Multi-Party Computation (MPC) ir tehnoloģija, kas nodrošina drošu datu apstrādi un koplietošanu starp vairākām pusēm, nevienai pusei nepiekļūstot pilnam datu kopumam.
Šis izkliedētās skaitļošanas veids pēdējos gados ir kļuvis arvien populārāks, jo tā lietderība ietver drošu aprēķinu veikšanu, izmantojot personu identificējošu informāciju (PII), dalībniekiem nepiekļūstot neapstrādātiem datiem. Lai nodrošinātu, ka nevienam dalībniekam nav piekļuves visiem datiem, kriptologi ir izstrādājuši dažādus protokolus, kas ļauj pusēm sadalīt un koplietot šifrētus datus savā starpā.
Kas ir daudzpartiju aprēķins?
MPC pamatā ir tehnoloģija, kas ļauj vairākām pusēm aprēķināt datus, nevienai pusei nepiekļūstot neapstrādātajiem datiem. Viņi to panāca, sadalot datus gabalos un šifrējot tos, lai neviens dalībnieks nevarētu tos atšifrēt pats.
MPC galvenā sastāvdaļa ir tā, ka tā ļauj aprēķināt šifrētus datus, tāpēc dalībnieki nevar redzēt, ko citas puses veic aprēķinos vai kādus rezultātus viņi gūst no procesa.
MPC vēsture
Daudzpartiju aprēķins (MPC) pirmo reizi izcēlās 1970. gados, kad ķīniešu kriptogrāfijas leģenda Endrjū Jao izveidoja Garbled Circuits Protocol, kas ļāva divām pusēm aprēķināt datus, neatklājot savus ievades datus. Viņa miljonāru problēma sniedza vienkāršu MPC divpartiju sistēmas piemēru.
1987. gadā tika izveidots GMW (Goldreich–Micali–Wigderson) protokols, kas ļāva izveidot patiesi daudzpartiju platformas, un 2008. gadā MPC debitēja reālajā pasaulē Dānijas cukurbiešu slēgtā izsolē, kas saglabāja visu solītāju privātumu. iesaistīti. Tas iezīmēja sākumu revolucionāri jaunam veidam, kā veikt drošus digitālos darījumus ar vairākiem dalībniekiem.
Kā darbojas daudzpartiju aprēķins?
MPC izmanto kriptogrāfijas metodes, piemēram, slepenu koplietošanu un homomorfu šifrēšanu, lai sadalītu un koplietotu šifrētus datu gabalus starp vairākām pusēm. Slepenā koplietošana ietver informācijas daļas sadalīšanu vairākos komponentos, katrai pusei saņemot tikai vienu daļu, kas nozīmē, ka nevienai no tām nav piekļuves visiem datiem. Homomorfā šifrēšana tiek izmantota, lai iespējotu šifrētu datu aprēķinus, kas nozīmē, ka tie neatklāj sensitīvu informāciju vienkārša teksta formātā.
Piemērs, lai ilustrētu, kā darbojas vairāku partiju aprēķins
Pieņemsim, ka trīs uzņēmumi — A, B un C vēlas sadarboties kādā projektā, taču neuzticas viens otram pietiekami, lai kopīgotu savus sensitīvos datus. Izmantojot MPC risinājumus, viņi var droši sadalīt datus savā starpā un veikt to aprēķinus, nevienam no tiem nevarot piekļūt neapstrādātajai informācijai.
Pirmkārt, A, B un C izmantos slepenus koplietošanas algoritmus, lai sadalītu savus datus vairākos komponentos. Katrs uzņēmums pēc tam šifrēs šos gabalus, izmantojot homomorfus šifrēšanas algoritmus, un nosūtīs tos pārējiem diviem dalībniekiem. Tagad visas trīs puses ir šifrējušas viena no otras datu gabalus, taču neviena no tām nevar tos atšifrēt viena pati un piekļūt pilnam informācijas kopumam.
Pēc tam A, B un C var veikt šifrēto datu aprēķinus, nekad tos neatšifrējot. Tas nozīmē, ka katrs dalībnieks var redzēt tikai savu ieguldījumu, vienlaikus varot sadarboties projektā. Visbeidzot, tā kā nevienam no šiem dalībniekiem nav piekļuves vienam otra neapstrādātiem datiem, viņi var būt pārliecināti, ka viņu pašu informācija ir drošībā.
