"توصية: يُعتبر التشفير المتماثل الكامل (FHE) غالبًا ما يشار إليه على أنه كأس الهوليجرافيا ، ويستكشف هذا المقال آفاق تطبيق FHE في مجال الذكاء الاصطناعي ، ويشير إلى القيود التي تواجهها حاليًا ، ويقدم قائمة ببعض المشاريع التي تعمل على استخدام FHE في مجال التشفير لتطبيقات الذكاء الاصطناعي ، من أجل محبي الأصول الرقمية ، يمكنهم الحصول على فهم عميق للتشفير المتماثل الكامل من خلال هذا المقال ، استمتع!"
النص الرئيسي👇
A يأمل الحصول على توصيات شخصية عالية على Netflix و Amazon. B لا يرغب في أن يعرف Netflix أو Amazon تفضيلاتهم.
في عصر الرقمية الحالي، نحن نستمتع براحة الاستخدام الشخصية التي تقدمها خدمات مثل أمازون ونيتفليكس من خلال التوصيات المخصصة، حيث تلبي هذه التوصيات اهتماماتنا بدقة. ومع ذلك، فإن هذه المنصات التي تغزو حياتنا الشخصية تثير قلقًا متزايدًا. نحن نتوق إلى الاستمتاع بالخدمات المخصصة دون التضحية بالخصوصية. في الماضي، يبدو أن هذا كان مفارقة: كيف يمكن تحقيق التخصيص دون مشاركة كميات كبيرة من البيانات الشخصية مع أنظمة الذكاء الاصطناعي القائمة على السحابة. الالتشفير المتماثل (FHE) يقدم حلاً يسمح لنا بالحصول على كل ما نريد دون التنازل عن الخصوصية.
خدمة الذكاء الاصطناعي كخدمة (AIaaS)
الذكاء الاصطناعي (AI) يلعب اليوم دوراً رئيسياً في التصدي لتحديات معقدة في مجالات متنوعة بما في ذلك رؤية الحاسوب ومعالجة اللغة الطبيعية (NLP) وأنظمة التوصيات. ومع ذلك، فإن تطوير هذه النماذج الذكاء الاصطناعي يشكل تحدياً كبيراً للمستخدمين العاديين:
حجم البيانات: غالبًا ما يتطلب بناء نموذج دقيق مجموعة بيانات ضخمة ، وفي بعض الأحيان يصل حجمها إلى تريليونات البايتات.
القوة الحوسبية: النماذج المعقدة مثل المحول تتطلب قوة حوسبة قوية لعدة عشرات من وحدات المعالجة الرسومية، وعادة ما تعمل بشكل متواصل لعدة أسابيع.
مجال الخبرة: تحتاج هذه النماذج إلى معرفة متخصصة عميقة للتعديل الدقيق.
هذه العقبات تجعل معظم المستخدمين يصعب عليهم تطوير نماذج تعلم الآلة القوية بشكل مستقل.
خط الإنتاج لخدمة الذكاء الاصطناعي في التطبيق الفعلي
نحن الآن في عصر الذكاء الاصطناعي كخدمة (AIaaS)، وهذا النمط يتيح للمستخدمين الوصول إلى نماذج الشبكات العصبية الأحدث عن طريق توفير خدمات سحابية تديرها عمالقة التكنولوجيا (بما في ذلك أعضاء FAANG)، مما يتيح لهم التغلب على هذه العقبات. يتم تحميل البيانات الأولية الخاصة بالمستخدم إلى هذه المنصات، حيث يتم معالجة البيانات وإنتاج نتائج تحليلية ذات رؤية واضحة. يقوم AIaaS بتعميم حق استخدام نماذج التعلم الآلي عالية الجودة بشكل فعال، ويتيح للمستخدمين الوصول إلى أدوات AI المتقدمة بشكل أوسع. ومع ذلك، يؤدي AIaaS الحالي إلى التضحية بخصوصية المستخدمين مقابل هذه الراحة.
الخصوصية في بيانات خدمات الذكاء الاصطناعي
حالياً، يتم تشفير البيانات فقط أثناء عملية النقل من العميل إلى الخادم. يمكن للخادم الوصول إلى البيانات الواردة والتنبؤات المبنية على هذه البيانات.
في عملية AI كخدمة، يمكن للخادم الوصول إلى البيانات المدخلة والمخرجة. تجعل هذه الحالة مشاركة المستخدمين العاديين للمعلومات الحساسة (مثل البيانات الطبية والمالية) معقدة. تزيد التشريعات مثل GDPR و CCPA هذه المخاوف، لأنها تتطلب موافقة صريحة من المستخدمين قبل مشاركة البيانات وتضمن أن المستخدمين لديهم الحق في معرفة كيفية استخدام بياناتهم. يحدد GDPR أيضًا تشفير البيانات وحمايتها أثناء عملية النقل. تضع هذه التشريعات معايير صارمة لضمان خصوصية وحقوق المستخدمين وتشجع على الشفافية والتحكم الواضح في المعلومات الشخصية. نظرًا لهذه المتطلبات، يجب علينا تطوير آليات خصوصية قوية في عملية AI كخدمة (AIaaS) للحفاظ على الثقة والامتثال.
حل مشكلة FHE
من خلال تشفير a و b ، يمكننا ضمان سرية البيانات المدخلة.
