ჰომომორფული დაშიფვრა კრიპტოგრაფიის ისეთი სახეობაა, რომელიც კომპიუტერს საშუალებას აძლევს, გამოთვლები პირდაპირ დაშიფრულ მონაცემებზე შეასრულოს და მიიღოს დაშიფრული შედეგი — შედეგი, რომელიც გაშიფვრის შემდეგ ზუსტად ემთხვევა იმას, რასაც იგივე გამოთვლა ორიგინალურ, დაუშიფრავ მონაცემზე შესრულების შემთხვევაში გამოიღებდა. AI-ს კონტექსტში ეს ნიშნავს, რომ მოდელს შეუძლია მოთხოვნის დამუშავება, პროგნოზის გენერირება ან კითხვაზე პასუხის გაცემა ისე, რომ სერვერს, რომელზეც ის მუშაობს, არასდროს უნახავს საწყისი მონაცემი წასაკითხ სახეში.
რა ხდის დაშიფვრას „ჰომომორფულს“
ჩვეულებრივი დაშიფვრა მონაცემებს იცავს შენახვისას ან გადაცემისას: ფაილი წაუკითხავია მანამ, სანამ ვინმეს, ვისაც შესაბამისი გასაღები აქვს, არ გახსნის — და სწორედ ამ მომენტში ხდება ის სრულად ხელმისაწვდომი მისთვის, ვინც მასზე გამოთვლას აწარმოებს. ჰომომორფული დაშიფვრა განსხვავებულია — ის მონაცემის მათემატიკურ სტრუქტურას დაშიფვრის შემდეგაც ინარჩუნებს, ისე რომ ისეთი ოპერაციები, როგორიცაა შეკრება და გამრავლება, დაშიფრულ ვერსიაზე (ე.წ. „შიფროტექსტზე“) შესრულებული, იძლევა იმავე შედეგს — ისევ დაშიფრულს —, რასაც ორიგინალურ მონაცემზე შესრულებული იგივე ოპერაციები მოგვცემდა.
კრიპტოგრაფები რამდენიმე დონეს გამოყოფენ. ნაწილობრივ ჰომომორფული სქემები მხოლოდ ერთი სახის ოპერაციას უჭერენ მხარს — შეკრებას ან გამრავლებას, ორივეს ერთად კი არა. ნახევრად ჰომომორფული სქემები ორივეს უჭერენ მხარს, მაგრამ მხოლოდ შეზღუდული რაოდენობის ოპერაციისთვის, რის შემდეგაც მათემატიკური „ხმაური“ შედეგს წაუკითხავს ხდის. სრული ჰომომორფული დაშიფვრა (FHE) — რომლის შესაძლებლობა პირველად კრიპტოგრაფმა კრეიგ გენტრიმ 2009 წელს დაამტკიცა — ოპერაციების შეუზღუდავ კომბინაციებს უჭერს მხარს, რაც სწორედ მას ხდის გამოსადეგს ისეთი გამოთვლითად რთული ამოცანისთვის, როგორიც AI მოდელია.
როგორ ამუშავებს AI იმ მონაცემებს, რომელთა წაკითხვაც არ შეუძლია
კონფიდენციალურობის დამცავი დასკვნის (private inference) სქემაში კლიენტი საკუთარ შენატანს — სამედიცინო სურათს, ფინანსურ ჩანაწერს, საძიებო მოთხოვნას — შიფრავს მოწყობილობაზევე, სანამ ის მოწყობილობას არ დატოვებს. AI პროვაიდერის სერვერი იღებს მხოლოდ შიფროტექსტს, მასზე ასრულებს მოდელის ოპერაციებს და უკან უგზავნის დაშიფრულ შედეგს. მხოლოდ კლიენტს, რომელსაც გასაღები აქვს, შეუძლია პასუხის წაკითხვა — სერვერს, რომელმაც გამოთვლა შეასრულა, არც ერთ მომენტში არ ჰქონია წვდომა წასაკითხ მონაცემზე.
სირთულე იმაშია, რომ ნეირონული ქსელები დიდწილად არაწრფივ ფუნქციებს ეყრდნობა — ეტაპებს, რომლებიც განსაზღვრავენ, რომელი სიგნალი გადაეცემა ქსელში შემდეგ დონეს — და ეს ოპერაციები პირდაპირ არ ჯდება FHE-ის მიერ მხარდაჭერილ შეკრება-გამრავლებაში. მათი მუშაობისთვის, ჩვეულებრივ, საჭიროა მრავალწევრებით მიახლოება, რაც ამოცანას ინჟინრულ სირთულესაც მატებს და გამოთვლით ხარჯსაც.
