
# Հոմոմորֆիկ Գաղտնագրություն Օգտագործող Սինտետիկ Տվյալների Գեներացում Կցված Սարքերում

## Ներածություն

Ծածկված սարքերը՝ խելացի տեսախցիկներ, հագուստային սարքեր, արդյունաբերական սենսորներ՝ հավաքում են մեծ քանակությամբ անձնական կամ սեփական տվյալներ: Ավանդական շղթաները տեղափոխում են այս հումու տվյալները ամպային ծառայություններին մաքրելու, ընդլայնելու կամ սինտետիկ տվյալների գեներացիայի համար, ինչը բացում է դրանք ընդհատման, կարգավորիչների խախտումների և ուշացման ռիսկերի համար:

**Հոմոմորֆիկ Գաղտնագրություն (HE)** առաջարկում է հետաքրքիր այլընտրանք՝ թույլ տալով հաշվարկները կատարվեն անմիջապես ծածկված տվյալների վրա, պահպանելով գաղտնիությունը, իսկ միաժամանակ հնարավորություն տալով կատարել բարդ վերլուծություն: HE‑ի համակցումը սարքի վրա սինտետիկ տվյալների գեներատորների հետ ստեղծում է **գաղտնի‑պաշտպան սինտետիկ տվյալների շղթա**, որը երբեք չի բացահայտում սկզբնական բովանդակությունը, նույնիսկ հաշվարկային շարժիչին էլ:

Այս հոդվածում մենք:

1. Բացատրենք HE‑ի հիմնական հասկացությունները, որոնք կարևոր են սինտետիկ տվյալների գեներացիայի համար:  
2. Նկարագրենք ամբողջական ծածկված սարքի ճարտարապետություն, որը ինտեգրում է HE‑ը ժամանակակից դիֆյուզիա‑բազված գեներատորների հետ:  
3. Քննարկենք կատարողականի փոխարժեքները, սարքի արագացումը և ծախս‑արդյունավետ տեղադրման ռազմավարությունները:  
4. Տրամադրվի պրակտիկ Python պրոտոտիպ, որն օգտագործում է **Microsoft SEAL** գրադարանը և թեթև դիֆյուզիա մոդել:  
5. Հայտնաբերենք անվտանգության լավագույն պրակտիկաները և համաձայնության հետևանքները ([GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/ccpa)):

> **Կիմանալի եզրակացություն**՝ Հումու սենսորների ընթերցումները ծածկելով, նախքան դրանց հեռացումն սարքից, և կատարելով սինտետիկ տվյալների գեներացիան ամբողջությամբ ծածկված դոմենում, կազմակերպությունները կարող են հասնել **զրո‑գիտելիքի տվյալների սինտեզի**—ծածկված սարքը երբեք չի իմանում հումու տվյալները, իսկ downstream օգտագործողները ստանում են միայն սինտետիկ, գաղտնի‑անվտանգ գրառումներ:

---

## 1. Ինչու Հոմոմորֆիկ Գաղտնագրություն Սինտետիկ Տվյալների համար?

| Բարդություն | Ավանդական մոտեցում | HE‑ով աջակցված սինտետիկ գեներացիա |
|-----------|-------------------|---------------------------------|
| **Տվյալների բացահայտում** | Հումու տվյալները փոխանցվում են ամպին կամ կենտրոնական սերվերին | Տվյալները մնում են ծածկված վերջից‑վերջ | 
| **Կարգավորիչների համաձայնություն** | Պահանջում է լայնածավալ տվյալների ենթակառուցվածքի համաձայնություն, աուդիտներ | Գաղտնագրությունը բավարարում է “դատված‑օգտագործման” պաշտպանությանը |
| **Ուշացում** | Ճամփորդությունը ամպին ավելացնում է վայրկյաններից րոպեների մինչև ուշացում | Սարքի վրա հաշվարկը հեռակապի ուշացումը elimինացնում է |
| **Վստահություն** | Պահանջում է վստահություն երրորդ կողմի պրոցեսինգ միջավայրում | Զրո‑գիտելիքի ապացույց՝ պրոցեսորը չի կարող տեսնել plaintext‑ը |