التشفير المتماثل الكامل (FHE) يوفر حلاً لمسألة خصوصية البيانات المرتبطة في الحوسبة السحابية. تدعم حلول FHE عمليات مثل الجمع والضرب للنص المشفر. المفهوم بسيط: مجموع قيمة التشفيرين يساوي نتيجة التشفير لمجموع القيمتين، والضرب أيضًا.
في العملية الفعلية، يعمل المبدأ كما يلي: يقوم المستخدم بإجراء عملية جمع عادية للقيمة𝑎 و𝑏 محليًا. ثم يقوم المستخدم بتشفير 𝑎 و𝑏 وإرسال النص المشفر إلى خادم السحابة. يمكن للخادم تنفيذ عملية الجمع (بشكل هومومورفي) على القيم المشفرة وإرجاع النتيجة. سيكون النتيجة المستخلصة من فك التشفير في الخادم متطابقة مع نتيجة الجمع العادية لـ𝑎 و𝑏 المحليين. يضمن هذا العملية سرية البيانات ويسمح بالحساب في السحابة.
شبكة الأعصاب العميقة (DNN) المبنية على التشفير الكامل الهومومورفي
بالإضافة إلى العمليات الأساسية للجمع والضرب، فقد حققت تقنية معالجة الشبكات العصبية باستخدام التشفير المتماثل الكامل (FHE) تقدمًا كبيرًا في سياق خدمة الذكاء الاصطناعي. في هذا السياق، يمكن للمستخدمين تشفير البيانات الأصلية إلى النص المشفر ونقل هذه البيانات المشفرة فقط إلى الخوادم السحابية. بعد ذلك، تقوم الخوادم بالحساب المشفر لهذه النصوص وتوليد البيانات المشفرة وإعادتها إلى المستخدمين. الأمر الرئيسي هو أنه يمكن للمستخدمين فقط الوصول إلى النتائج بفك تشفيرها وذلك من خلال امتلاك المفتاح الخاص، مما يؤمن تدفق بيانات التشفير FHE من النهاية إلى النهاية ويضمن سرية بيانات المستخدم خلال العملية بأكملها.
الشبكات العصبية القائمة على التشفير الكلي الهومومورفي توفر مرونة كبيرة للمستخدمين في خدمات AI. بمجرد إرسال النص المشفر إلى الخادم ، يمكن للمستخدم العمل دون اتصال ، لأن التواصل المتكرر بين العميل والخادم غير ضروري. هذه الميزة مفيدة بشكل خاص لأجهزة IoT ، التي تعمل عادةً في ظروف محدودة وغالبًا ما يكون التواصل المتكرر غير عملي.
ومع ذلك، يجدر بالذكر أن التشفير المتماثل بالكامل (FHE) له قيود ملحوظة. إنه يتطلب تكاليف حسابية هائلة؛ وتقتضي الخطة الأساسية لـ FHE وقتًا وتعقيدًا وكثافة موارد. بالإضافة إلى ذلك، فإن FHE يصعب حاليًا دعم العمليات غير الخطية بشكل فعال، وهذا يشكل تحديًا لتنفيذ الشبكات العصبية. يمكن أن تؤثر هذه القيود على دقة الشبكات العصبية المبنية على FHE، لأن العمليات غير الخطية أمر بالغ الأهمية لأداء هذا النوع من النماذج.
تم نشر "تطبيق شبكات الأعصاب المحسَّنة للخصوصية بناءً على التشفير المتماثل الفعال في AI كخدمة" من قبل K.-Y. Lam و X. Lu و L. Zhang و X. Wang و H. Wang و S. Q. Goh في جامعة نانيانج للعلوم والتكنولوجيا (سنغافورة) والأكاديمية الصينية للعلوم (الصين).
(وصف Lam et al.، 2024) بروتوكولًا لتعزيز الخصوصية لخدمة الذكاء الاصطناعي. يقوم هذا البروتوكول أولاً بتحديد معلمات الطبقة الداخلية باستخدام تعلم الأخطاء المتشابكة (LWE). LWE هو نوع من بروتوكولات الالتشفير التي تستخدم الالتشفير لحماية البيانات مما يجعل من الممكن إجراء عمليات الحساب على البيانات المشفرة دون الحاجة إلى فك تشفيرها أولاً. أما بالنسبة للطبقة الناتجة المخفية، فإن المعلمات يتم تعريفها باستخدام RLWE (رينج LWE) و RGSW (رينج GSW)، وهما تقنيتان متقدمتان في الالتشفير توسع LWE لتحقيق عمليات الالتشفير الأكثر كفاءة.
تشمل المعلمات العامة تجزئة الأساس 𝐵 و𝐵𝐾𝑆. بالنسبة لمتجه الإدخال 𝑥 بطول 𝑁 ، يتم إنشاء مجموعة من النصوص المشفرة LWE (𝑎𝑖,𝑏𝑖) لكل عنصر 𝑥[𝑖] باستخدام مفتاح LWE الخاص 𝑠 ، وتقييم المفتاح السري المتعلق بـ 𝑠 يتم إنشاؤه للفهرس حيث 𝑥[𝑖] > 0 و𝑥[𝑖] < 0. بالإضافة إلى ذلك ، تم تعيين مجموعة من مفاتيح LWE التبديل لـ 𝐵. هذه المفاتيح السرية تدعم التبديل الفعال بين حلول التشفير المختلفة.
