Multi-Party Computation (MPC) нь мэдээллийн бүрэн багцад хандах эрхгүй олон талуудын хооронд өгөгдөл боловсруулах, хуваалцах боломжийг олгодог технологи юм.
Энэ төрлийн тархсан тооцоолол нь сүүлийн жилүүдэд сонирхол татахуйц болж байна, учир нь түүний хэрэглүүр нь оролцогчид түүхий өгөгдөлд хандахгүйгээр хувь хүний мэдээлэл (PII) дээр найдвартай тооцоолол хийх боломжийг агуулдаг. Нэг оролцогч бүх өгөгдөлд хандах эрхгүй байхын тулд криптологичид талууд шифрлэгдсэн өгөгдлийг хооронд нь хувааж, хуваалцах боломжийг олгодог янз бүрийн протоколуудыг боловсруулсан.
Олон намын тооцоолол гэж юу вэ?
Үндсэндээ MPC нь олон талдаа түүхий өгөгдөлд хандах эрхгүй өгөгдлийг тооцоолох боломжийг олгодог технологи юм. Тэд өгөгдлийг хэсэг болгон хувааж, шифрлэх замаар үүнийг хийсэн бөгөөд ингэснээр ямар ч оролцогч өөрөө шифрийг тайлж чадахгүй.
MPC-ийн гол бүрэлдэхүүн хэсэг нь шифрлэгдсэн өгөгдөл дээр тооцоолох боломжийг олгодог бөгөөд ингэснээр оролцогчид бусад талууд юун дээр тооцоолол хийж байгааг эсвэл процессоос ямар үр дүнд хүрч байгааг харж чадахгүй.
MPC-ийн түүх
Олон намын тооцоолол (MPC) нь 1970-аад онд Хятадын домогт криптограф Эндрю Яо хоёр тал өөрсдийн оролтыг ил гаргахгүйгээр өгөгдлийг тооцоолох боломжийг олгосон Garbed Circuits Protocol-ийг бий болгосноор анх шуугиан тарьсан. Түүний “Саятануудын асуудал” нь MPC хоёр намын тогтолцооны энгийн жишээг өгсөн.
1987 онд GMW (Goldreich-Micali-Wigderson) протокол бий болж, жинхэнэ олон намын платформыг ашиглах боломжийг олгосон бөгөөд 2008 онд MPC Дани улсын чихрийн нишингэ битүүмжилсэн дуудлага худалдаанд оролцож, бүх оролцогчдын хувийн нууцыг хадгалсан. оролцсон. Энэ нь олон оролцогчтой аюулгүй тоон гүйлгээ хийх хувьсгалт шинэ аргын эхлэлийг тавьсан юм.
Олон намын тооцоолол хэрхэн ажилладаг вэ?
MPC нь олон талуудын хооронд шифрлэгдсэн өгөгдлийг хувааж, хуваалцахын тулд нууц хуваалцах, гомоморф шифрлэлт зэрэг криптографийн арга техникийг ашигладаг. Нууц хуваалцах нь нэг мэдээллийг хэд хэдэн бүрэлдэхүүн хэсэг болгон хуваахыг хэлдэг бөгөөд тал бүр зөвхөн нэг хэсгийг хүлээн авдаг бөгөөд тэдгээрийн аль нь ч бүрэн мэдээлэлд хандах эрхгүй гэсэн үг юм. Гомоморф шифрлэлт нь шифрлэгдсэн өгөгдөл дээр тооцоолол хийхэд ашиглагддаг бөгөөд энэ нь нууц мэдээллийг ил тод текст хэлбэрээр харуулахгүй гэсэн үг юм.
Олон намын тооцоолол хэрхэн ажилладагийг харуулах жишээ
A, B, C гэсэн гурван компани төсөл дээр хамтран ажиллахыг хүсч байгаа боловч нууц мэдээллээ хуваалцахад хангалттай итгэдэггүй гэж үзье. MPC шийдлүүдийг ашигласнаар тэд өгөгдлийг хооронд нь найдвартай хувааж, тэдгээрийн аль нь ч түүхий мэдээлэлд хандах боломжгүйгээр тооцоолол хийх боломжтой.
