Penjanaan Data Sintetis Berkuasa Enkripsi Homomorfik di Edge
Pengenalan
Peranti edge—kamera pintar, peranti boleh pakai, sensor industri—mengumpul aliran data peribadi atau proprietari yang besar. Saluran tradisional memindahkan data mentah ini ke awan untuk pembersihan, augmentasi, atau penjanaan data sintetis, yang menyebabkan pendedahan kepada penyadapan, pelanggaran peraturan, dan penalti kelewatan.
Enkripsi Homomorfik (HE) menawarkan alternatif yang menarik: ia membenarkan pengiraan secara langsung pada data yang telah dienkripsi, mengekalkan kerahsiaan sambil masih membolehkan analitik canggih. Menggabungkan HE dengan penjana data sintetis pada peranti menghasilkan paip data sintetis yang melindungi privasi yang tidak pernah mendedahkan muatan asal, walaupun kepada enjin pengiraan itu sendiri.
Dalam artikel ini kami:
- Menjelaskan konsep teras HE yang relevan dengan penjanaan data sintetis.
- Menggariskan seni bina edge hujung‑ke‑hujung yang mengintegrasikan HE dengan penjana berasaskan difusi moden.
- Membincangkan pertukaran prestasi, pemecut perkakasan, dan strategi penyebaran kos‑efektif.
- Menyediakan prototaip Python praktikal menggunakan pustaka Microsoft SEAL dan model difusi ringan.
- Menyorot amalan keselamatan terbaik serta implikasi pematuhan (GDPR, HIPAA, CCPA).
Intipati utama: Dengan mengenkripsi bacaan sensor mentah sebelum ia meninggalkan peranti, dan melakukan penjanaan data sintetis sepenuhnya dalam domain terenkripsi, organisasi dapat mencapai sintesis data sifar‑pengetahuan—peranti edge tidak pernah mengetahui data mentah, dan pengguna hiliran hanya menerima rekod sintetis yang selamat dari segi privasi.
1. Mengapa Enkripsi Homomorfik untuk Data Sintetis?
| Cabaran | Pendekatan Tradisional | Penjanaan Sintetis Berkuasa HE |
|---|---|---|
| Pendedahan data | Data mentah dihantar ke awan atau pelayan pusat | Data kekal terenkripsi dari hujung ke hujung |
| Pematuhan peraturan | Memerlukan persetujuan subjek data yang meluas, audit | Enkripsi memenuhi perlindungan “data‑in‑use” |
| Kelewatan | Pusingan ke awan menambah saat hingga minit | Pengiraan pada peranti menghapuskan kelewatan rangkaian |
| Kepercayaan | Memerlukan kepercayaan pada persekitaran pemprosesan pihak ketiga | Bukti sifar‑pengetahuan: pemproses tidak dapat melihat teks jelas |
HE menyokong penambahan dan pendaraban pada ciphertext, membolehkan aljabar linear, operasi matriks, dan bahkan pendekatan tak linear yang diperlukan oleh model generatif moden. Walaupun enkripsi homomorfik penuh (FHE) dapat menilai litar sewenang‑wenangnya, enkripsi homomorfik sebahagian (SHE) biasanya mencukupi untuk penjana berasaskan difusi apabila digabungkan dengan pendekatan anggaran yang bijak.
2. Reka Bentuk Seni Bina
Berikut ialah diagram Mermaid aras tinggi yang menggambarkan aliran data.
flowchart LR
A["Sensor Edge"] --> B["Pengekod HE"]
B --> C["Payload Terenkripsi"]
C --> D["Enjin Difusi Berkuasa HE"]
D --> E["Sampel Sintetis Terenkripsi"]
E --> F["Penyahkod HE (pilihan)"]
F --> G["Pengguna Data Sintetis"]
style A fill:#f9f,stroke:#333,stroke-width:2px
style D fill:#bbf,stroke:#333,stroke-width:2px
Komponen:
- Pengekod HE – Menukar vektor sensor mentah menjadi ciphertext menggunakan kunci awam yang disimpan pada peranti.
