Multi-Party Computation (MPC) on tehnoloogia, mis võimaldab turvalist andmetöötlust ja jagamist mitme osapoole vahel, kusjuures ühelgi osapoolel pole juurdepääsu kogu andmetele.
Seda tüüpi hajutatud andmetöötlus on viimastel aastatel populaarsust kogunud, kuna selle utiliit hõlmab isikut tuvastava teabe (PII) arvutuste turvalist teostamist, ilma et osalejad toorandmetele juurde pääseksid. Tagamaks, et ühelgi osalejal pole juurdepääsu kõikidele andmetele, on krüptoloogid välja töötanud erinevad protokollid, mis võimaldavad osapooltel krüpteeritud andmeid omavahel jagada ja jagada.
Mis on mitme osapoole arvutus?
Oma tuumaks on MPC tehnoloogia, mis võimaldab mitmel osapoolel andmeid arvutada, ilma et ühelgi osapoolel oleks juurdepääs algandmetele. Nad saavutasid selle, jagades andmed tükkideks ja krüpteerides need nii, et ükski osaleja ei saaks neid ise dekrüpteerida.
MPC põhikomponent on see, et see võimaldab arvutada krüptitud andmeid, nii et osalejad ei näe, mille alusel teised osapooled arvutusi teevad või milliseid tulemusi nad protsessist saavad.
MPC ajalugu
Mitme osapoole arvutus (MPC) sai esimest korda silmapaistvuse 1970. aastatel, kui Hiina krüptograafialegend Andrew Yao lõi Garbled Circuits Protocoli, mis võimaldas kahel osapoolel andmeid arvutada ilma oma sisendeid avaldamata. Tema miljonäride probleem tõi lihtsa näite MPC kaheparteisüsteemist.
1987. aastal sündis GMW (Goldreich–Micali–Wigderson) protokoll, mis võimaldas tõeliselt mitme osapoolega platvorme, ja 2008. aastal debüteeris MPC pärismaailmas Taani suhkrupeedi kinnise pakkumisega oksjonil, mis säilitas kõigi pakkujate privaatsuse. kaasatud. See tähistas revolutsiooniliselt uue viisi algust turvaliste digitaalsete tehingute tegemiseks mitme osalejaga.
Kuidas mitme osapoole arvutus töötab?
MPC kasutab krüptograafiatehnikaid, nagu salajagamine ja homomorfne krüptimine, et jagada krüpteeritud andmeid mitme osapoole vahel ja jagada. Salajane jagamine hõlmab teabe jagamist mitmeks komponendiks, kusjuures kumbki osapool saab ainult ühe osa, mis tähendab, et ühelgi neist pole juurdepääsu täielikele andmetele. Homomorfset krüptimist kasutatakse krüptitud andmete arvutuste võimaldamiseks, mis tähendab, et need ei avalda tundlikku teavet lihtteksti kujul.
Näide mitme osapoole arvutamise toimimise illustreerimiseks
Oletame, et kolm ettevõtet A, B ja C soovivad projekti kallal koostööd teha, kuid ei usalda üksteist piisavalt, et oma tundlikke andmeid jagada. MPC lahendusi kasutades saavad nad andmed omavahel turvaliselt jaotada ja nende põhjal arvutusi teha, ilma et ühelgi neist oleks ligipääs toorteabele.
Esiteks kasutavad A, B ja C salajagamisalgoritme, et jagada oma andmed mitmeks komponendiks. Seejärel krüpteerib iga ettevõte need tükid homomorfsete krüpteerimisalgoritmide abil ja saadab need ülejäänud kahele osalejale. Nüüd on kõik kolm osapoolt üksteiselt andmeid krüpteerinud, kuid ükski neist ei saa seda iseseisvalt dekrüpteerida ja kogu teabele juurde pääseda.
Järgmisena saavad A, B ja C teostada krüptitud andmete arvutusi, ilma et peaksid neid kunagi dekrüpteerima. See tähendab, et iga osaleja saab näha ainult oma panust, kuid saab siiski projekti kallal koostööd teha. Lõpuks, kuna ühelgi neist osalejatest pole juurdepääsu üksteise algandmetele, võivad nad olla kindlad, et nende endi teave on turvaline.
