Daugiašalis skaičiavimas (MPC) yra technologija, leidžianti saugiai apdoroti duomenis ir dalytis jais tarp kelių šalių, nė vienai šaliai neturint prieigos prie viso duomenų rinkinio.
Šio tipo paskirstytasis skaičiavimas pastaraisiais metais vis labiau populiarėja, nes jo naudingumas apima saugų asmens identifikavimo informacijos (PII) skaičiavimą, dalyviams nepasiekiant neapdorotų duomenų. Siekdami užtikrinti, kad nė vienas dalyvis negalėtų pasiekti visų duomenų, kriptologai sukūrė įvairius protokolus, leidžiančius šalims padalyti ir tarpusavyje dalytis užšifruotais duomenimis.
Kas yra kelių partijų skaičiavimas?
Iš esmės MPC yra technologija, leidžianti kelioms šalims skaičiuoti duomenis, nė vienai šaliai neturint prieigos prie neapdorotų duomenų. Jie tai padarė suskaidydami duomenis į dalis ir užšifruodami juos taip, kad joks dalyvis negalėtų pats jų iššifruoti.
Pagrindinis MPC komponentas yra tai, kad jis leidžia skaičiuoti naudojant užšifruotus duomenis, todėl dalyviai negali matyti, ką kitos šalys atlieka skaičiavimais arba kokius rezultatus jie gauna iš proceso.
MPC istorija
Daugiašalis skaičiavimas (MPC) pirmą kartą išpopuliarėjo aštuntajame dešimtmetyje, kai Kinijos kriptografijos legenda Andrew Yao sukūrė „Garbled Circuits Protocol“, leidžiantį dviem šalims apskaičiuoti duomenis neatskleidžiant savo įvesties. Jo milijonierių problema pateikė paprastą MPC dvipartinės sistemos pavyzdį.
1987 m. gimė GMW (Goldreich–Micali–Wigderson) protokolas, leidžiantis sukurti tikrai daugiašales platformas, o 2008 m. MPC debiutavo realiai Danijos cukrinių runkelių aukcione su uždaru pasiūlymu, kuris išsaugojo visų konkurso dalyvių privatumą. dalyvauja. Taip prasidėjo naujas revoliucinis būdas saugioms skaitmeninėms operacijoms atlikti su keliais dalyviais.
Kaip veikia kelių partijų skaičiavimas?
MPC naudoja kriptografijos metodus, tokius kaip slaptas dalijimasis ir homomorfinis šifravimas, kad galėtų padalyti ir bendrinti užšifruotus duomenis tarp kelių šalių. Slaptas dalijimasis apima informacijos dalies padalijimą į kelis komponentus, o kiekviena šalis gauna tik vieną dalį, o tai reiškia, kad nė viena iš jų neturi prieigos prie visų duomenų. Homomorfinis šifravimas naudojamas norint įgalinti šifruotų duomenų skaičiavimus, o tai reiškia, kad jie neatskleidžia neskelbtinos informacijos paprasto teksto forma.
Pavyzdys, iliustruojantis, kaip veikia daugiašalis skaičiavimas
Tarkime, trys įmonės – A, B ir C – nori bendradarbiauti įgyvendindamos projektą, bet nepasitiki viena kita, kad galėtų dalytis savo neskelbtinais duomenimis. Naudodami MPC sprendimus, jie gali saugiai padalyti duomenis tarpusavyje ir atlikti jų skaičiavimus, nė vienas iš jų neturi prieigos prie neapdorotos informacijos.
Pirma, A, B ir C naudos slaptus dalijimosi algoritmus, kad suskirstytų savo duomenis į kelis komponentus. Tada kiekviena įmonė užšifruos šiuos gabalus naudodama homomorfinius šifravimo algoritmus ir išsiųs juos kitiems dviem dalyviams. Dabar visos trys šalys užšifravo viena kitos duomenų dalis, tačiau nė viena negali jų pati iššifruoti ir pasiekti viso informacijos rinkinio.
Tada A, B ir C gali atlikti užšifruotų duomenų skaičiavimus, niekada jų neiššifruodami. Tai reiškia, kad kiekvienas dalyvis gali matyti tik savo indėlį, tačiau vis tiek galės bendradarbiauti projekte. Galiausiai, kadangi nė vienas iš šių dalyvių neturi prieigos prie neapdorotų vienas kito duomenų, jie gali būti tikri, kad jų pačių informacija yra saugi.