الطبقة الإدخال محددة كالطبقة 0، والطبقة الإخراج كالطبقة 𝐿. بالنسبة لكل طبقة 𝑙 من 1 إلى 𝐿، يتم تحديد عدد الخلايا العصبية بكمية 𝐻𝑙 في الطبقة 0. تعرف مصفوفة الوزن 𝑊𝑙 ومتجه الإزاحة 𝛽𝑙 من الطبقة 0 ويتم تراكمها في الطبقة 0. تُقدر تقييم البيانات المشفرة في LWE من الطبقة 𝑙−1 لكل خلية عصبية ℎ من 0 إلى 𝐻𝑙−1 تحت التشفير المتماثل. هذا يعني أن الحساب يتم على البيانات المشفرة لحساب الوظيفة الخطية في ℎ. يجمع كل خلية عصبية في الطبقة 𝑙 بين مصفوفة الوزن ومتجه الإزاحة. بعد ذلك، تُقدر جدول البحث (LUT) في ℎ. يتم بعد ذلك تنفيذ العمليات على الخلايا العصبية -th، والتبديل من 𝑛′ إلى 𝑛 الأصغر ثم تقريب وإعادة تغيير المقياس للنتيجة. يتم تضمين النتيجة في مجموعة البيانات المشفرة LWE للطبقة 𝑙.
最后，البروتوكول سيقوم بإعادة النص المشفر LWE إلى المستخدم. يمكن للمستخدم بعد ذلك استخدام المفتاح الخاص 𝑠 لفك تشفير جميع النصوص المشفرة. البحث عن نتائج الاستدلال.
هذا البروتوكول يحقق بشكل فعال الاستنتاج العصبي للخصوصية عن طريق استخدام تقنية التشفير المتماثل بالكامل (FHE). FHE يسمح بالقيام بالحسابات على البيانات المشفرة دون كشف البيانات نفسها لخادم المعالجة، مما يضمن خصوصية البيانات وفي الوقت نفسه يوفر مزايا الذكاء الاصطناعي كخدمة.
تطبيقات التشفير المتماثل في الذكاء الاصطناعي
يجعل FHE (التشفير المتماثل بالكامل) الحساب الآمن على البيانات المشفرة ممكنًا، مما يفتح العديد من سيناريوهات التطبيق الجديدة وفي نفس الوقت يضمن سرية البيانات وأمانها.
خصوصية مستهلكي الإعلانات: (أرمكنيخت وآخرون، 2013) قدم نظام توصيات مبتكر يستخدم التشفير المتماثل بالكامل (FHE). يمكن لهذا النظام توفير توصيات شخصية للمستخدمين وفي الوقت نفسه ضمان سرية تامة لهذه التوصيات بالنسبة للنظام نفسه. وهذا يضمن سرية معلومات تفضيلات المستخدم ويحل بشكل فعال مشكلة الخصوصية الكبيرة في الإعلانات الموجهة.
تطبيقات الرعاية الصحية: (Naehrig et al. ، 2011) قدمت خطة ملفتة للنظر لصناعة الرعاية الصحية. اقترحوا استخدام التشفير المتماثل الكامل لتحميل بيانات المرضى بتشفير مستمر إلى مزود الخدمة. تضمن هذه الممارسة سرية المعلومات الطبية الحساسة طوال دورة حياتها ، مما يعزز حماية خصوصية المرضى ويتيح للمؤسسات الطبية معالجة البيانات وتحليلها بسلاسة.
تنقيب البيانات: يمكن أن يؤدي تنقيب مجموعات البيانات الكبيرة إلى رؤى هامة، ولكن غالبًا ما يكون ذلك على حساب خصوصية المستخدم. (Yang, Zhong, و Wright, 2006) تم حل هذه المشكلة من خلال تطبيق الالتشفير المتماثل (FHE) للوظائف في هذا السياق. يجعل هذا النهج من الممكن استخراج معلومات قيمة من مجموعات البيانات الضخمة دون المساس بأمانية خصوصية الأفراد الذين يتم تنقيب بياناتهم.
الخصوصية المالية: تخيل سيناريو، حيث تمتلك شركة بيانات حساسة وخوارزمية ملكية، ويجب أن تبقى سرية. يوصي (Naehrig et al.، 2011) باستخدام التشفير المتماثل لحل هذه المشكلة. عن طريق تطبيق التشفير المتماثل الكامل (FHE)، يمكن للشركة إجراء الحسابات اللازمة على البيانات المشفرة دون الكشف عن البيانات أو الخوارزمية، مما يضمن حماية الخصوصية المالية والملكية الفكرية.
تعرف الصور الطبية: (Bosch وآخرون ، 2014) على طريقة لتعرف الصور الطبية باستخدام التشفير المتماثل بالكامل (FHE). هذه التقنية مفيدة بشكل خاص للجهات الإنفاذ. من خلال تطبيق FHE ، يمكن للشرطة والجهات الأخرى اكتشاف الصور غير القانونية على الأقراص الصلبة دون كشف محتوى الصورة ، مما يحمي سلامة البيانات والسرية في التحقيق.