- Payload Terenkripsi – Ciphertext bersiri yang diproses (atau disimpan secara tempatan) untuk pengiraan.
- Enjin Difusi Berkuasa HE – Model difusi ringan yang kernel aritmetiknya ditulis semula untuk beroperasi pada ciphertext (penambahan, pendaraban skalar, dan anggaran polinomial untuk fungsi tak linear).
- Sampel Sintetis Terenkripsi – Output tetap terenkripsi; secara pilihan, Penyahkod HE boleh diterapkan dalam enclave yang dipercayai untuk memperoleh data sintetis dalam teks jelas.
- Pengguna Data Sintetis – Perkhidmatan AI hiliran (contoh: latihan model, analitik) yang hanya menerima rekod sintetis yang melindungi privasi.
3. Asas Kriptografi
3.1 Ring‑Learning With Errors (RLWE)
Kebanyakan skema HE moden (BFV, CKKS, BGV) dibina atas masalah RLWE. Untuk penjanaan data sintetis kami biasanya memilih CKKS kerana ia menyokong aritmetik anggaran pada nombor nyata—sesuai secara semula jadi untuk model difusi yang beroperasi dengan tensor titik terapung.
Parameter utama:
| Parameter | Nilai Tipikal | Kesan |
|---|---|---|
| Darjah modulus polinomial (N) | 2^14 (16384) | Menentukan saiz ciphertext & tahap keselamatan |
| Faktor skala (Δ) | 2^40 | Mengawal ketepatan anggaran titik terapung |
| Modulus ciphertext (q) | 2^180 | Mempengaruhi bajet hingar dan kedalaman pengiraan |
3.2 Pengurusan Hingar
Setiap operasi homomorfik menambah hingar pada ciphertext. Langkah difusi melibatkan banyak pendaraban; oleh itu kita mesti relinearize dan rescale selepas setiap langkah untuk mengekalkan hingar dalam had yang boleh diterima. Seni bina ini hanya menggunakan bootstrapping apabila bajet hingar hampir habis, yang jarang berlaku untuk paip difusi cetek (≤ 10 langkah).
4. Menyusun Semula Difusi untuk Domain Terenkripsi
4.1 Ringkasan Difusi Biasa
Model difusi secara iteratif mengurangkan bunyi pada pemboleh ubah laten (x_t) menggunakan fungsi skor yang dipelajari (\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 ]
di mana (z \sim \mathcal{N}(0, I)).
4.2 Strategi Anggaran Terenkripsi
- Operasi Linear – Disokong secara langsung oleh CKKS (penambahan, pendaraban skalar).
- Aktivasi Tak Linear – Gantikan (\epsilon_\theta) dengan polinomial darjah rendah (contoh: anggaran Chebyshev) yang meniru output rangkaian neural.
- Suntikan Bunyi Rawak – Jana bunyi di luar domain terenkripsi, enkripsikan, dan tambahkan secara homomorfik.
Pengemaskinian terenkripsi yang terhasil menjadi:
[ \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) ]
di mana (c_1, c_2) ialah pemalar skala yang diperoleh daripada (\alpha_t).
4.3 Pertimbangan Saiz Model
- Pemampatan parameter: Gunakan knowledge distillation untuk mengecilkan model guru menjadi pelajar 1‑2 MB yang sesuai dengan bajet polinomial.
- Kuantisasi: Kuantisasi 8‑bit mengurangkan saiz ciphertext dan mempercepat pendaraban homomorfik.
5. Implementasi Prototip
Berikut ialah prototaip Python ringkas yang menunjukkan difusi terenkripsi pada set data sintetik 2‑D. Ia menggunakan Microsoft SEAL (melalui seal-python) dan fungsi skor polinomial tiruan.
# 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)
Penjelasan prototaip
- Penjanaan Kunci: Menyediakan CKKS dengan darjah modulus polinomial 16384, memberikan keselamatan kira‑kira 128‑bit.
- Pengekodan & Penyulitan: Vektor sensor mentah dikodkan dan disulitkan.
- Skor Polinomial: Menggantikan rangkaian neural dengan polinomial darjah tiga yang boleh dinilai secara homomorfik.
