Multi-Party Computation (MPC) on tekniikka, joka mahdollistaa turvallisen tietojenkäsittelyn ja jakamisen useiden osapuolten välillä ilman, että yksikään osapuoli pääse käsiksi koko tietosarjaan.
Tämän tyyppinen hajautettu laskenta on yleistynyt viime vuosina, sillä sen hyödyllisyys sisältää laskennan turvallisesti henkilökohtaisella tunnistetiedolla (PII) ilman, että osallistujat pääsevät käsiksi raakatietoihin. Sen varmistamiseksi, ettei yksikään osallistuja pääse käsiksi kaikkeen tietoon, kryptologit ovat kehittäneet erilaisia protokollia, joiden avulla osapuolet voivat jakaa ja jakaa salattuja tietoja keskenään.
Mitä on moniosapuolilaskenta?
Pohjimmiltaan MPC on tekniikka, jonka avulla useat osapuolet voivat laskea tietoja ilman, että yksikään osapuoli pääse käsiksi raakatietoihin. He saavuttivat tämän jakamalla tiedot osiin ja salaamalla ne siten, että kukaan osallistuja ei voi purkaa salausta itse.
MPC:n keskeinen osa on, että se mahdollistaa laskennan salatun datan perusteella, joten osallistujat eivät näe, mitä muut osapuolet suorittavat laskelmia tai mitä tuloksia he saavat prosessista.
MPC:n historia
Multi-party computing (MPC) nousi ensimmäisen kerran 1970-luvulla, kun kiinalainen salauslegenda Andrew Yao loi Garbled Circuits Protocol -protokollan, jonka avulla kaksi osapuolta saattoi laskea tietoja paljastamatta syöttöään. Hänen miljonääriongelmansa antoi yksinkertaisen esimerkin MPC-kaksipuoluejärjestelmästä.
Vuonna 1987 syntyi GMW (Goldreich–Micali–Wigderson) -protokolla, joka mahdollistaa todella monen osapuolen alustat, ja vuonna 2008 MPC debytoi tosielämässä tanskalaisessa sokerijuurikkaan sinetöityjen tarjousten huutokaupassa, joka säilytti kaikkien tarjoajien yksityisyyden. mukana. Tämä merkitsi alkua vallankumoukselliselle uudelle tavalle suorittaa suojattuja digitaalisia tapahtumia useiden osallistujien kanssa.
Kuinka monen osapuolen laskenta toimii?
MPC käyttää salaustekniikoita, kuten salaista jakamista ja homomorfista salausta salattujen tietojen jakamiseen ja jakamiseen useiden osapuolten välillä. Salainen jakaminen sisältää tiedon jakamisen useisiin osiin, jolloin kukin osapuoli saa vain yhden osan, mikä tarkoittaa, että millään heistä ei ole pääsyä kaikkiin tietoihin. Homomorfista salausta käytetään mahdollistamaan salatun datan laskeminen, mikä tarkoittaa, että ne eivät paljasta arkaluonteisia tietoja selväkielisessä muodossa.
Esimerkki havainnollistamaan, kuinka moniosapuolilaskenta toimii
Oletetaan, että kolme yritystä, A, B ja C, haluavat tehdä yhteistyötä projektin parissa, mutta eivät luota toisiinsa tarpeeksi jakaakseen arkaluonteisia tietojaan. MPC-ratkaisuja käyttämällä he voivat turvallisesti jakaa tiedot keskenään ja suorittaa laskelmia ilman, että kukaan heistä pääse käsiksi raakatietoihin.
Ensinnäkin A, B ja C käyttävät salaisia jakamisalgoritmeja jakaakseen tietonsa useisiin komponentteihin. Jokainen yritys salaa nämä kappaleet käyttämällä homomorfisia salausalgoritmeja ja lähettää ne kahdelle muulle osallistujalle. Nyt kaikki kolme osapuolta ovat salaaneet tietoja toisiltaan, mutta kukaan heistä ei voi purkaa salausta yksin ja käyttää kaikkia tietoja.
Seuraavaksi A, B ja C voivat suorittaa laskutoimituksia salatuille tiedoille ilman, että niiden salausta tarvitsee purkaa. Tämä tarkoittaa, että jokainen osallistuja näkee vain oman panoksensa, mutta voi silti tehdä yhteistyötä projektin parissa. Lopuksi, koska kukaan näistä osallistujista ei pääse käsiksi toistensa raakatietoihin, he voivat olla varmoja, että heidän omat tietonsa ovat turvassa.
