
# 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 קיימת | מגבלה מרכזית |
|-------------------|-----------------|
| **צינורות נתונים סינתטיים מרוכזים** | דורש מאגר נתונים מהימן; פריצה אחת יכולה לחשוף קלטים גולמיים. |
| **למידה פדרטיבית עם צבירת מודלים** | משותפת רק עדכוני מודל, לא את הנתונים הסינתטיים עצמם; צרכנים עדיין צריכים לבקש נתונים גולמיים לאימות. |
| **פרטיות דיפרנציאלית (DP) בלבד** | מוסיפה רעש סטטיסטי שעלול לפגוע בתועלת, במיוחד בנתונים בעלי‑מימד גבוה. |
| **צינורות SMPC בלבד** | עומס 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** ו**שבילים לביקורת**.

---

## סקירה ארכיטקטונית

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

```mermaid
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](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/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

| סכימה | גודל ciphertext | פעולות נתמכות | מקרה שימוש טיפוסי |
|--------|----------------|----------------|-------------------|
| **BFV** | בינוני | אריתמטיקה של מספרים שלמים, חיבור, כפל | סינתזת נתונים טבלאיים |
| **CKKS** | גדול | אריתמטיקה משוערת, נקודות צפה | מודלים של פיזור תמונות/וידאו |
| **TFHE** | קטן | שערים בינאריים, bootstrapping | לוגיקה 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

| תקנה | כיצד 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
- [Open Policy Agent (OPA) – Policy as Code](https://www.openpolicyagent.org)  
- [MP‑SPDZ – מסגרת חישוב מרובה‑צדדים](https://github.com/data61/MP-SPDZ)  
- [Zero Trust Architecture – NIST SP 800‑207](https://csrc.nist.gov/publications/detail/sp/800-207/final)