من الإعلانات والرعاية الصحية إلى التنقيب عن البيانات والأمن المالي والإنفاذ القانوني، من المتوقع أن يغير الكشف المتكامل تمامًا الطريقة التي نتعامل بها في جميع المجالات مع المعلومات الحساسة. مع تطور وتحسين هذه التقنيات بشكل مستمر ، فإن أهمية حماية الخصوصية والأمان في عالم مدفوع بالبيانات لا يمكن التأكيد عليها بما فيه الكفاية.
القيود على التشفير المتماثل الكامل (FHE)
على الرغم من الإمكانات ، لا يزال علينا التغلب على بعض القيود الرئيسية
دعم المستخدم الطويل: يسمح التشفير المتماثل الكامل (FHE) بالحساب على البيانات المشفرة، ولكن في السيناريوهات التي تنطوي على العديد من المستخدمين، يتضاعف التعقيد بشكل كبير. عادةً، يتم تشفير بيانات كل مستخدم باستخدام مفتاح عام فريد. إدارة هذه المجموعات المختلفة من البيانات، خاصةً عند النظر في احتياجات حساب FHE في بيئات كبيرة، يصبح غير عملي. لهذا السبب، قدم الباحثون مثل لوبيز-ألت (Lopez-Alt) في عام 2013 إطار FHE للمفتاح السري الطويل، الذي يسمح بالعمليات المتزامنة على مجموعات بيانات مشفرة باستخدام مفاتيح سرية مختلفة. على الرغم من أن هذا النهج يبدو مشجعًا، إلا أنه يضيف مستويات إضافية من التعقيد ويتطلب تنسيقًا دقيقًا في إدارة المفاتيح السرية والبنية التحتية للنظام لضمان الخصوصية والكفاءة.
تكاليف الحساب الضخمة: الجوهر الأساسي للتشفير المتماثل (FHE) هو قدرته على تنفيذ الحسابات على البيانات المشفرة. ومع ذلك، يرتبط هذا القدرة بتكاليف هائلة. بالمقارنة مع الحسابات غير المشفرة التقليدية، يزيد تكلفة عمليات FHE بشكل ملحوظ. تتجلى هذه التكلفة عادةً على شكل تقديرات طويلة، ولكنها تنطوي على تقديرات طويلة عالية الدرجة، مما يزيد من وقت التشغيل ويجعلها غير ملائمة للتطبيقات الحية. تمثل التسريع الأجهزة الموجهة لـ FHE فرصة سوقية هائلة تهدف إلى تقليل تعقيد الحساب وزيادة سرعة التنفيذ.
العمليات المحدودة: لقد قامت التطورات الأخيرة فعلاً بتوسيع نطاق استخدام التشفير المتماثل بحيث يمكنه دعم مجموعة أوسع من العمليات. ومع ذلك، لا يزال يستخدم بشكل رئيسي في العمليات الخطية والمتعددة. وهذا يعد قيدًا كبيرًا بالنسبة لتطبيقات الذكاء الاصطناعي التي تتعامل مع نماذج غير خطية معقدة مثل الشبكات العصبية العميقة. إن تنفيذ العمليات المطلوبة لهذه النماذج الذكية في إطار التشفير المتماثل الحالي يشكل تحديًا كبيرًا. على الرغم من أننا نحقق تقدمًا، إلا أن الفجوة بين قدرات العمليات في التشفير المتماثل ومتطلبات الخوارزمية المتقدمة للذكاء الاصطناعي لا تزال عائقًا رئيسيًا ينبغي تجاوزه.
التشفير والذكاء الاصطناعي في سياق الالتشفير المتماثل
وفيما يلي بعض الشركات المكرسة لتطبيقات الذكاء الاصطناعي باستخدام التشفير المتماثل بالكامل في مجال التشفير:
تقدم Zama Concrete ML، وهي أداة مفتوح المصدر، التي تهدف إلى تبسيط عمل العلماء بيانات في استخدام التشفير المتماثل (FHE). يمكن لـ Concrete ML تحويل نماذج التعلم الآلي إلى شكلها المتماثل، مما يتيح الحساب السري لبيانات التشفير. تسمح طريقة Zama لعلماء البيانات باستخدام FHE دون الحاجة إلى معرفة عميقة بعلم الكلمات السرية، مما يجعلها مفيدة بشكل خاص في مجالات حيوية مثل الرعاية الصحية والمالية حيث تكون خصوصية البيانات ذات أهمية قصوى. تعزز أدوات Zama التحليل الآمن للبيانات وتعلم الآلة مع الحفاظ على سرية المعلومات الحساسة.
تركز Privasee على بناء شبكة حسابية ذكية آمنة. تستفيد منصتهم من تقنية التشفير المتماثل (FHE) لتمكين التعاون أطول دون تسريب المعلومات الحساسة. من خلال استخدام FHE، يضمن Privasee أن تظل بيانات المستخدم مشفرة طوال عملية الحساب الذكي، مما يحمي الخصوصية ويتوافق مع تشريعات حماية البيانات الصارمة مثل GDPR. يدعم نظامهم مجموعة متنوعة من نماذج الذكاء الاصطناعي، مما يوفر حلاً متعدد الاستخدامات لمعالجة البيانات بشكل آمن.