Нэгдүгээрт, A, B, C нь нууц хуваалцах алгоритмуудыг ашиглан өгөгдлийг хэд хэдэн бүрэлдэхүүн хэсэг болгон хуваах болно. Дараа нь компани бүр эдгээр хэсгүүдийг гомоморф шифрлэлтийн алгоритм ашиглан шифрлэж, бусад хоёр оролцогч руу илгээнэ. Одоо гурван тал бүгд бие биенээсээ өгөгдлийн хэсгүүдийг шифрлэсэн боловч тэдгээрийн хэн нь ч дангаар нь шифрлэж, мэдээллийн бүрэн багцад нэвтэрч чадахгүй.
Дараа нь A, B, C нь шифрлэгдсэн өгөгдөл дээр хэзээ ч шифрийг тайлахгүйгээр тооцоолол хийх боломжтой. Энэ нь оролцогч бүр зөвхөн өөрсдийн оруулсан хувь нэмрийг харах боломжтой бөгөөд төсөл дээр хамтран ажиллах боломжтой гэсэн үг юм. Эцэст нь хэлэхэд, эдгээр оролцогчдын хэн нь ч бие биенийхээ түүхий мэдээлэлд хандах эрхгүй тул өөрсдийн мэдээлэл найдвартай гэдэгт итгэлтэй байж болно.
MPC-ийг яагаад нууцлалыг хамгаалах тооцоолол гэж нэрлэдэг вэ?
Өгөгдөл бол дэлхийн хамгийн хувьсгалт, дэвшилтэт дэвшлүүдийг шууд дагаж мөрддөг өнөөгийн ертөнцөд орлуулашгүй хэрэгсэл юм. Гэхдээ өгөгдөл хуваалцах нь хувийн нууцыг зөрчих, бүр хяналтаа алдах зэрэг тооцоолж баршгүй эрсдэлтэй байдаг.
Олон Намын Тооцоолол (MPC) нь энэ асуудалд бүтээлч шийдлийг санал болгож, талууд бусад хүмүүсийн болон өөрсдийн мэдээллийн аюулгүй байдлыг алдагдуулахгүйгээр тодорхой төрлийн өгөгдөлд хандах боломжтой шинэ онлайн уур амьсгалыг бий болгоход тусалдаг.
MPC нь үр дүнгээс бусад ямар ч өгөгдлийг ил гаргахгүй аюулгүй алгоритмуудыг ашигладаг бөгөөд энэ нь талууд хувийн мэдээллийг задруулахгүйгээр, бусдын нууцлалын эрхийг зөрчихгүйгээр чухал шийдвэр гаргах боломжтой гэсэн үг юм. Энэхүү технологи нь бидний мэдэх мэдээллийн аюулгүй байдалд хувьсгал хийж, ашигтай мэдээлэл солилцох боломжоор дүүрэн найдвартай ирээдүйд хүрэх замыг нээж өгч чадна.
Олон талт тооцооллын шийдлүүдийн ашиг тус
MPC шийдэл нь өргөн хүрээний ашиг тусыг санал болгодог, үүнд:
• Аюулгүй байдлыг нэмэгдүүлсэн – Шифрлэгдсэн өгөгдлийн хэсгүүдийг хувааж, ямар ч үед түүхий өгөгдлийг ил гаргахгүй байх замаар MPC нь аль ч тал бүх мэдээлэлд хандах боломжгүйг баталгаажуулдаг. Энэ нь PII эсвэл эмнэлгийн бүртгэл гэх мэт маш эмзэг мэдээллийг боловсруулахад тохиромжтой шийдэл болгодог.
• Сайжруулсан нууцлал – Оролцогч бүр нийт өгөгдлийн багцын зөвхөн нэг хэсгийг хүлээн авдаг бөгөөд нэг ч тал бүх мэдээлэлд хандах боломжгүй байдаг тул MPC нь аль нэг тал хувь хүний хувийн мэдээллийг задлахаас сэргийлж хувийн нууцыг сайжруулахад тусалдаг.