Kodėl MPC vadinamas privatumą išsaugančiu skaičiavimu?
Duomenys yra nepakeičiamas įrankis šiuolaikiniame pasaulyje, kuriame tiesiogiai galima atsekti daugybę revoliucingiausių ir progresyviausių pasaulyje pažangų. Tačiau dalijimasis duomenimis pernelyg dažnai susijęs su neapskaičiuojama privatumo pažeidimų ar net kontrolės praradimo rizika.
Multi-Party Computation (MPC) siūlo kūrybišką šios problemos sprendimą, padedantį sukurti naują internetinę atmosferą, kurioje šalys gali pasiekti tam tikrų tipų duomenis nepakenkiant kitų asmenų ar savo informacijos saugumui.
MPC naudoja saugius algoritmus, kurie neatskleidžia jokių duomenų, išskyrus rezultatus, o tai reiškia, kad šalys gali priimti svarbius sprendimus neatskleisdamos asmeninės informacijos ar nepažeisdamos kitų privatumo teisių. Ši technologija gali pakeisti mums žinomą duomenų saugumą ir atverti kelią saugiai ateičiai, kupinai galimybių, atsirandančių dėl naudingo dalijimosi informacija.
Daugiašalių skaičiavimo sprendimų privalumai
MPC sprendimai siūlo daugybę privalumų, įskaitant:
• Didesnis saugumas – išskaidydama užšifruotus duomenis ir neatskleisdama jokių neapdorotų duomenų, MPC užtikrina, kad jokia šalis negalėtų pasiekti visos informacijos. Dėl to tai idealus sprendimas apdoroti labai jautrią informaciją, pvz., AII arba medicininius įrašus.
• Patobulintas privatumas – kadangi kiekvienas dalyvis gauna tik dalį viso duomenų rinkinio ir nė viena šalis neturi prieigos prie visos informacijos, MPC taip pat padeda pagerinti privatumą, neleisdama vienai šaliai profiliuoti asmenų.
• Padidintas greitis ir mastelio keitimas – MPC sprendimai gali atlikti skaičiavimus lygiagrečiai, o tai reiškia, kad jie gali greitai apdoroti didelius duomenų kiekius. Tai ypač naudinga atliekant tokias užduotis kaip mašininis mokymasis, kurioms atlikti reikia daug skaičiavimo galios.
Daugiašalių skaičiavimo sprendimų trūkumai
Pagrindiniai MPC sprendimų trūkumai yra šie:
• Didesnės išlaidos – MPC sprendimui įgyvendinti ir eksploatuoti reikia daugiau išteklių nei tradiciniams skaičiavimo metodams. Tai apima aparatinės įrangos, programinės įrangos ir kitų sąrankai reikalingų įrankių įsigijimą.
• Sudėtingumas – MPC sistemos nustatymas gali būti sudėtingas, nes reikia papildomų kriptografijos metodų. Tai taip pat gali apsunkinti trikčių šalinimą ir derinimą, nes visas problemas reikia spręsti keliose šalyse.
• Lėtas greitis – kadangi MPC sprendimai atlieka skaičiavimus naudojant užšifruotus duomenis, jie dažnai gali veikti lėčiau nei tradiciniai skaičiavimo procesai. Tai reiškia, kad didelės skaičiavimo galios reikalaujančios užduotys gali užtrukti ilgiau.
MPC programos realiame pasaulyje
Genetiniai tyrimai
Genetikai naudoja MPC genetiniams duomenims analizuoti. Užuot siuntusi neapdorotas DNR sekas internetu, kiekviena šalis užšifruoja savo duomenis ir siunčia juos į trečiosios šalies serverį, kur MPC gali palyginti, analizuoti ir interpretuoti rezultatus, visoms šalims neatskleidus savo individualios informacijos.
Finansinės operacijos
MPC galite naudoti finansinėms operacijoms apsaugoti. Tai galite pasiekti padalydami duomenis į kelias dalis ir apdorodami juos saugioje MPC aplinkoje, užtikrindami, kad nė viena šalis negalėtų pasiekti visos informacijos. Dėl to jis idealiai tinka skaitmeniniams mokėjimo sprendimams, tokiems kaip kriptovaliutų biržos, kur privatumas yra itin svarbus.
