يفتح التشفير المتماثل بالكامل FHE، الذي أشاد به بوتيرين، إمكانات تطبيقه باللغة العامية

مقدمة

مقدمة إلى التشفير المتماثل بالكامل (FHE): اكتشف تطبيقاتها المثيرة وقيودها وآخر التطورات التي تزيد شعبيتها.

عندما سمعت (مصطفى) لأول مرة عن "التشفير المتماثل بالكامل" (FHE)، فكرت في مجال blockchain للميل إلى إعطاء وقت طويل أسماء للمفاهيم الشعبية. على مر السنين، واجهنا العديد من الكلمات الطنانة التي أحدثت ضجة كبيرة في الصناعة، وآخرها "إثباتات المعرفة الصفرية" (ZKP).

بعد إجراء بعض الأبحاث واستكشاف بعض الشركات الجديدة التي تصنع منتجات باستخدام FHE، لاحظت وجود أفق مليء بالأدوات الجديدة الرائعة. في الأشهر والسنوات المقبلة، قد تصبح FHE التكنولوجيا الكبيرة التالية التي ستغزو الصناعة، تمامًا مثل ZKP. تستفيد الشركات من أحدث التطورات في مجال التشفير والحوسبة السحابية لتمهيد الطريق نحو مستقبل قوي لخصوصية البيانات. السؤال ليس ما إذا كان بإمكاننا الوصول إلى هناك، ولكن متى، وأعتقد أن FHE يمكن أن تكون حافزًا رئيسيًا في دفع خصوصية البيانات وملكيتها إلى الأمام.

"FHE هو الكأس المقدسة للتشفير. وبمرور الوقت، ستعيد FHE تشكيل نسيج جميع الحوسبة، سواء web2 أو web3."

ما هو التماثل

التماثل (التماثل) دعونا نفهم أولاً مصطلح "التماثل" معنى الكلمة "ولاية". تتبع جذورها، تنشأ التماثلات في الرياضيات ويتم تعريفها على أنها تعيينات بين بنيتين جبريتين من نفس النوع تحتفظان بمكون أساسي بينهما.

إذا كنت مثلي وتفضل التعريف العملي، فإن الرياضيات وراء ذلك هي أن المجموعتين لا تحتاجان إلى أن تكونا متطابقتين للحصول على نفس السمات الأساسية . على سبيل المثال، تخيل صندوقين يحتويان على فاكهة، كل صندوق يتوافق مع مجموعة مختلفة:

• Box أ تحتوي على ثمار صغيرة الحجم.

• الصندوق B يحتوي على فواكه كبيرة.

على الرغم من اختلاف أحجام الفاكهة الفردية، فإن عصر التفاح الصغير والبرتقال معًا في الصندوق "أ" ينتج نفس العصير الذي ينتج عن عصر التفاح والبرتقال الكبير في الصندوق "ب". اعصرهما معًا للحصول على نفس طعم العصير المخلوط. إن عصر العصير لإنتاج نفس النكهة يشبه الحفاظ على مكون أساسي بين صندوقين. على افتراض أن نفس النكهة هي تركيزنا الرئيسي، فلا يهم أي علبة نعصر العصير منها لأن كمية العصير ليست هي محور تركيزنا. من النواحي المهمة (الذوق

تاو) فإن المجموعتين متكافئتان، لذا فإن الاختلافات بينهما (الحجم والكمية) لا تؤثر علينا وتتحدد وظيفتهما الرئيسية ، وهو إنتاج نكهة محددة للعصير.

قياسًا على التجانس، نلتقط خاصيتين رئيسيتين:

رسم الخرائط: نحن ننشئ الروابط بين الفواكه، حيث تتوافق كل فاكهة صغيرة في المربع (أ) مع نسخة أكبر في المربع (ب). لذلك،

التفاحة الصغيرة في المربع A تتوافق مع التفاحة الكبيرة في المربع B، وهكذا.

تستمر العملية: إذا كان ضغط ثمرتين صغيرتين في الصندوق "أ" ينتج نكهة معينة، فإن عصر نسختيهما الأكبر حجمًا في الصندوق "ب" يجب أن ينتج أيضًا نفس النكهة. على الرغم من اختلاف حجم وكمية العصير الذي يتم الحصول عليه، يتم الحفاظ على "النكهة".