• Сайжруулсан хурд, өргөтгөх чадвар – MPC шийдлүүд нь тооцооллыг зэрэгцүүлэн ажиллуулж, их хэмжээний өгөгдлийг хурдан боловсруулах чадвартай гэсэн үг юм. Энэ нь маш их тооцооллын хүч шаарддаг машин сурах зэрэг ажлуудад ялангуяа ашигтай байдаг.
Олон намын тооцооллын шийдлийн сул тал
MPC шийдлүүдийн гол сул талууд нь:
• Өндөр зардал – MPC шийдлийг хэрэгжүүлж, ажиллуулах нь уламжлалт тооцооллын техникээс илүү их нөөц шаарддаг. Үүнд тоног төхөөрөмж, програм хангамж болон тохиргоонд шаардлагатай бусад хэрэгслийг худалдан авах шаардлагатай болно.
• Нарийн төвөгтэй байдал – MPC системийг бий болгох нь нэмэлт криптографийн техник шаардагддаг тул төвөгтэй байж болно. Энэ нь аливаа асуудлыг олон тал дээр шийдвэрлэх шаардлагатай тул алдааг олж засварлах, дибаг хийхэд хүндрэл учруулж болзошгүй юм.
• Удаан хурд – MPC шийдлүүд нь шифрлэгдсэн өгөгдөл дээр тооцоолол хийдэг тул уламжлалт тооцоолох процессоос удаан ажиллах нь элбэг. Энэ нь их хэмжээний тооцооллын хүч шаардсан ажлуудыг гүйцэтгэхэд удаан хугацаа шаардагдана гэсэн үг.
Бодит ертөнцөд MPC програмууд
Генетикийн шинжилгээ
Генетикчид генетикийн өгөгдөлд дүн шинжилгээ хийхэд MPC ашигладаг. Түүхий ДНХ-ийн дарааллыг интернетээр илгээхийн оронд тал бүр өөрийн өгөгдлийг шифрлэж, гуравдагч талын сервер рүү илгээдэг бөгөөд MPC нь бүх талууд өөрсдийн хувийн мэдээллийг ил болгохгүйгээр үр дүнг харьцуулж, дүн шинжилгээ хийж, тайлбарлах боломжтой.
Санхүүгийн гүйлгээ
Та санхүүгийн гүйлгээг баталгаажуулахын тулд MPC ашиглаж болно. Та өгөгдлийг олон хэсэг болгон хувааж, аюулгүй MPC орчинд боловсруулж, нэг ч тал бүх мэдээлэлд хандах эрхгүй гэдгийг баталгаажуулж чадна. Энэ нь криптовалютын бирж гэх мэт дижитал төлбөрийн шийдлүүдэд тохиромжтой бөгөөд нууцлалыг хадгалах нь хамгийн чухал юм.
Эмнэлгийн судалгаа
Та MPC шийдлүүдийг ашиглан их хэмжээний эмнэлгийн өгөгдлийг хуваалцаж, дүн шинжилгээ хийх боломжтой. Мэдээллийг илгээхээсээ өмнө шифрлэснээр тал бүр өөр хүний нууцлал, аюулгүй байдлыг алдагдуулахгүйгээр тодорхой мэдээлэлд хандах боломжтой. Энэ нь MPC-ийг эмнэлзүйн туршилтууд болон өвчтөний эмзэг мэдээлэлтэй холбоотой бусад судалгааны төслүүдэд хамгийн тохиромжтой шийдэл болгодог.
Блокчейн дээр гарын үсэг зурах босго
MPC нь тоон гарын үсгийг янз бүрийн хэлбэрээр хамгаалах боломжтой blockchain төслүүд. Тэд гарын үсгийг олон оролцогчдын дунд хувааж, нэг ч тал гарын үсгийг бүхэлд нь авах боломжгүй болгосон. Энэ нь аль нэг тал халдсан ч тоон гарын үсэг нь аюулгүй, хөндлөнгийн хамгаалалттай хэвээр байх болно.