რატომ შექმნა Google-მა კომპილატორი ამისთვის
სწორედ ეს სირთულე იყო მთავარი მიზეზი, რის გამოც ჰომომორფული დაშიფვრა მხოლოდ მეცნიერული ცნობისმოყვარეობის საგნად რჩებოდა და არა ფართოდ გამოყენებულ ინსტრუმენტად — FHE კოდის ხელით დაწერა კრიპტოგრაფიულ გამოცდილებას მოითხოვს, რომელიც აპლიკაციების დეველოპერების უმეტესობას არ გააჩნია. Google-ის პასუხი, გამოქვეყნებული ღია კოდით Apache-2.0 ლიცენზიით, არის HEIR — კომპილატორი, აგებული LLVM პროექტის MLIR ჩარჩოზე, რომელიც „საიდუმლო“ მონაცემების მარკირებით დაწერილ პროგრამას იღებს და ავტომატურად გენერირებს მის დაშიფრულ ეკვივალენტს, რამდენიმე FHE სქემისა და ბექენდ ბიბლიოთეკის მიმართულებით. მიზანი მსგავსია იმისა, რაც ჩვეულებრივმა კომპილატორებმა სტანდარტული პროგრამული უზრუნველყოფისთვის გადაწყვიტეს — დეველოპერს საშუალება მისცეს, ნაცნობი წესით დაწეროს კოდი, დაბალდონიანი კრიპტოგრაფიული ოპტიმიზაცია კი ინსტრუმენტს დაუტოვოს. დეველოპერებს, ვისაც მისი გამოცდა სურთ, შეუძლიათ გაჰყვნენ HEIR-ის საკუთარ გზამკვლევს დამწყებთათვის, რომელიც ერთი მარტივი დაშიფრული გამოთვლის კომპილირებას ბოლომდე გაატარებს.
რატომ აქვს მნიშვნელობა
ჰომომორფული დაშიფვრა რამდენიმე ტექნიკიდან ერთ-ერთია — სხვა, უკვე განხილულ მიდგომებთან და აპარატურაზე დაფუძნებულ კონფიდენციალურ გამოთვლებთან ერთად — რომელთა მიზანია, ორგანიზაციებმა სენსიტიურ მონაცემებზე AI-ის სარგებელი მიიღონ ისე, რომ ეს მონაცემები არასდროს გადასცენ წასაკითხ სახეში. საავადმყოფოს შეუძლია დიაგნოსტიკური AI დაშიფრულ პაციენტთა სურათებზე გაუშვას; ბანკს — დაშიფრული ტრანზაქციები თაღლითობაზე შეამოწმოს; სახელმწიფო უწყებას — დაშიფრული ჩანაწერები გააანალიზოს — და ამასთან ერთად, AI პროვაიდერს, ან მის სერვერზე შეჭრილ ნებისმიერ პირს, არასდროს უნახავს ნედლი ინფორმაცია. სწორედ ასეთ გარანტიას ითხოვს სულ უფრო ხშირად რეგულირებადი ინდუსტრია და კონფიდენციალურობაზე მზრუნავი მომხმარებელი, და ის გვერდიგვერდ დგას ისეთ სხვა უსაფრთხოების მიმართულებებთან, როგორიცაა პოსტკვანტური კრიპტოგრაფია, რომელიც დაშიფრულ მონაცემს იცავს არა გამოთვლის დროს, არამედ მომავალში გაშიფვრისგან.
კომპრომისი: სისწრაფე
ეს ყველაფერი უფასოდ არ ხდება. დაშიფრულ მონაცემზე გამოთვლა ახალი სქემების პირობებშიც კი რიგებით უფრო ნელია დაუშიფრავ მონაცემზე გამოთვლასთან შედარებით, და ყოველი არაწრფივი მიახლოება დამატებით დატვირთვას მატებს. სწორედ ამიტომ რჩება ჰომომორფული დაშიფვრა იშვიათი მოვლენა დღევანდელ საწარმოო AI სისტემებში — ის, ჩვეულებრივ, ჯერ ისეთ ვიწრო, მაღალი რისკის შემთხვევებში ჩნდება, სადაც კონფიდენციალურობის გარანტია საკმარისად ღირებულია მუშაობის სიჩქარეში დათმობის საფასურად, ხოლო ყველაფერს დანარჩენს უფრო სწრაფი, თუმცა სუსტი ალტერნატივები აკეთებენ. ისეთი ინსტრუმენტები, როგორიც HEIR-ია, სწორედ ამ უფსკრულის შევსებისკენაა მიმართული, თუმცა „პრაქტიკული“ ჯერჯერობით ნიშნავს „რეალურ ამოცანებზე გამოსადეგს“, და არა „ჩვეულებრივი AI დასკვნის სისწრაფის ტოლს“.
სიახლეებში
Google-ის მიერ HEIR-ის გამოშვება ბოლოდროინდელი ნაბიჯია იმისკენ, რომ ეს ტექნოლოგია ჩვეულებრივ დეველოპერებსაც პრაქტიკული გახდეს — იხილეთ ჩვენი მასალა Google-ის მიერ HEIR-ის გამოშვების შესახებ.