‍

ما هو التشفير المتماثل بالكامل

لربط ذلك بالموضوع الرئيسي لهذه المقالة، يعد التشفير المتماثل بالكامل (FHE) طريقة محددة لتشفير البيانات تمكن الشخص من إجراء عمليات حسابية على البيانات المشفرة دون الكشف عن البيانات الأصلية. من الناحية النظرية، يجب أن تؤدي التحليلات والحسابات التي يتم إجراؤها على البيانات المشفرة إلى نفس النتائج التي يتم إجراؤها على البيانات الأصلية. باستخدام FHE، نقوم بإنشاء اتصال واحد لواحد بين البيانات الموجودة في مجموعة البيانات المشفرة والبيانات الموجودة في مجموعة البيانات الأصلية. في هذه الحالة، المكون الأساسي الذي يتم الاحتفاظ به هو القدرة على إجراء أي عملية حسابية على البيانات في أي من مجموعتي البيانات وتحقيق نفس النتيجة.

وفي هذا الصدد، اتخذت العديد من الشركات احتياطات لحماية بيانات المستخدم والحفاظ على الخصوصية التفاضلية. نادرًا ما تقوم الشركات بتخزين البيانات الأولية غير المشفرة في السحابة أو في قواعد بياناتها. لذا، حتى إذا سيطر أحد المهاجمين على خوادم الشركة، فسيظل بحاجة إلى تجاوز التشفير لقراءة البيانات والوصول إليها. ومع ذلك، فإنه ليس من المثير للاهتمام أن يتم تشفير البيانات ببساطة وعدم استخدامها. عندما ترغب الشركات في تحليل البيانات للحصول على رؤى قيمة، فليس أمامها خيار سوى فك تشفير البيانات للقيام بذلك. عندما يتم فك تشفير البيانات، تصبح عرضة للخطر. ومع ذلك، مع التشفير الشامل، تصبح FHE مفيدة جدًا لأننا لم نعد بحاجة إلى فك تشفير البيانات لتحليلها، وهذا مجرد غيض من فيض من الاحتمالات

أحد الاعتبارات الرئيسية هو ما إذا كان ينبغي السماح للشركات بقراءة معلوماتنا الشخصية وتخزينها في المقام الأول. الرد المعتاد من الكثيرين هو أن الشركات تحتاج إلى رؤية بياناتنا حتى تتمكن من خدمتنا بشكل أفضل.

إذا لم يقم YouTube بتخزين بيانات مثل سجل المشاهدة والبحث، فلن تتمكن الخوارزمية من الوصول إلى إمكاناتها الكاملة وإظهار مقاطع الفيديو التي تهمني. ونتيجة لذلك، يعتقد الكثيرون أن المقايضة بين خصوصية البيانات والوصول إلى خدمات أفضل أمر يستحق العناء. ومع ذلك، مع FHE، لم نعد بحاجة إلى إجراء هذه المقايضة. يمكن لشركات مثل YouTube تدريب خوارزمياتها على البيانات المشفرة وإنتاج نفس النتائج للمستخدمين النهائيين دون انتهاك خصوصية البيانات. على وجه التحديد، يمكنهم تشفير المعلومات بشكل متماثل مثل سجل المشاهدة والبحث الخاص بي، وتحليلها دون النظر إليها، ثم عرض مقاطع الفيديو التي تهمني بناءً على التحليل.

تعد FHE خطوة مهمة نحو بناء مستقبل حيث لم تعد بياناتنا سلعة قيمة نقدمها للمؤسسات مجانًا.

تطبيق التشفير المتماثل بالكامل

التشفير المتماثل بالكامل (FHE)، إذا تم تطبيقه بشكل صحيح، سيتم اختراق جميع بيانات المستخدم المخزنة في الصناعة. نحن ننظر إلى تقنية يمكنها تغيير موقفنا بالكامل تجاه خصوصية البيانات وحدود التطفل المقبول من قبل الشركات.

دعونا نستكشف أولاً كيف يمكن لـ FHE تحويل ممارسات البيانات في الصناعة الطبية. تحتفظ العديد من المستشفيات بسجلات خاصة للمرضى في قواعد بياناتها، والتي يجب أن تظل سرية لأسباب أخلاقية وقانونية. ومع ذلك، فإن هذه المعلومات ذات قيمة كبيرة للباحثين الطبيين الخارجيين، الذين يمكنهم تحليل البيانات لاستخلاص رؤى مهمة حول الأمراض والعلاجات المحتملة. من العوائق الرئيسية التي تعوق تقدم الأبحاث

الحفاظ على السرية الكاملة لبيانات المرضى عند الاستعانة بمصادر خارجية للبيانات للباحثين. هناك العديد من الطرق لإخفاء هوية سجلات المرضى أو إخفاء هويتها بشكل زائف، ولكن هذه الطرق ليست مثالية وقد تكشف إما عن الكثير من المعلومات حول شخص ما لتجعل من الممكن التعرف عليه، أو قد لا تكشف عن معلومات كافية حول حالة ما لتجعل من الصعب الحصول عليها معلومات دقيقة عن الأمراض.