Miksi MPC:tä kutsutaan yksityisyyttä säilyttäväksi laskennaksi?
Data on korvaamaton työkalu nykymaailmassa, ja monet maailman vallankumouksellisimmista ja edistyksellisimmistä edistysaskeleista ovat suoraan jäljitettävissä. Tietojen jakamiseen liittyy kuitenkin liian usein mittaamattomia riskejä tietosuojaloukkauksista tai jopa hallinnan menettämisestä.
Multi-Party Computation (MPC) tarjoaa luovan ratkaisun tähän ongelmaan, ja se auttaa luomaan verkkoon uuden ilmapiirin, jossa osapuolet pääsevät käsiksi tietyntyyppisiin tietoihin vaarantamatta muiden tai oman tiedon turvallisuutta.
MPC käyttää turvallisia algoritmeja, jotka eivät paljasta muita tietoja paitsi tuloksia, mikä tarkoittaa, että osapuolet voivat tehdä tärkeitä päätöksiä paljastamatta henkilökohtaisia tietoja tai loukkaamatta muiden yksityisyysoikeuksia. Tämä tekniikka voi mullistaa tietoturvan sellaisena kuin me sen tunnemme ja tasoittaa tietä turvalliselle tulevaisuudelle, joka on täynnä hyödyllisen tiedon jakamisen mahdollisuuksia.
Monen osapuolen laskentaratkaisujen edut
MPC-ratkaisut tarjoavat laajan valikoiman etuja, mukaan lukien:
• Lisääntynyt tietoturva – MPC varmistaa, että yksikään osapuoli ei pääse käsiksi kaikkiin tietoihin jakamalla salatut tiedot ja paljastamatta raakadataa missään vaiheessa. Tämä tekee siitä ihanteellisen ratkaisun erittäin arkaluonteisten tietojen, kuten henkilökohtaisten tunnistetietojen tai potilastietojen käsittelyyn.
• Parannettu yksityisyys – Koska jokainen osallistuja saa vain osan kokonaistietojoukosta eikä yhdelläkään osapuolella ole pääsyä kaikkiin tietoihin, MPC auttaa myös parantamaan yksityisyyttä estämällä ketään osapuolta profiloimasta henkilöitä.
• Parannettu nopeus ja skaalautuvuus – MPC-ratkaisut voivat suorittaa laskelmia rinnakkain, mikä tarkoittaa, että ne pystyvät käsittelemään suuria tietomääriä nopeasti. Tämä on erityisen hyödyllistä tehtävissä, kuten koneoppimisessa, jonka suorittaminen vaatii paljon laskentatehoa.
Monen osapuolen laskentaratkaisujen haitat
MPC-ratkaisujen suurimpia haittoja ovat:
• Korkeammat kustannukset – MPC-ratkaisun käyttöönotto ja käyttö vaatii enemmän resursseja kuin perinteiset laskentatekniikat. Tämä sisältää laitteiston, ohjelmiston ja muiden asennukseen tarvittavien työkalujen ostamisen.
• Monimutkaisuus – MPC-järjestelmän asentaminen voi olla monimutkaista, koska tarvitaan ylimääräisiä salaustekniikoita. Tämä voi myös vaikeuttaa vianetsintää ja virheenkorjausta, koska kaikki ongelmat on ratkaistava useiden osapuolten kesken.
• Hitaat nopeudet – Koska MPC-ratkaisut käyttävät laskutoimituksia salatulla tiedolla, ne voivat usein toimia hitaammin kuin perinteiset laskentaprosessit. Tämä tarkoittaa, että suuria määriä laskentatehoa vaativien tehtävien suorittaminen voi kestää kauemmin.
MPC-sovellukset todellisessa maailmassa
Geneettinen testaus
Geneetikot käyttävät MPC:tä geneettisten tietojen analysointiin. Sen sijaan, että lähettäisivät raaka-DNA-sekvenssejä Internetin kautta, kukin osapuoli salaa omat tietonsa ja lähettää ne kolmannen osapuolen palvelimelle, jossa MPC voi vertailla, analysoida ja tulkita tuloksia ilman, että kaikki osapuolet paljastavat omia tietojaan.
Rahoitustaloustoimet
Voit käyttää MPC:tä rahoitustapahtumien turvaamiseen. Voit saavuttaa tämän jakamalla tiedot useisiin osiin ja käsittelemällä niitä suojatussa MPC-ympäristössä varmistaen, että yksikään osapuoli ei pääse käsiksi kaikkiin tietoihin. Tämä tekee siitä ihanteellisen digitaalisiin maksuratkaisuihin, kuten kryptovaluuttapörsseihin, joissa yksityisyys on äärimmäisen tärkeää.