يجمع Octra بين العملات الرقمية والذكاء الاصطناعي لتعزيز أمان التداول الرقمي وكفاءة إدارة البيانات. من خلال دمج التشفير المتماثل الكامل (FHE) مع تقنيات التعلم الآلي، تسعى Octra إلى تعزيز أمان وحماية الخصوصية في التخزين السحابي غير المركزي. يضمن منصتها استخدام تقنيات البلوكشين والتشفير والذكاء الاصطناعي إبقاء بيانات المستخدم دائمًا مشفرة وآمنة. توفر هذه الاستراتيجية إطارًا قويًا لأمان التداول الرقمي وخصوصية البيانات في الاقتصاد غير المركزي.
يجمع شبكة العقل الكامل الالتشفير المتماثل (FHE) مع الذكاء الاصطناعي لتحقيق الحسابات الآمنة بالتشفير أثناء معالجة الذكاء الاصطناعي، من دون الحاجة لفك التشفير. يعزز هذا بيئة الذكاء الاصطناعي اللامركزية وحماية الخصوصية، مدمجًا بسلاسة بين الأمان بالتشفير ووظائف الذكاء الاصطناعي. هذا النهج ليس فقط يحمي سرية البيانات، بل يحقق أيضًا بيئة لامركزية بدون الحاجة للثقة، حيث يمكن لعمليات الذكاء الاصطناعي أن تتم دون الاعتماد على سلطة مركزية أو تعريض المعلومات الحساسة، مما يجمع بشكل فعّال بين قوة التشفير ومتطلبات نظام الذكاء الاصطناعي.
في مجال العملات الرقمية （FHE）、الذكاء الاصطناعي (AI) والتشفير领域前沿运营的公司数量仍然有限。这主要是因为有效实施 FHE 需要巨大的计算开销،要求强大的处理能力以高效执行التشفير计算。
خاتمة
التشفير المتماثل الكامل (FHE) يوفر وسيلة واعدة لتعزيز الخصوصية في الذكاء الاصطناعي من خلال السماح بإجراء الحسابات على البيانات المشفرة دون فك تشفيرها. تعتبر هذه القدرة قيمة بشكل خاص في المجالات الحساسة مثل الرعاية الصحية والتمويل حيث تكون الخصوصية البيانات أمرًا بالغ الأهمية. ومع ذلك، يواجه FHE تحديات كبيرة بما في ذلك تكاليف الحساب العالية والقيود في العمليات غير الخطية الضرورية لتعلم العمق. على الرغم من وجود هذه العقبات، فإن تطور الخوارزميات وتسريع الأجهزة لـ FHE يفتح الطريق لتطبيقات أكثر فعالية في الذكاء الاصطناعي. من المتوقع أن يسهم التطور المستمر في هذا المجال بشكل كبير في تعزيز خدمات الذكاء الاصطناعي الآمنة وحماية الخصوصية، مع تحقيق توازن بين كفاءة الحساب وحماية البيانات القوية.
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
لماذا يُقال إن التشفير المتماثل الكامل (FHE) هو الكأس المقدس التالي للذكاء الاصطناعي؟
المؤلف الأصلي: أدفايت (ليو) جايانت
ترجمة: LlamaC
"توصية: يُعتبر التشفير المتماثل الكامل (FHE) غالبًا ما يشار إليه على أنه كأس الهوليجرافيا ، ويستكشف هذا المقال آفاق تطبيق FHE في مجال الذكاء الاصطناعي ، ويشير إلى القيود التي تواجهها حاليًا ، ويقدم قائمة ببعض المشاريع التي تعمل على استخدام FHE في مجال التشفير لتطبيقات الذكاء الاصطناعي ، من أجل محبي الأصول الرقمية ، يمكنهم الحصول على فهم عميق للتشفير المتماثل الكامل من خلال هذا المقال ، استمتع!"
النص الرئيسي👇
A يأمل الحصول على توصيات شخصية عالية على Netflix و Amazon. B لا يرغب في أن يعرف Netflix أو Amazon تفضيلاتهم.
في عصر الرقمية الحالي، نحن نستمتع براحة الاستخدام الشخصية التي تقدمها خدمات مثل أمازون ونيتفليكس من خلال التوصيات المخصصة، حيث تلبي هذه التوصيات اهتماماتنا بدقة. ومع ذلك، فإن هذه المنصات التي تغزو حياتنا الشخصية تثير قلقًا متزايدًا. نحن نتوق إلى الاستمتاع بالخدمات المخصصة دون التضحية بالخصوصية. في الماضي، يبدو أن هذا كان مفارقة: كيف يمكن تحقيق التخصيص دون مشاركة كميات كبيرة من البيانات الشخصية مع أنظمة الذكاء الاصطناعي القائمة على السحابة. الالتشفير المتماثل (FHE) يقدم حلاً يسمح لنا بالحصول على كل ما نريد دون التنازل عن الخصوصية.
خدمة الذكاء الاصطناعي كخدمة (AIaaS)
الذكاء الاصطناعي (AI) يلعب اليوم دوراً رئيسياً في التصدي لتحديات معقدة في مجالات متنوعة بما في ذلك رؤية الحاسوب ومعالجة اللغة الطبيعية (NLP) وأنظمة التوصيات. ومع ذلك، فإن تطوير هذه النماذج الذكاء الاصطناعي يشكل تحدياً كبيراً للمستخدمين العاديين:
حجم البيانات: غالبًا ما يتطلب بناء نموذج دقيق مجموعة بيانات ضخمة ، وفي بعض الأحيان يصل حجمها إلى تريليونات البايتات.