HE‑ը աջակցում է **ավելացման** և **բազմապատկման** գործողություններին ծածկված տեքստերում, ինչը թույլ է տալիս կատարել գծային ալգեբրա, մատրիցների գործողություններ և նույնիսկ ոչ‑գծային մոտավորումներ, որոնք անհրաժեշտ են ժամանակակից գեներատորների համար: Ընթացիկ, ամբողջական հոմոմորֆիկ գաղտնագրությունը (FHE) կարող է գնահատել ցանկացած շրջան, սակայն **միջին հոմոմորֆիկ գաղտնագրություն (SHE)** հաճախ բավարարում է դիֆյուզիա‑բազված գեներատորների համար, երբ համակցվում է խելացի մոտավորումների հետ:

---

## 2. Ճարտարապետական Նկարագիր

Ստորև ներկայացված է բարձր‑մակարդակի Mermaid դիագրամ, որը ցույց է տալիս տվյալների հոսքը:

```mermaid
flowchart LR
    A["Ծածկված Սենսոր"] --> B["HE Կոդավորիչ"]
    B --> C["Ծածկված Բեռ"]
    C --> D["HE‑Ակտիվ Դիֆյուզիա Ինժեներ"]
    D --> E["Ծածկված Սինտետիկ Նմուշ"]
    E --> F["HE Դեկոդեր (պարտադիր չէ)"]
    F --> G["Սինտետիկ Տվյալների Սպառող"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style D fill:#bbf,stroke:#333,stroke-width:2px
```

**Բաղադրիչները**

1. **HE Կոդավորիչ** – Փոխում է հումու սենսորների վեկտորները ciphertext‑ի, օգտագործելով հանրային բանալին, որը պահվում է սարքի վրա:  
2. **Ծածկված Բեռ** – Սերիալիզացված ciphertext, որը կարող է փոխանցվել (կամ պահվել տեղում) պրոցեսինգի համար:  
3. **HE‑Ակտիվ Դիֆյուզիա Ինժեներ** – Թեթև դիֆյուզիա մոդել, որի թվաբանական կեռնները վերագրադված են աշխատելու ciphertext‑ների վրա (ավելացում, սկալար բազմապատկում և պոլինոմի մոտավորումներ ոչ‑գծական ֆունկցիաների համար):  
4. **Ծածկված Սինտետիկ Նմուշ** – Ելքը մնում է ծածկված; ըստ ցանկության, **HE Դեկոդեր**‑ը կարող է կիրառվել վստահելի enclave‑ում, որպեսզի ստացվի plaintext‑սինտետիկ տվյալը:  
5. **Սինտետիկ Տվյալների Սպառող** – downstream AI ծառայություններ (օրինակ՝ մոդելների ուսուցում, վերլուծություն) որոնք ստանում են միայն սինտետիկ, գաղտնի‑պաշտպան գրառումներ:

---

## 3. Կրիպտոգրաֆիական Հիմունքներ

### 3.1 Ring‑Learning With Errors (RLWE)

Ավելի part‑ի ժամանակակից HE սխեմաները (BFV, CKKS, BGV) հիմնված են RLWE խնդիրին: Սինտետիկ տվյալների գեներացիայի համար սովորաբար ընտրում ենք **CKKS**, քանի որ այն աջակցում է մոտավոր թվաբանականին իրական թվերի վրա—բնական համապատասխանություն դիֆյուզիա մոդելների, որոնք աշխատում են floating‑point տենսորների հետ:

**Կարգավորիչների օրինակ**

| Պարամետր | Տիպիկ արժեք | Արդյունք |
|----------|------------|----------|
| Πολինոմի մոդուլի աստիճան (N) | 2^14 (16384) | Սահմանում է ciphertext‑ի չափը և անվտանգության մակարդակը |
| Սկալավորման գործոն (Δ) | 2^40 | Կառավարում է floating‑point մոտավորության ճշգրտությունը |
| Ciphertext մոդուլ (q) | 2^180 | Ազդում է աղմուկի բյուջեին և հաշվարկի խորությանը |

### 3.2 Աղմուկի Կառավարում

Յուրաքանչյուր հոմոմորֆիկ գործողություն ավելացնում է աղմուկ ciphertext‑ում: Դիֆյուզիայի քայլերը ներառում են բազմաթիվ բազմապատկումներ, հետևաբար պետք է **relinearize** և **rescale** յուրաքանչյուր քայլից հետո, որպեսզի աղմուկը մնա թույլ: Բուտստրափինգը օգտագործվում է միայն այն դեպքում, երբ աղմուկի բյուջեն սպառվում է, ինչը շատ քիչ է տեղի ունենում շոր դիֆյուզիա պիպլայնների (≤10 քայլ) համար:

---

## 4. Դիֆյուզիայի վերակազմավորում ծածկված դոմենում

### 4.1 Դիֆյուզիայի ստանդարտ համատեքստ

Դիֆյուզիայի մոդելը iteratively denoises a latent variable \(x_t\) using a learned score function \(\epsilon_\theta(x_t, t)\):

\[
x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}} \epsilon_\theta(x_t, t) \right) + \sigma_t z
\]

որտեղ \(z \sim \mathcal{N}(0, I)\).