- Langkah Difusi: Melaksanakan satu iterasi denoising menggunakan penambahan dan pendaraban homomorfik.
- Pengurusan Hingar: Selepas setiap pendaraban kami relinearize dan rescale untuk mengekalkan bajet hingar.
- Penyahkodan: Menunjukkan bahawa ciphertext akhir boleh disahkod untuk mendapatkan sampel sintetis; dalam produksi penyahkodan hanya dilakukan dalam enclave yang dipercayai atau tidak dilakukan sama sekali jika pengguna hiliran menerima data terenkripsi.
6. Prestasi & Pemecut Perkakasan
| Platform | Purata Kelewatan per Langkah Difusi (ms) | Jejak Memori (MB) | Catatan |
|---|---|---|---|
| ARM Cortex‑A78 (8 GB RAM) | 420 | 120 | Asas, tiada pemecut |
| NVIDIA Jetson Orin (GPU) | 85 | 150 | Teras GPU untuk NTT mempercepat pendaraban |
| Intel Xeon dengan AVX‑512 | 60 | 130 | NTT vektor dan relinearization selari |
| Google Edge TPU (pustaka HE khas) | 38 | 110 | Eksperimen, memanfaatkan operasi matriks TPU untuk anggaran polinomial |
Petua untuk produksi
- Kumpulkan berbilang sampel ke dalam satu ciphertext menggunakan pengekodan berpaket; CKKS boleh menyulitkan vektor sehingga
N/2slot. - Gunakan rescaling malas: tangguhkan rescaling sehingga selepas beberapa pendaraban untuk mengurangkan bilangan pertukaran modulus yang mahal.
- Manfaatkan pemecut NTT berasaskan FPGA untuk peranti edge berkuasa rendah (contoh: Xilinx Zynq).
7. Senarai Semak Keselamatan & Pematuhan
- Pengurusan Kunci: Simpan kunci awam pada peranti; simpan kunci rahsia dalam enclave selamat atau HSM. Putar kunci setiap 90 hari.
- Bukti Sifar‑Pengetahuan: Hasilkan bukti ringkas bahawa sampel sintetis dihasilkan melalui proses difusi yang sah tanpa mendedahkan data asas.
- Jejak Audit: Log hash operasi terenkripsi (contoh: SHA‑256 ciphertext) ke ledger tidak boleh diubah (blockchain) untuk audit peraturan.
- GDPR/CCPA: Oleh kerana data peribadi mentah tidak pernah meninggalkan peranti dalam teks jelas, paip ini memenuhi perlindungan “data‑in‑use”, memudahkan Penilaian Impak Perlindungan Data (DPIA).
- HIPAA: PHI yang diproses dengan HE dianggap data yang tidak dikenalpasti di bawah kaedah “penentuan pakar”, selagi kunci penyahkod dikawal ketat.
8. Kes Penggunaan Dunia Sebenar
- Wearable Penjagaan Kesihatan Pintar – Menjana corak degupan jantung sintetik untuk latihan model tanpa mendedahkan vitals pesakit.
- IoT Industri – Menghasilkan tanda getaran sintetik untuk penyelenggaraan prediktif sambil mengekalkan data mesin proprietari dalam keadaan terenkripsi.
- Kenderaan Autonomi – Membuat point cloud LIDAR sintetik pada peranti untuk penambahbaikan model berterusan tanpa berkongsi aliran sensor mentah.
9. Arah Masa Depan
- HE‑MPC Hibrid: Menggabungkan enkripsi homomorfik dengan pengiraan berbilang pihak (MPC) untuk membenarkan penjanaan data sintetik kolaboratif merentasi beberapa node edge.
- Rangkaian Polinomial Dinamik: Gunakan Neural Architecture Search (NAS) untuk secara automatik menemui anggaran polinomial darjah rendah yang menyeimbangkan ketepatan dan kos homomorfik.
- HE Tahan Kuantum: Selidik skema berasaskan lattice yang kekal selamat terhadap penyerang kuantum, memastikan pematuhan jangka panjang untuk infrastruktur kritikal.