القوة الحوسبية: النماذج المعقدة مثل المحول تتطلب قوة حوسبة قوية لعدة عشرات من وحدات المعالجة الرسومية، وعادة ما تعمل بشكل متواصل لعدة أسابيع.
مجال الخبرة: تحتاج هذه النماذج إلى معرفة متخصصة عميقة للتعديل الدقيق.
هذه العقبات تجعل معظم المستخدمين يصعب عليهم تطوير نماذج تعلم الآلة القوية بشكل مستقل.
خط الإنتاج لخدمة الذكاء الاصطناعي في التطبيق الفعلي
نحن الآن في عصر الذكاء الاصطناعي كخدمة (AIaaS)، وهذا النمط يتيح للمستخدمين الوصول إلى نماذج الشبكات العصبية الأحدث عن طريق توفير خدمات سحابية تديرها عمالقة التكنولوجيا (بما في ذلك أعضاء FAANG)، مما يتيح لهم التغلب على هذه العقبات. يتم تحميل البيانات الأولية الخاصة بالمستخدم إلى هذه المنصات، حيث يتم معالجة البيانات وإنتاج نتائج تحليلية ذات رؤية واضحة. يقوم AIaaS بتعميم حق استخدام نماذج التعلم الآلي عالية الجودة بشكل فعال، ويتيح للمستخدمين الوصول إلى أدوات AI المتقدمة بشكل أوسع. ومع ذلك، يؤدي AIaaS الحالي إلى التضحية بخصوصية المستخدمين مقابل هذه الراحة.
الخصوصية في بيانات خدمات الذكاء الاصطناعي
حالياً، يتم تشفير البيانات فقط أثناء عملية النقل من العميل إلى الخادم. يمكن للخادم الوصول إلى البيانات الواردة والتنبؤات المبنية على هذه البيانات.
في عملية AI كخدمة، يمكن للخادم الوصول إلى البيانات المدخلة والمخرجة. تجعل هذه الحالة مشاركة المستخدمين العاديين للمعلومات الحساسة (مثل البيانات الطبية والمالية) معقدة. تزيد التشريعات مثل GDPR و CCPA هذه المخاوف، لأنها تتطلب موافقة صريحة من المستخدمين قبل مشاركة البيانات وتضمن أن المستخدمين لديهم الحق في معرفة كيفية استخدام بياناتهم. يحدد GDPR أيضًا تشفير البيانات وحمايتها أثناء عملية النقل. تضع هذه التشريعات معايير صارمة لضمان خصوصية وحقوق المستخدمين وتشجع على الشفافية والتحكم الواضح في المعلومات الشخصية. نظرًا لهذه المتطلبات، يجب علينا تطوير آليات خصوصية قوية في عملية AI كخدمة (AIaaS) للحفاظ على الثقة والامتثال.
حل مشكلة FHE
من خلال تشفير a و b ، يمكننا ضمان سرية البيانات المدخلة.
التشفير المتماثل الكامل (FHE) يوفر حلاً لمسألة خصوصية البيانات المرتبطة في الحوسبة السحابية. تدعم حلول FHE عمليات مثل الجمع والضرب للنص المشفر. المفهوم بسيط: مجموع قيمة التشفيرين يساوي نتيجة التشفير لمجموع القيمتين، والضرب أيضًا.
في العملية الفعلية، يعمل المبدأ كما يلي: يقوم المستخدم بإجراء عملية جمع عادية للقيمة𝑎 و𝑏 محليًا. ثم يقوم المستخدم بتشفير 𝑎 و𝑏 وإرسال النص المشفر إلى خادم السحابة. يمكن للخادم تنفيذ عملية الجمع (بشكل هومومورفي) على القيم المشفرة وإرجاع النتيجة. سيكون النتيجة المستخلصة من فك التشفير في الخادم متطابقة مع نتيجة الجمع العادية لـ𝑎 و𝑏 المحليين. يضمن هذا العملية سرية البيانات ويسمح بالحساب في السحابة.
شبكة الأعصاب العميقة (DNN) المبنية على التشفير الكامل الهومومورفي
بالإضافة إلى العمليات الأساسية للجمع والضرب، فقد حققت تقنية معالجة الشبكات العصبية باستخدام التشفير المتماثل الكامل (FHE) تقدمًا كبيرًا في سياق خدمة الذكاء الاصطناعي. في هذا السياق، يمكن للمستخدمين تشفير البيانات الأصلية إلى النص المشفر ونقل هذه البيانات المشفرة فقط إلى الخوادم السحابية. بعد ذلك، تقوم الخوادم بالحساب المشفر لهذه النصوص وتوليد البيانات المشفرة وإعادتها إلى المستخدمين. الأمر الرئيسي هو أنه يمكن للمستخدمين فقط الوصول إلى النتائج بفك تشفيرها وذلك من خلال امتلاك المفتاح الخاص، مما يؤمن تدفق بيانات التشفير FHE من النهاية إلى النهاية ويضمن سرية بيانات المستخدم خلال العملية بأكملها.