باستخدام FHE، يمكن للمستشفيات تشفير بيانات المرضى بشكل متماثل، مما يسهل حماية خصوصية المريض في السحابة. يمكن للباحثين الطبيين إجراء الحسابات وتشغيل الوظائف التحليلية على البيانات المشفرة دون المساس بخصوصية المريض. نظرًا لوجود تعيين واحد لواحد بين البيانات المشفرة والبيانات الأصلية، فإن النتائج التي تم الحصول عليها من مجموعة البيانات المشفرة توفر رؤى حقيقية يمكن تطبيقها على الحالات الحقيقية. يمكن لـ FHE دفع التقدم بسرعة في الصناعة الطبية.

التشفير المتماثل بالكامل (

FHE) هناك تطبيق آخر مثير في تدريب الذكاء الاصطناعي (AI) يستحق الاهتمام أيضًا. يواجه مجال الذكاء الاصطناعي حاليًا مخاوف تتعلق بالخصوصية تمنع الشركات من الوصول إلى مجموعات كبيرة وشاملة من البيانات التي تعتبر بالغة الأهمية لتحسين خوارزميات الذكاء الاصطناعي

‍‍

القدرة. يجب على الشركات التي تدرب الذكاء الاصطناعي أن تقرر بين استخدام مجموعات بيانات عامة محدودة، أو دفع مبالغ كبيرة مقابل مجموعات البيانات الخاصة، أو إنشاء مجموعات بيانات

‍‍الاختيار، الأخير

يمثل الخيار الأخير تحديًا خاصًا للشركات الصغيرة التي لديها عدد أقل من المستخدمين. يجب أن تكون FHE قادرة على معالجة مخاوف الخصوصية التي تمنع العديد من موفري مجموعات البيانات من دخول هذا السوق. ولذلك، من المرجح أن تؤدي التحسينات في FHE إلى زيادة في عدد مجموعات البيانات المتاحة للتدريب.

I. وهذا من شأنه أن يجعل التدريب على الذكاء الاصطناعي أكثر فعالية من حيث التكلفة وأكثر دقة، نظرا للتنوع المتزايد لمجموعات البيانات المتاحة.

‍‍‍

باستخدام FHE، يمكن للشركات تشفير البيانات دون تسريب البيانات الأصلية تستخدم للتدريب على نموذج التعلم الآلي. وهذا يعني أن مالكي البيانات يمكنهم مشاركة بياناتهم المشفرة بأمان دون القلق بشأن انتهاكات الخصوصية أو إساءة استخدام البيانات. وفي الوقت نفسه، يمكن لمدربي نماذج الذكاء الاصطناعي تحسين خوارزمياتهم من خلال الاستفادة من مجموعات البيانات الأكثر تنوعًا وشمولاً والتي قد لا تكون متاحة بدون FHE. ولذلك، فإن التشفير المتماثل بالكامل لا يعمل على تحسين أمن البيانات فحسب، بل يوسع أيضًا إمكانيات البحث والتطوير في مجال الذكاء الاصطناعي، مما يجعل تطبيق تكنولوجيا الذكاء الاصطناعي أكثر شمولاً وكفاءة.

العيوب السابقة للتشفير المتماثل بالكامل

على الرغم من أن التشفير المتماثل بالكامل (FHE) يعد بتحويل البيانات الكبيرة المعاصرة، لكن لماذا ألم نر المزيد من التطبيقات العملية؟

على الرغم من أن FHE كانت موضوعًا للمناقشة والبحث لسنوات عديدة، إلا أن الواقع هو أنه من الصعب جدًا تنفيذ FHE عمليًا. يكمن التحدي الأساسي في قوة الحوسبة المطلوبة للأداء

FHE. يمكن لمجموعة البيانات الآمنة تمامًا أن تنتج نتائج تحليلية مماثلة لنموذج البيانات الأصلي الخاص بها. يعد هذا إنجازًا صعبًا يتطلب سرعة وقوة حوسبة كبيرة، والعديد منها غير عملي للتنفيذ على أجهزة الكمبيوتر الموجودة. قد تستغرق العملية التي تستغرق عادةً ثوانٍ على البيانات الأولية ساعات أو حتى أيام على مجموعات البيانات المشفرة بشكل متماثل. ويخلق هذا التحدي الحسابي دورة ذاتية الاستدامة حيث يؤخر العديد من المهندسين تنفيذ مشاريع FHE، وبالتالي إبطاء تطورهم والحد من التحقيق الكامل لفوائدهم.