Kāpēc MPC sauc par privātumu saglabājošu aprēķinu?
Dati ir neaizstājams rīks mūsdienu pasaulē, un daudzi no pasaulē visrevolucionārākajiem un progresīvākajiem sasniegumiem ir tieši izsekojami. Taču datu koplietošana pārāk bieži rada neaprēķināmus privātuma pārkāpumu vai pat kontroles zaudēšanas riskus.
Multi-Party Computation (MPC) piedāvā radošu risinājumu šai problēmai, palīdzot radīt jaunu tiešsaistes atmosfēru, kurā puses var piekļūt noteikta veida datiem, neapdraudot citu personu vai savas informācijas drošību.
MPC izmanto drošus algoritmus, kas neatklāj nekādus datus, izņemot rezultātus, kas nozīmē, ka puses var pieņemt svarīgus lēmumus, neatklājot personas datus un nepārkāpjot citu personu tiesības uz privātumu. Šī tehnoloģija varētu revolucionizēt datu drošību, kā mēs to zinām, un pavērt ceļu drošai nākotnei, kas piepildīta ar iespējām, kas izriet no noderīgas informācijas apmaiņas.
Vairāku pušu skaitļošanas risinājumu priekšrocības
MPC risinājumi piedāvā plašu priekšrocību klāstu, tostarp:
• Paaugstināta drošība. Sadalot šifrētus datu gabalus un nevienā brīdī neatklājot neapstrādātus datus, MPC nodrošina, ka neviena puse nevar piekļūt visai informācijai. Tas padara to par ideālu risinājumu ļoti sensitīvas informācijas, piemēram, PII vai medicīnisko ierakstu, apstrādei.
• Uzlabota privātums — tā kā katrs dalībnieks saņem tikai daļu no kopējās datu kopas un nevienai pusei nav piekļuves visai informācijai, MPC arī palīdz uzlabot privātumu, neļaujot nevienai pusei profilēt personas.
• Uzlabots ātrums un mērogojamība – MPC risinājumi var veikt aprēķinus paralēli, kas nozīmē, ka tie spēj ātri apstrādāt lielu datu apjomu. Tas ir īpaši noderīgi tādiem uzdevumiem kā mašīnmācīšanās, kuru veikšanai ir nepieciešama liela skaitļošanas jauda.
Daudzpartiju skaitļošanas risinājumu trūkumi
MPC risinājumu galvenie trūkumi ir:
• Augstākas izmaksas – MPC risinājuma ieviešanai un darbībai ir nepieciešams vairāk resursu nekā tradicionālajām skaitļošanas metodēm. Tas ietver aparatūras, programmatūras un citu iestatīšanai nepieciešamo rīku iegādi.
• Sarežģītība — MPC sistēmas iestatīšana var būt sarežģīta, jo ir nepieciešamas papildu kriptogrāfijas metodes. Tas var arī apgrūtināt problēmu novēršanu un atkļūdošanu, jo visas problēmas ir jārisina vairākām pusēm.
• Lēns ātrums — tā kā MPC risinājumi izmanto aprēķinus ar šifrētiem datiem, tie bieži var darboties lēnāk nekā tradicionālie skaitļošanas procesi. Tas nozīmē, ka uzdevumu izpildei, kam nepieciešams liels skaitļošanas jaudas apjoms, var būt nepieciešams ilgāks laiks.
MPC lietojumprogrammas reālajā pasaulē
Ģenētiskā testēšana
Ģenētiķi izmanto MPC, lai analizētu ģenētiskos datus. Tā vietā, lai sūtītu neapstrādātas DNS sekvences internetā, katra puse šifrē savus datus un nosūta tos uz trešās puses serveri, kur MPC var salīdzināt, analizēt un interpretēt rezultātus, visām pusēm neatklājot savu individuālo informāciju.