Medicininiai tyrimai
Galite naudoti MPC sprendimus dideliems medicininių duomenų kiekiams dalytis ir analizuoti. Užšifruodama duomenis prieš juos išsiųsdama, kiekviena šalis gali prieiti prie tam tikros informacijos, kuri nekels pavojaus kito asmens privatumui ar saugumui. Dėl to MPC yra idealus sprendimas klinikiniams tyrimams ir kitiems mokslinių tyrimų projektams, kuriuose naudojami jautrūs pacientų duomenys.
Pasirašymo slenkstis blokų grandinėse
MPC gali apsaugoti skaitmeninius parašus įvairiais būdais blockchain projektus. Jie tai pasiekė padaliję parašą keliems dalyviams, todėl nė viena šalis neturi prieigos prie viso parašo. Tai užtikrina, kad skaitmeniniai parašai išliks saugūs ir apsaugomi nuo klastojimo, net jei viena šalis būtų pažeista.
Saugios MPC alternatyvos
Kriptografijos metodai
Kriptografijos metodai yra neatsiejama kompiuterių saugumo dalis, leidžianti saugiai saugoti ir perduoti jautrius duomenis. Du pagrindiniai šiam tikslui naudojami kriptografiniai metodai yra homomorfinis šifravimas ir nulinių žinių įrodymai.
Homomorfiniam šifravimui naudojamos matematinės formulės, leidžiančios apskaičiuoti užšifruotus duomenis prieš tai jų neiššifruojant, todėl lengviau dalytis duomenimis saugiai, nepažeidžiant privatumo.
Nulinių žinių įrodymai suteikia matematinius metodus, leidžiančius patikrinti tiesą apie informaciją, neatskleidžiant jos detalių, todėl jie yra labai naudingi dirbant su konfidencialia informacija.
Kitas metodas, naudojamas kriptografijoje, yra diferencinis privatumas, kuris prideda kontroliuojamą atsitiktinumą renkamiems duomenims, neleidžiant kenkėjiškoms šalims gauti naudotojų asmeninių duomenų. Iš esmės kriptografiniai metodai suteikia mums daugiau galimybių valdyti savo duomenis, nes užtikrina didesnį saugumą ir apsaugą nuo duomenų pažeidimų.
AI/ML palaikomi metodai
AI / ML paremti metodai padeda įgyvendinti naujos kartos privatumu grindžiamas iniciatyvas. Du pagrindiniai metodai, leidžiantys atlikti šį pakeitimą, yra sintetiniai duomenys ir susietas mokymasis.
Sintetiniai duomenys yra dirbtinio intelekto forma, kuri sukuria duomenų taškus, kurie atkartoja atitinkamų charakteristikų pasiskirstymą, nenaudojant tikrosios informacijos.
Apjungtas mokymasis yra paskirstytojo mašininio mokymosi technikos forma, kai analitikai vienu metu apmoko modelius keliuose duomenų rinkiniuose, nerizikuodami pakenkti juose saugomai konfidencialiam ar jautriai informacijai.
Kartu šie du metodai leidžia užtikrinti didesnį tikslumą ir stipresnę duomenų privatumo apsaugą nuo pradžios iki pabaigos, todėl galime priimti protingesnius sprendimus su didesne garantija.
Išvada
MPC yra vis populiarėjanti technologija, leidžianti saugiai apdoroti duomenis tarp kelių šalių ir nė viena šalis neturi prieigos prie viso duomenų rinkinio. Jis naudoja kriptografinius metodus, tokius kaip slaptas dalijimasis ir homomorfinis šifravimas, kad išskaidytų ir užšifruotų duomenų dalis, užtikrinant, kad nė vienas iš dalyvių negalėtų pasiekti neapdorotų duomenų ar profiliuoti jokį asmenį.
Turėdami daug privalumų, įskaitant didesnį saugumą, patobulintą privatumą ir didesnį greitį bei mastelio keitimą, MPC sprendimai yra galingas sprendimas organizacijoms saugiai ir efektyviai apdoroti neskelbtinus duomenis.
Šaltinis: https://www.cryptopolitan.com/multi-party-computation-mpc-solutions/