الشبكات العصبية القائمة على التشفير الكلي الهومومورفي توفر مرونة كبيرة للمستخدمين في خدمات AI. بمجرد إرسال النص المشفر إلى الخادم ، يمكن للمستخدم العمل دون اتصال ، لأن التواصل المتكرر بين العميل والخادم غير ضروري. هذه الميزة مفيدة بشكل خاص لأجهزة IoT ، التي تعمل عادةً في ظروف محدودة وغالبًا ما يكون التواصل المتكرر غير عملي.
ومع ذلك، يجدر بالذكر أن التشفير المتماثل بالكامل (FHE) له قيود ملحوظة. إنه يتطلب تكاليف حسابية هائلة؛ وتقتضي الخطة الأساسية لـ FHE وقتًا وتعقيدًا وكثافة موارد. بالإضافة إلى ذلك، فإن FHE يصعب حاليًا دعم العمليات غير الخطية بشكل فعال، وهذا يشكل تحديًا لتنفيذ الشبكات العصبية. يمكن أن تؤثر هذه القيود على دقة الشبكات العصبية المبنية على FHE، لأن العمليات غير الخطية أمر بالغ الأهمية لأداء هذا النوع من النماذج.
تم نشر "تطبيق شبكات الأعصاب المحسَّنة للخصوصية بناءً على التشفير المتماثل الفعال في AI كخدمة" من قبل K.-Y. Lam و X. Lu و L. Zhang و X. Wang و H. Wang و S. Q. Goh في جامعة نانيانج للعلوم والتكنولوجيا (سنغافورة) والأكاديمية الصينية للعلوم (الصين).
(وصف Lam et al.، 2024) بروتوكولًا لتعزيز الخصوصية لخدمة الذكاء الاصطناعي. يقوم هذا البروتوكول أولاً بتحديد معلمات الطبقة الداخلية باستخدام تعلم الأخطاء المتشابكة (LWE). LWE هو نوع من بروتوكولات الالتشفير التي تستخدم الالتشفير لحماية البيانات مما يجعل من الممكن إجراء عمليات الحساب على البيانات المشفرة دون الحاجة إلى فك تشفيرها أولاً. أما بالنسبة للطبقة الناتجة المخفية، فإن المعلمات يتم تعريفها باستخدام RLWE (رينج LWE) و RGSW (رينج GSW)، وهما تقنيتان متقدمتان في الالتشفير توسع LWE لتحقيق عمليات الالتشفير الأكثر كفاءة.
تشمل المعلمات العامة تجزئة الأساس 𝐵 و𝐵𝐾𝑆. بالنسبة لمتجه الإدخال 𝑥 بطول 𝑁 ، يتم إنشاء مجموعة من النصوص المشفرة LWE (𝑎𝑖,𝑏𝑖) لكل عنصر 𝑥[𝑖] باستخدام مفتاح LWE الخاص 𝑠 ، وتقييم المفتاح السري المتعلق بـ 𝑠 يتم إنشاؤه للفهرس حيث 𝑥[𝑖] > 0 و𝑥[𝑖] < 0. بالإضافة إلى ذلك ، تم تعيين مجموعة من مفاتيح LWE التبديل لـ 𝐵. هذه المفاتيح السرية تدعم التبديل الفعال بين حلول التشفير المختلفة.
الطبقة الإدخال محددة كالطبقة 0، والطبقة الإخراج كالطبقة 𝐿. بالنسبة لكل طبقة 𝑙 من 1 إلى 𝐿، يتم تحديد عدد الخلايا العصبية بكمية 𝐻𝑙 في الطبقة 0. تعرف مصفوفة الوزن 𝑊𝑙 ومتجه الإزاحة 𝛽𝑙 من الطبقة 0 ويتم تراكمها في الطبقة 0. تُقدر تقييم البيانات المشفرة في LWE من الطبقة 𝑙−1 لكل خلية عصبية ℎ من 0 إلى 𝐻𝑙−1 تحت التشفير المتماثل. هذا يعني أن الحساب يتم على البيانات المشفرة لحساب الوظيفة الخطية في ℎ. يجمع كل خلية عصبية في الطبقة 𝑙 بين مصفوفة الوزن ومتجه الإزاحة. بعد ذلك، تُقدر جدول البحث (LUT) في ℎ. يتم بعد ذلك تنفيذ العمليات على الخلايا العصبية -th، والتبديل من 𝑛′ إلى 𝑛 الأصغر ثم تقريب وإعادة تغيير المقياس للنتيجة. يتم تضمين النتيجة في مجموعة البيانات المشفرة LWE للطبقة 𝑙.
最后，البروتوكول سيقوم بإعادة النص المشفر LWE إلى المستخدم. يمكن للمستخدم بعد ذلك استخدام المفتاح الخاص 𝑠 لفك تشفير جميع النصوص المشفرة. البحث عن نتائج الاستدلال.
هذا البروتوكول يحقق بشكل فعال الاستنتاج العصبي للخصوصية عن طريق استخدام تقنية التشفير المتماثل بالكامل (FHE). FHE يسمح بالقيام بالحسابات على البيانات المشفرة دون كشف البيانات نفسها لخادم المعالجة، مما يضمن خصوصية البيانات وفي الوقت نفسه يوفر مزايا الذكاء الاصطناعي كخدمة.