Finanšu darījumi
Varat izmantot MPC, lai nodrošinātu finanšu darījumus. To var panākt, sadalot datus vairākos gabalos un apstrādājot tos drošā MPC vidē, nodrošinot, ka nevienai pusei nav piekļuves visai informācijai. Tas padara to ideāli piemērotu digitālo maksājumu risinājumiem, piemēram, kriptovalūtu biržām, kur privātums ir ārkārtīgi svarīgs.
medicīnas pētniecība
Varat izmantot MPC risinājumus, lai koplietotu un analizētu lielu daudzumu medicīnisko datu. Šifrējot datus pirms to nosūtīšanas, katra puse var piekļūt noteiktai informācijai, neapdraudot nevienas citas personas privātumu vai drošību. Tas padara MPC par ideālu risinājumu klīniskiem pētījumiem un citiem pētniecības projektiem, kas ietver sensitīvus pacientu datus.
Parakstīšanās sliekšņa blokķēdēs
MPC var aizsargāt ciparparakstus dažādos veidos blockchain projektus. Viņi to panāca, sadalot parakstu starp vairākiem dalībniekiem, padarot to tā, ka nevienai pusei nav piekļuves visam parakstam. Tas nodrošina, ka ciparparaksti paliek droši un pret viltojumiem pat tad, ja tiek apdraudēta kāda no pusēm.
Drošas alternatīvas MPC
Kriptogrāfijas metodes
Kriptogrāfijas metodes ir neatņemama datoru drošības sastāvdaļa, kas ļauj droši uzglabāt un pārsūtīt sensitīvus datus. Divas no galvenajām šim nolūkam izmantotajām kriptogrāfijas metodēm ir homomorfā šifrēšana un nulles zināšanu pierādījumi.
Homomorfā šifrēšana izmanto matemātiskas formulas, lai ļautu aprēķināt šifrētos datus, vispirms tos neatšifrējot, tādējādi atvieglojot datu drošu koplietošanu, neapdraudot privātumu.
Nulles zināšanu pierādījumi nodrošina matemātiskus paņēmienus, lai pārbaudītu patiesību par informāciju, neatklājot tās detaļas, padarot tos ārkārtīgi noderīgus, strādājot ar konfidenciālu informāciju.
Vēl viens kriptogrāfijā izmantotais paņēmiens ir diferenciālā privātuma aizsardzība, kas savāktajiem datiem pievieno kontrolētu nejaušību, neļaujot ļaunprātīgām pusēm iegūt lietotāju personas datus. Būtībā kriptogrāfijas metodes piedāvā mums lielāku kontroli pār mūsu datiem, nodrošinot paaugstinātu drošības līmeni un aizsardzību pret datu pārkāpumiem.
AI/ML atbalstītas metodes
AI/ML atbalstītās metodes palīdz nodrošināt nākamās paaudzes uz privātumu balstītas iniciatīvas. Divas galvenās metodes, kas nodrošina šo maiņu, ir sintētiskie dati un apvienotā mācīšanās.
Sintētiskie dati ir mākslīgā intelekta veids, kas rada datu punktus, kas atkārto attiecīgo raksturlielumu sadalījumu, faktiski neizmantojot faktisko informāciju.
Federatīvā mācīšanās ir sadalītas mašīnmācīšanās tehnikas veids, kurā analītiķi vienlaikus apmāca modeļus vairākās datu kopās, neriskējot apdraudēt tajās saglabāto konfidenciālo vai sensitīvo informāciju.
Šīs divas metodes kopā nodrošina gan labāku precizitāti, gan spēcīgāku datu privātuma aizsardzību no sākuma līdz beigām, ļaujot mums pieņemt gudrākus lēmumus ar lielāku pārliecību.
Secinājumi
MPC ir arvien populārāka tehnoloģija, kas nodrošina drošu datu apstrādi starp vairākām pusēm, un nevienai pusei nav piekļuves pilnam datu kopumam. Tajā tiek izmantotas kriptogrāfijas metodes, piemēram, slepena koplietošana un homomorfā šifrēšana, lai sadalītu un šifrētu datu gabalus, nodrošinot, ka neviens no dalībniekiem nevar piekļūt neapstrādātajiem datiem vai profilēt nevienu personu no tiem.
Ar daudzajām priekšrocībām, tostarp paaugstinātu drošību, uzlabotu privātumu un uzlabotu ātrumu un mērogojamību, MPC risinājumi piedāvā jaudīgu risinājumu organizācijām, lai droši un efektīvi apstrādātu sensitīvus datus.
Avots: https://www.cryptopolitan.com/multi-party-computation-mpc-solutions/