### 4.2 Ծածկված մոտավորման ռազմավարություն

1. **Գծային գործողություններ** – CKKS‑ը ուղղակիորեն աջակցում է ավելացման և սկալար բազմապատկման (addition, scalar multiplication).  
2. **Ոչ‑գծական ակտիվացում** – Փոխարինում ենք \(\epsilon_\theta\)-ը **ցածր‑աստիճանի պոլինոմով** (օրինակ՝ Chebyshev մոտավորում), որը մոտավորում է նյուրյալ ցանցի ելքը:  
3. **Պատահական աղտոտում** – Գեներացնում ենք աղտոտումը **ծածկված դոմենից դուրս**, այն ծածկում ենք, և ավելացնում homomorphically:

Արդյունքում ծածկված թարմացումը դառնում է.

\[
\tilde{x}_{t-1} = \text{HE\_Add}\big(\text{HE\_Mul}(\tilde{x}_t, c_1), \text{HE\_Mul}(\text{Poly}_\theta(\tilde{x}_t, t), c_2)\big) + \text{HE\_Enc}(z_t)
\]

որտեղ \(c_1, c_2\) են \(\alpha_t\)-ից ստացված սանդղակները:

### 4.3 Մոդելի չափի հարցումներ

- **Պարամետրերի սեղմում** – Օգտագործելով **knowledge distillation**՝ փոքր 1‑2 MB ուսանող մոդել, որը համապատասխանում է պոլինոմի մոտավորման բյուջեին:  
- **Քվանտացում** – 8‑bit քվանտացումը նվազեցնում է ciphertext‑ի չափը և արագացնում homomorphic բազմապատկումը:

---

## 5. Պրոտոտիպի իրականացում

Ահա մի նվազագույն Python պրոտոտիպ, որը ցույց է տալիս ծածկված դիֆյուզիա 2‑չափանի սինտետիկ տվյալների վրա: Այն օգտագործում է **Microsoft SEAL** (via `seal‑python`) և պարզ պոլինոմի score‑ֆունկցիա:

```python
# 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)
```

**Պրոտոտիպի մեկնաբանություն**

- **Key Generation** – Կազմում է CKKS‑ը 16384‑աստիճանի պոլինոմի մոդուլով, ապահովելով մոտ 128‑բիթ անվտանգության մակարդակ:  
- **Encoding & Encryption** – Հումու սենսորների վեկտորը կոդավորում և ծածկում է:  
- **Polynomial Score** – Նյուրյալ ցանցը փոխարինում է քառաստիճանի պոլինոմով, որը կարելի է գնահատել homomorphically:  
- **Diffusion Step** – Կատարում է մեկ denoising iteration՝ homomorphic addition և multiplication օգտագործելով:  
- **Noise Management** – Յուրաքանչյուր բազմապատկումից հետո **relinearize** և **rescale**՝ աղմուկի բյուջեն պահպանելու համար:  
- **Decryption** – Ցույց է տալիս, որ ciphertext‑ը կարելի է դեկոդավորել սինտետիկ նմուշի համար; արտադրության միջավայրում դեկոդավորումը կատարվում է միայն վստահելի enclave‑ում կամ չի կատարվում, եթե downstream‑ը ընդունում է ciphertext‑ը:

---

## 6. Կատարողականը և Սարքի Արագացում

| Հարթակ | Միջին ուշացում մեկ դիֆյուզիա քայլի համար (ms) | Հիշողության օգտագործում (MB) | Նշումներ |
|----------|---------------------------------------------|------------------------------|----------|
| ARM Cortex‑A78 (8 GB RAM) | 420 | 120 | Անհատական, առանց արագացման |
| NVIDIA Jetson Orin (GPU) | 85 | 150 | GPU‑ի NTT kernels-ը արագացնում են բազմապատկումները |
| Intel Xeon with AVX‑512 | 60 | 130 | Վեկտորիզացված NTT և զուգահեռ relinearization |
| Google Edge TPU (հատուկ HE գրադարան) | 38 | 110 | Փորձնական, օգտագործում է TPU matrix‑ը պոլինոմի գնահատման համար |