تطبيقات التشفير المتماثل في الذكاء الاصطناعي
يجعل FHE (التشفير المتماثل بالكامل) الحساب الآمن على البيانات المشفرة ممكنًا، مما يفتح العديد من سيناريوهات التطبيق الجديدة وفي نفس الوقت يضمن سرية البيانات وأمانها.
خصوصية مستهلكي الإعلانات: (أرمكنيخت وآخرون، 2013) قدم نظام توصيات مبتكر يستخدم التشفير المتماثل بالكامل (FHE). يمكن لهذا النظام توفير توصيات شخصية للمستخدمين وفي الوقت نفسه ضمان سرية تامة لهذه التوصيات بالنسبة للنظام نفسه. وهذا يضمن سرية معلومات تفضيلات المستخدم ويحل بشكل فعال مشكلة الخصوصية الكبيرة في الإعلانات الموجهة.
تطبيقات الرعاية الصحية: (Naehrig et al. ، 2011) قدمت خطة ملفتة للنظر لصناعة الرعاية الصحية. اقترحوا استخدام التشفير المتماثل الكامل لتحميل بيانات المرضى بتشفير مستمر إلى مزود الخدمة. تضمن هذه الممارسة سرية المعلومات الطبية الحساسة طوال دورة حياتها ، مما يعزز حماية خصوصية المرضى ويتيح للمؤسسات الطبية معالجة البيانات وتحليلها بسلاسة.
تنقيب البيانات: يمكن أن يؤدي تنقيب مجموعات البيانات الكبيرة إلى رؤى هامة، ولكن غالبًا ما يكون ذلك على حساب خصوصية المستخدم. (Yang, Zhong, و Wright, 2006) تم حل هذه المشكلة من خلال تطبيق الالتشفير المتماثل (FHE) للوظائف في هذا السياق. يجعل هذا النهج من الممكن استخراج معلومات قيمة من مجموعات البيانات الضخمة دون المساس بأمانية خصوصية الأفراد الذين يتم تنقيب بياناتهم.
الخصوصية المالية: تخيل سيناريو، حيث تمتلك شركة بيانات حساسة وخوارزمية ملكية، ويجب أن تبقى سرية. يوصي (Naehrig et al.، 2011) باستخدام التشفير المتماثل لحل هذه المشكلة. عن طريق تطبيق التشفير المتماثل الكامل (FHE)، يمكن للشركة إجراء الحسابات اللازمة على البيانات المشفرة دون الكشف عن البيانات أو الخوارزمية، مما يضمن حماية الخصوصية المالية والملكية الفكرية.
تعرف الصور الطبية: (Bosch وآخرون ، 2014) على طريقة لتعرف الصور الطبية باستخدام التشفير المتماثل بالكامل (FHE). هذه التقنية مفيدة بشكل خاص للجهات الإنفاذ. من خلال تطبيق FHE ، يمكن للشرطة والجهات الأخرى اكتشاف الصور غير القانونية على الأقراص الصلبة دون كشف محتوى الصورة ، مما يحمي سلامة البيانات والسرية في التحقيق.
من الإعلانات والرعاية الصحية إلى التنقيب عن البيانات والأمن المالي والإنفاذ القانوني، من المتوقع أن يغير الكشف المتكامل تمامًا الطريقة التي نتعامل بها في جميع المجالات مع المعلومات الحساسة. مع تطور وتحسين هذه التقنيات بشكل مستمر ، فإن أهمية حماية الخصوصية والأمان في عالم مدفوع بالبيانات لا يمكن التأكيد عليها بما فيه الكفاية.
القيود على التشفير المتماثل الكامل (FHE)
على الرغم من الإمكانات ، لا يزال علينا التغلب على بعض القيود الرئيسية
التشفير والذكاء الاصطناعي في سياق الالتشفير المتماثل
وفيما يلي بعض الشركات المكرسة لتطبيقات الذكاء الاصطناعي باستخدام التشفير المتماثل بالكامل في مجال التشفير:
في مجال العملات الرقمية （FHE）、الذكاء الاصطناعي (AI) والتشفير领域前沿运营的公司数量仍然有限。这主要是因为有效实施 FHE 需要巨大的计算开销،要求强大的处理能力以高效执行التشفير计算。
خاتمة
التشفير المتماثل الكامل (FHE) يوفر وسيلة واعدة لتعزيز الخصوصية في الذكاء الاصطناعي من خلال السماح بإجراء الحسابات على البيانات المشفرة دون فك تشفيرها. تعتبر هذه القدرة قيمة بشكل خاص في المجالات الحساسة مثل الرعاية الصحية والتمويل حيث تكون الخصوصية البيانات أمرًا بالغ الأهمية. ومع ذلك، يواجه FHE تحديات كبيرة بما في ذلك تكاليف الحساب العالية والقيود في العمليات غير الخطية الضرورية لتعلم العمق. على الرغم من وجود هذه العقبات، فإن تطور الخوارزميات وتسريع الأجهزة لـ FHE يفتح الطريق لتطبيقات أكثر فعالية في الذكاء الاصطناعي. من المتوقع أن يسهم التطور المستمر في هذا المجال بشكل كبير في تعزيز خدمات الذكاء الاصطناعي الآمنة وحماية الخصوصية، مع تحقيق توازن بين كفاءة الحساب وحماية البيانات القوية.