إحدى المشكلات الحسابية المحددة التي يواجهها مهندسو FHE هي التعامل مع "أخطاء الضوضاء". عند إجراء العمليات الحسابية على مجموعات البيانات المشفرة بشكل متماثل، يواجه العديد من المهندسين مواقف حيث تولد كل عملية حسابية ضوضاء أو أخطاء إضافية. وهذا أمر مقبول عندما لا يلزم سوى عدد قليل من الحسابات، ولكن بعد تحليلات متعددة، يمكن أن تصبح الضوضاء بارزة جدًا بحيث يصبح من الصعب فهم البيانات الأولية. فقدت البيانات تقريبا.

لماذا الآن

تمامًا مثل الذكاء الاصطناعي التوليدي، كان يُعتبر ذات يوم محدودًا وبدائية حتى أصبحت سائدة، فإن التشفير المتماثل بالكامل (FHE) يسير على مسار مماثل من التقدم. لقد اجتمع العديد من قادة الصناعة، حتى أولئك الذين هم خارج مجال blockchain، لتنظيم بحث وتطوير كبير في FHE. وقد أدى ذلك إلى العديد من التطورات الصناعية الحديثة التي دفعت روايات مقنعة عن تقدم هذه التكنولوجيا.

مشروع DPRIVE

في مارس 2021، اتفقت Microsoft وIntel ووكالة مشاريع الأبحاث الدفاعية المتقدمة الأمريكية (DARPA) على إطلاق خطة متعددة السنوات لتسريع تطوير التشفير الحديث (FHE). تمثل هذه المبادرة، التي تسمى حماية البيانات في البيئات الافتراضية (DPRIVE)، تطورًا كبيرًا لـ FHE. إنه يُظهر اثنين من عمالقة الصناعة المتخصصين في الحوسبة السحابية وأجهزة الكمبيوتر يوحدون قواهم لمعالجة المخاوف المتعلقة بخصوصية البيانات. لقد أطلقوا هذا المشروع لبناء أجهزة كمبيوتر وبرامج يمكنها إدارة سرعات حساب FHE ووضع إرشادات للتنفيذ الدقيق لـ FHE لمنع تسرب البيانات الناجم عن الاستخدام غير الصحيح.

كجزء من مبادرة DPRIVE، تم تكليف المهندسين باستكشاف طرق لتقليل الضوضاء مع الحفاظ على نقاءها المهام على مستوى البيانات كوسيلة للتخفيف من "خطأ الضوضاء" المذكور سابقًا. أحد الحلول الواعدة هو تصميم تمثيل بيانات كبير الحجم للكلمات الحسابية (LAWS). بينما تستخدم معالجات الكمبيوتر التقليدية (CPUs) عادةً كلمات 64 بت، يقوم المهندسون بتطوير أجهزة LAWS جديدة يمكنها التعامل مع كلمات 1024 بت أو أكثر. تنجح هذه الطريقة لأن الأبحاث تظهر أن الكلمات الأطول تؤثر بشكل مباشر على نسبة الإشارة إلى الضوضاء. ببساطة، تولد الكلمات الأطول ضوضاء أقل مع كل خطوة حسابية إضافية في FHE، مما يسمح بإجراء المزيد من الحسابات حتى يتم الوصول إلى حد فقدان البيانات. من خلال بناء أجهزة جديدة لمواجهة هذه التحديات، قام المهندسون المشاركون في برنامج DPRIVE بتقليل العبء الحسابي المطلوب لأداء FHE بشكل كبير.

من أجل تسريع العمليات الحسابية والاقتراب من الهدف المتمثل في جعل FHE أسرع بمقدار 100000 مرة، بدأ فريق DPRIVE رحلة مستمرة لتصميم أنظمة معالجة بيانات جديدة تتجاوز قدرات وحدات المعالجة والرسومات التقليدية. لقد طوروا نظامًا جديدًا للتعليمات المتعددة والبيانات المتعددة (MIMD) قادرًا على إدارة تعليمات ومجموعات بيانات متعددة في وقت واحد. إن MIMD يشبه بناء طريق سريع جديد، بدلاً من استخدام الطرق الحالية غير المناسبة لاستيعاب حركة المرور المطلوبة لإجراء حسابات FHE السريعة في الوقت الفعلي.