Lääketieteellinen tutkimus
MPC-ratkaisujen avulla voit jakaa ja analysoida suuria määriä lääketieteellistä tietoa. Salaamalla tiedot ennen niiden lähettämistä kukin osapuoli pääsee käsiksi tiettyihin tietoihin vaarantamatta kenenkään muun yksityisyyttä tai turvallisuutta. Tämä tekee MPC:stä ihanteellisen ratkaisun kliinisiin tutkimuksiin ja muihin tutkimusprojekteihin, joissa käsitellään arkaluonteisia potilastietoja.
Allekirjoituksen kynnys lohkoketjuissa
MPC voi suojata digitaalisia allekirjoituksia eri tavoin blockchain hankkeita. He saavuttivat tämän jakamalla allekirjoituksen useiden osallistujien kesken, jolloin yhdelläkään osapuolella ei ole pääsyä koko allekirjoitukseen. Tämä varmistaa, että digitaaliset allekirjoitukset pysyvät turvallisina ja suojattuina, vaikka toinen osapuoli vaarantuisi.
Turvallisia vaihtoehtoja MPC:lle
Kryptografiset menetelmät
Salausmenetelmät ovat olennainen osa tietoturvaa, jonka avulla voimme tallentaa ja siirtää arkaluonteisia tietoja turvallisesti. Kaksi tärkeimmistä tähän tarkoitukseen käytetyistä salausmenetelmistä ovat homomorfinen salaus ja nollatietotodistukset.
Homomorfisessa salauksessa käytetään matemaattisia kaavoja, jotka mahdollistavat salattujen tietojen laskemisen ilman sen salauksen purkamista, mikä helpottaa tietojen jakamista turvallisesti vaarantamatta yksityisyyttä.
Nollatietotodisteet tarjoavat matemaattisia tekniikoita tietojen todentamiseksi paljastamatta sen yksityiskohtia, mikä tekee niistä erittäin hyödyllisiä käsiteltäessä luottamuksellisia tietoja.
Toinen kryptografiassa käytetty tekniikka on differentiaalinen yksityisyys, joka lisää hallitun määrän satunnaisuutta kerättyyn tietoon, mikä estää haitallisia osapuolia saamasta käyttäjien henkilötietoja. Pohjimmiltaan kryptografiset menetelmät tarjoavat meille paremman hallinnan tietoihimme tarjoamalla paremman suojakerroksen ja suojan tietomurroilta.
AI/ML-tuetut menetelmät
AI/ML-tuetut menetelmät auttavat kehittämään seuraavan sukupolven yksityisyyteen perustuvia aloitteita. Kaksi keskeistä tekniikkaa, jotka mahdollistavat tämän muutoksen, ovat synteettinen data ja yhdistetty oppiminen.
Synteettinen data on tekoälyn muoto, joka luo tietopisteitä, jotka toistavat oleellisten ominaisuuksien jakautumisen käyttämättä todellista tietoa.
Federated learning on hajautetun koneoppimistekniikan muoto, jossa analyytikot kouluttavat malleja useille tietojoukoille samanaikaisesti ilman riskiä, että niihin tallennetut luottamukselliset tai arkaluontoiset tiedot vaarantuvat.
Yhdessä nämä kaksi menetelmää mahdollistavat sekä paremman tarkkuuden että vahvemman tietosuojan alusta loppuun, jolloin voimme tehdä älykkäämpiä päätöksiä suuremmalla varmuudella.
Yhteenveto
MPC on yhä suositumpi tekniikka, joka mahdollistaa turvallisen tietojenkäsittelyn useiden osapuolten välillä ilman, että yhdelläkään osapuolella ole pääsyä koko tietosarjaan. Se käyttää salaustekniikoita, kuten salaista jakamista ja homomorfista salausta, tietojen jakamiseen ja salaamiseen varmistaen, että kukaan osallistujista ei pääse käsiksi raakatietoihin tai profiloi ketään niistä.
Monien etujensa, kuten lisääntyneen turvallisuuden, parannetun yksityisyyden sekä parannetun nopeuden ja skaalautuvuuden, ansiosta MPC-ratkaisut tarjoavat organisaatioille tehokkaan ratkaisun arkaluonteisten tietojen turvalliseen ja tehokkaaseen käsittelyyn.
Lähde: https://www.cryptopolitan.com/multi-party-computation-mpc-solutions/