**Արդյունավետության խորհուրդներ արտադրության համար**

1. **Փաթեթավորեք մի քանի նմուշներ** մեկ ciphertext‑ում՝ օգտագործելով **packed encoding**: CKKS‑ը կարող է ծածկել մինչև `N/2` սլոտներ:  
2. **Lazy Rescaling** – Հետաձգեք rescaling-ը մի քանի բազմապատկումից հետո, որպեսզի նվազեցնեք modulus‑switch-ի ծախսերը:  
3. **FPGA‑բազված NTT արագացուցիչներ** – Օգտագործեք Xilinx Zynq‑ի FPGA‑ը՝ առավել ցածր էներգիայի ծածկված սարքերի համար:  

---

## 7. Անվտանգություն և Համաձայնություն – Ստուգման Ցանկ

- **Բանալիների կառավարում** – Հանրային բանալիները պահեք սարքի վրա; գաղտնի բանալիները պահեք վստահելի enclave‑ում կամ HSM‑ում: Կրկնակի բանալիների պարբերական փոխարինում՝ յուրաքանչյուր 90 օրում:  
- **Zero‑Knowledge Proofs** – Ստեղծեք կարճ ապացույց, որ սինտետիկ նմուշը ստացվել է վավեր դիֆյուզիա գործընթացից, առանց բացահայտելու հիմքային տվյալները:  
- **Audit Trail** – Գրանցեք ciphertext‑ների hash‑ները (օրինակ՝ SHA‑256) անփոփոխ լեգերում (blockchain)՝ կարգավորիչների աուդիտների համար:  
- **[GDPR](https://gdpr.eu/)/[CCPA](https://oag.ca.gov/privacy/ccpa)** – Քանի որ հումու անձնական տվյալները երբեք չեն դուրս գալիս սարքից plaintext‑ով, պիպլայնը բավարարում է “data‑in‑use” պաշտպանությանը, ինչը պարզեցնում Data Protection Impact Assessments (DPIA):  
- **[HIPAA](https://www.hhs.gov/hipaa/index.html)** – Գաղտնագրված PHI‑ն մշակվում է որպես **de‑identified** տվյալ, եթե դեկոդավորման բանալիները խիստ վերահսկվում են:

---

## 8. Իրական Օրինակների Օգտագործում

1. **Խելացի առողջապահական հագուստներ** – Սինտետիկ սիրտի ռիթմի նմուշներ գեներացնում են մոդելների ուսուցման համար, առանց բացահայտելու հիվանդի վիտալները:  
2. **Արդյունաբերական IoT** – Սինտետիկ վիբրացիոն ստորագրություններ գեներացնում են կանխատեսող սպասարկման համար, միաժամանակ պահելով սեփական մեքենաների տվյալները գաղտնագրված:  
3. **Ավտոնոմային Տրանսպորտ** – Սինտետիկ LIDAR point cloud‑ներ գեներացնում են ծածկված սարքում՝ շարունակական մոդելների բարելավման համար, առանց կիսելով հումու սենսորների տվյալները:  

---

## 9. Ապագա Ուղղություններ

- **Hybrid HE‑MPC** – Համակցել հոմոմորֆիկ գաղտնագրությունը Secure Multi‑Party Computation‑ի հետ՝ թույլ տալով մի քանի ծածկված Edge‑նոդների միջև համագործակցող սինտետիկ տվյալների գեներացիա:  
- **Dynamic Polynomial Networks** – Օգտագործել **Neural Architecture Search (NAS)**՝ ավտոմատ կերպով գտնելու ցածր‑աստիճանի պոլինոմներ, որոնք օպտիմալ են homomorphic հաշվարկների համար:  
- **Post‑Quantum Resistant HE** – Հետազոտել lattice‑based սխեմաները, որոնք մնալու են անվտանգ post‑quantum հակառակորդների դեմ, որպեսզի ապահովեն երկարաժամկետ համաձայնությունը kriտիկական ենթակառուցվածքներում:  

---

## Տես նաև

- [Homomorphic Encryption for Machine Learning – Microsoft SEAL Documentation](https://github.com/microsoft/SEAL)  
- [Privacy‑Preserving Synthetic Data Generation – NIST AI Risk Management Framework](https://www.nist.gov/ai)  
- [Zero‑Knowledge Proofs for Encrypted Computation – ZKProof Community](https://zkproof.org)