MPC-ийн найдвартай хувилбарууд
Криптографийн аргууд
Криптографийн аргууд нь компьютерийн аюулгүй байдлын салшгүй хэсэг бөгөөд нууц мэдээллийг найдвартай хадгалах, дамжуулах боломжийг бидэнд олгодог. Энэ зорилгоор ашигладаг криптографийн үндсэн аргуудын хоёр нь гомоморф шифрлэлт ба тэг мэдлэгтэй нотолгоо юм.
Гомоморф шифрлэлт нь математикийн томьёог ашиглан шифрлэгдсэн өгөгдлийг эхлээд тайлахгүйгээр тооцоолох боломжийг олгодог бөгөөд нууцлалыг алдагдуулахгүйгээр өгөгдлийг аюулгүйгээр хуваалцахад хялбар болгодог.
Тэг мэдлэгтэй нотолгоо нь мэдээллийн үнэнийг нарийн ширийнийг задлахгүйгээр баталгаажуулах математик аргуудыг өгдөг бөгөөд энэ нь нууц мэдээлэлтэй харьцахад маш их хэрэгтэй байдаг.
Криптографид ашигладаг өөр нэг арга бол ялгаатай нууцлал бөгөөд цуглуулсан өгөгдөлд хяналттай санамсаргүй байдлыг нэмж, хортой талууд хэрэглэгчийн хувийн мэдээллийг олж авахаас сэргийлдэг. Үндсэндээ криптографийн аргууд нь мэдээллийн зөрчлөөс хамгаалж, аюулгүй байдлын түвшинг дээшлүүлснээр бидэнд өгөгдлийг илүү хянах боломжийг олгодог.
AI/ML-ээр дэмжигдсэн аргууд
AI/ML-ээр дэмжигдсэн аргууд нь нууцлалд тулгуурласан дараагийн үеийн санаачлагыг дэмжихэд тусалж байна. Энэхүү шилжилтийг идэвхжүүлж буй хоёр гол арга бол синтетик өгөгдөл болон нэгдсэн сургалт юм.
Синтетик өгөгдөл нь бодит мэдээллийг ашиглахгүйгээр холбогдох шинж чанаруудын тархалтыг хуулбарлах мэдээллийн цэгүүдийг үүсгэдэг хиймэл оюун ухааны нэг хэлбэр юм.
Холбооны сургалт гэдэг нь шинжээчид загваруудыг олон өгөгдлийн багцад нэгэн зэрэг сургадаг бөгөөд тэдгээрт хадгалагдсан аливаа нууц, эмзэг мэдээллийг алдагдуулах эрсдэлгүйгээр түгээсэн машин сургалтын техникийн нэг хэлбэр юм.
Эдгээр хоёр арга нийлээд эхнээс нь дуустал илүү нарийвчлалтай, мэдээллийн нууцлалын хамгаалалтыг сайжруулж, илүү найдвартай шийдвэр гаргах боломжийг бидэнд олгодог.
Дүгнэлт
MPC нь дан ганц тал бүрэн мэдээлэлд хандах эрхгүй олон талуудын хооронд аюулгүй мэдээлэл боловсруулах боломжийг олгодог улам бүр түгээмэл технологи юм. Энэ нь өгөгдлийн хэсгүүдийг хувааж, шифрлэхийн тулд нууц хуваалцах, гомоморф шифрлэлт зэрэг криптографийн арга техникийг ашигладаг бөгөөд оролцогчдын хэн нь ч түүхий өгөгдөлд хандах эсвэл түүнээс ямар нэгэн хувь хүний профайл хийх боломжгүй болгодог.
Аюулгүй байдлыг нэмэгдүүлэх, хувийн нууцлалыг сайжруулах, хурд болон өргөтгөх чадвар зэрэг олон давуу талтай MPC шийдлүүд нь байгууллагуудад эмзэг өгөгдлийг найдвартай, үр дүнтэй боловсруулах хүчирхэг шийдлийг санал болгодог.
Эх сурвалж: https://www.cryptopolitan.com/multi-party-computation-mpc-solutions/