKKS packing) כדי לפזר עלות הצפנה.
  3. הפחתת עומס בקצה – פרסו ליבות HE קלות על מכשירי קצה של המשתתפים כדי לבצע קדם‑עיבוד, וכך מצמצמים את נפח הרשת.
  4. מודלים מוצפנים שניתן לאחסן – שמרו נקודות ציון של מודלים מוצפנים באחסון מבוסס כתובת תוכן; השתמשו בהם במגוון שיתופי פעולה.

מקרי שימוש בעולם האמיתי

א. מחקר קליני חוצת מוסדות

  • בעיה: בתי חולים אינם יכולים לשתף רשומות חולים עקב HIPAA, אך זקוקים למאגר משותף למודלים של מחלות נדירות.
  • פתרון: כל בית חולים מצפין את נתוני ה‑EHR שלו, משתתף באימון מודל סינתטי באמצעות SMPC, ומקבל מאגר סינתטי המשקף את האוכלוסייה המשולבת ללא חשיפת PHI.

ב. מודל סיכון פיננסי משותף

  • בעיה: בנקים מתחרים צריכים לאחד נתוני עסקאות כדי לזהות תבניות הונאה מערכתיות, אך חוקים אנטיטרסט אוסרים על שיתוף נתונים גולמיים.
  • פתרון: בנקים מצפינים יומני עסקאות, מאמנים במשותף מודל סינתטי לזיהוי הונאות, ומשתפים את הפלטים הסינתטיים עם הרגולטורים לצורך פיקוח.

ג. סימולציית רכבים אוטונומיים

  • בעיה: יצרני רכב שונים צריכים מגוון תרחישי נהיגה אך אינם יכולים לחשוף לוגים של חיישנים קנייניים.
  • פתרון: יצרנים מצפינים זרמי LiDAR ומצלמות, מאמנים מודל פיזור (diffusion) ליצירת תרחישים, ומקבלים סצנות נהיגה סינתטיות המשמרות את מקרים קיצוניים.

רשימת בדיקה ליישום

  • בחירת סכימת HE (מומלץ CKKS לעבודה עם נקודות צפה).
  • הקמת KMS עם מודול אבטחה חומרתי (HSM) והגדרת מדיניות סיבוב מפתחות.
  • שילוב זהות מבוססת DID לכל משתתף.
  • הגדרת מדיניות אפס‑אמון באמצעות מסגרת “policy‑as‑code” (למשל Open Policy Agent).
  • הקמת תזמור SMPC (למשל MP‑SPDZ או CrypTen).
  • פריסת יומן ביקורת בלתי ניתן לשינוי (למשל Amazon QLDB או בלוקצ’יין פרטי).
  • הרצת מדדי ביצועים על זמן השהייה של אינפרנס מוצפן וקצב העברת נתונים.
  • ביצוע אימות תאימות עם יועצים משפטיים ובודקים חיצוניים.

כיוונים עתידיים

  1. פרטיות דיפרנציאלית פדרטיבית – שילוב HE עם DP להוספת שכבת רעש לאחר פענוח, להקטנת סיכון זיהוי חוזר.
  2. הצפנה הומומורפית עמידה לקוונטום – חקירת סכימות מבוססות רשתות (lattice) שיישארו בטוחות מול תוקפים קוונטיים.
  3. התאמת מדיניות מבוססת AI – שימוש בלמידת חיזוק כדי לחזק או לשחרר מדיניות באופן אוטומטי על‑פי מסחרי תועלת‑פרטיות שנצפו.
  4. מוניטיזציה של השוק – הצעת תמריצים מבוססי אסימונים למשתתפים התורמים נתונים מוצפנים באיכות גבוהה, עם חוזים חכמים המבטיחים חלוקת רווחים.

סיכום

על‑ידי שילוב הצפנה הומומורפית, חישוב מרובה‑צדדים מאובטח, ועקרונות אפס‑אמון בתהליך עבודה אחיד, ניתן סוף‑סוף לשתף פעולה על נתונים סינתטיים מבלי לפגוע בפרטיות או בתאימות רגולטורית. שוק הנתונים הסינתטיים באפס‑אמון פותח אפשרויות AI חדשות במגוון תחומים, ובמקביל מציב רף חדש ל‑מערכות נתונים מבוססות אמון‑בעיצוב.


ראה גם

יום שלישי, 29 ספטמבר 2026
בחר שפה