أحد الجوانب المثيرة للاهتمام في برنامج DPRIVE هو استخدامه المكثف لـ "التوازي" في الحسابات الرياضية الحاسوبية الجنس". وهذا يمكّن المطورين من إجراء عدة حسابات بأعداد كبيرة في وقت واحد. يمكنك التفكير في التوازي على أنه نشر مجموعة من علماء الرياضيات في وقت واحد للعمل على أجزاء مختلفة من مشكلة رياضية عملاقة، بدلاً من جعلهم يكملون وظائفهم واحدًا تلو الآخر. على الرغم من أن إجراء حسابات متعددة في وقت واحد يمكن أن يساعد في حل المشكلات بسرعة، إلا أنه يجب تبريد أجهزة الكمبيوتر بالهواء لمنع ارتفاع درجة الحرارة.

في سبتمبر 2022، بعد مرور أكثر من عام ونصف على إطلاق البرنامج، مايكروسوفت وإنتل وأعلنت DARPA أنها أكملت بنجاح المرحلة الأولى من برنامج DPRIVE. وهم حاليًا في المرحلة الثانية من DPRIVE.

SDK والمكتبات مفتوحة المصدر

مع ريادة العديد من الشركات الكبيرة في التشفير المتماثل بالكامل (FHE)، زاد عدد مجموعات تطوير البرامج (SDKs) المتاحة والمكتبات مفتوحة المصدر، مما يسمح للمطورين بالبناء على عمل بعضهم البعض.

أعلنت Microsoft عن إطلاق Microsoft Seal، وهي مكتبة مفتوحة المصدر توفر للمطورين بيانات داخلية أدوات لإجراء التشفير المتماثل على المجموعة. يتيح ذلك لمجموعة واسعة من المطورين استكشاف FHE، مما يضفي طابعًا ديمقراطيًا على الوصول إلى خدمات التشفير والحوسبة الشاملة. توفر المكتبة أمثلة على إجراءات التشفير المتماثل مع تعليقات مفصلة لتوجيه المطورين للاستخدام الصحيح والآمن.

أطلقت Intel أيضًا مجموعة أدوات التشفير المتماثل الخاصة بها لتزويد المطورين بأدوات للتشفير المتماثل في سحابة بشكل أسرع. صممت Intel مجموعة الأدوات هذه لتظل مرنة وتضمن التوافق مع أحدث التطورات في معالجة البيانات والحوسبة. ويتضمن وظائف مصممة خصيصًا للتشفير الشبكي، والتكامل التشغيلي السلس مع Microsoft Seal، وعينات من أنظمة التشفير المتماثلة، والوثائق الفنية لتوجيه المستخدمين.

مكتبة Google الخاصة مفتوحة المصدر للانضمام والحوسبة توفر للمطورين أدوات حوسبة متعددة الأطراف (MPC) . يسمح هذا النهج الحسابي للأطراف بدمج مجموعات البيانات المتباينة الخاصة بها للحصول على رؤى مشتركة دون تعريض البيانات الأولية لبعضها البعض. يجمع برنامج Private Join and Compute بين تقنية التشفير من FHE وتقاطع المجموعة الخاصة (PSI) لتحسين ممارسات سرية البيانات. PSI هي طريقة تشفير أخرى تسمح للأطراف التي لديها مجموعات بيانات مختلفة بتحديد العناصر المشتركة أو نقاط البيانات دون الكشف عن بياناتها. لا يركز نهج Google في تعزيز خصوصية البيانات على FHE فحسب، بل يعطي الأولوية لمفاهيم MPC الأوسع من خلال دمج FHE مع ممارسات البيانات المؤثرة الأخرى.

من الجدير بالذكر أن توفر المكتبات مفتوحة المصدر ذات السمعة الطيبة لـ FHE آخذ في الارتفاع. ومع ذلك، يصبح هذا الأمر أكثر إثارة للدهشة عندما نلاحظ قيام شركات رفيعة المستوى بتجربة هذه المكتبات في عملياتها. في أبريل 2021، قامت ناسداك، وهي كيان تكنولوجي عالمي معروف في البورصات وأسواق رأس المال، بدمج FHE في عملياتها. تستفيد ناسداك من أدوات FHE من Intel والمعالجات عالية السرعة لمكافحة الجرائم المالية من خلال جهود مكافحة غسيل الأموال واكتشاف الاحتيال. يتم تحقيق ذلك عن طريق استخدام التشفير المتماثل لتحديد الرؤى القيمة والأنشطة غير القانونية المحتملة في مجموعات البيانات التي تحتوي على معلومات حساسة.

زيادة رأس المال الأخيرة