Miks nimetatakse MPC-d privaatsust säilitavaks arvutuseks?
Andmed on tänapäeva maailmas asendamatu tööriist, millele on otse jälgitavad paljud maailma kõige revolutsioonilisemad ja progressiivsemad edusammud. Kuid andmete jagamisega kaasnevad liiga sageli ettearvamatud privaatsusrikkumiste või isegi kontrolli kaotamise riskid.
Multi-Party Computation (MPC) pakub sellele probleemile loovat lahendust, aidates luua uut veebikeskkonda, kus osapooled pääsevad juurde teatud tüüpi andmetele, ilma et see kahjustaks teiste inimeste või enda teabe turvalisust.
MPC kasutab turvalisi algoritme, mis ei avalda andmeid peale tulemuste, mis tähendab, et osapooled saavad teha olulisi otsuseid ilma isikuandmeid avaldamata või teiste privaatsusõigusi rikkumata. See tehnoloogia võib muuta andmeturbe sellisel kujul, nagu me seda teame, ja sillutada teed turvalisele tulevikule, mis on täis kasulikust teabejagamisest tulenevaid võimalusi.
Mitme osapoolega arvutuslahenduste eelised
MPC lahendused pakuvad laia valikut eeliseid, sealhulgas:
• Suurem turvalisus – krüptitud andmete osadeks jagamisega ja toorandmeid mitte mingil hetkel avaldamata tagab MPC, et ükski osapool ei pääse kogu teabele juurde. See muudab selle ideaalseks lahenduseks väga tundliku teabe, näiteks isikuandmete või meditsiiniliste andmete töötlemiseks.
• Parem privaatsus – kuna iga osaleja saab ainult osa üldisest andmekogumist ja ühelgi osapoolel pole juurdepääsu kogu teabele, aitab MPC parandada ka privaatsust, takistades ühel osapoolel isikute profiili koostamast.
• Täiustatud kiirus ja mastaapsus – MPC lahendused suudavad arvutusi paralleelselt käitada, mis tähendab, et nad suudavad kiiresti töödelda suuri andmehulki. See on eriti kasulik selliste ülesannete puhul nagu masinõpe, mille täitmiseks on vaja palju arvutusvõimsust.
Mitme osapoole arvutuslahenduste puudused
MPC lahenduste peamised puudused on järgmised:
• Suuremad kulud – MPC-lahenduse juurutamine ja käitamine nõuab rohkem ressursse kui traditsioonilised arvutustehnikad. See hõlmab riistvara, tarkvara ja muude seadistamiseks vajalike tööriistade ostmist.
• Keerukus – MPC-süsteemi seadistamine võib olla keerukas, kuna on vaja täiendavaid krüptograafiatehnikaid. See võib raskendada ka tõrkeotsingut ja silumist, kuna kõik probleemid tuleb lahendada mitme osapoole vahel.
• Aeglased kiirused – kuna MPC lahendused kasutavad arvutusi krüptitud andmetel, võivad need sageli töötada aeglasemalt kui traditsioonilised andmetöötlusprotsessid. See tähendab, et suurt arvutusvõimsust nõudvate ülesannete täitmine võib võtta kauem aega.
MPC rakendused reaalses maailmas
Geneetiline testimine
Geneetikud kasutavad geneetiliste andmete analüüsimiseks MPC-d. Toores DNA järjestuste Interneti kaudu saatmise asemel krüpteerib iga osapool oma andmed ja saadab need kolmanda osapoole serverisse, kus MPC saab tulemusi võrrelda, analüüsida ja tõlgendada, ilma et kõik osapooled oma individuaalset teavet avaldaksid.
Finantstehingud
MPC-d saate kasutada finantstehingute tagamiseks. Seda saate saavutada, jagades andmed mitmeks osaks ja töödeldes neid turvalises MPC keskkonnas, tagades, et ühelgi osapoolel pole juurdepääsu kogu teabele. See muudab selle ideaalseks digitaalsete makselahenduste jaoks, nagu krüptovaluutavahetus, kus privaatsus on ülimalt oluline.
Meditsiinilised uuringud
Saate kasutada MPC lahendusi suure hulga meditsiiniliste andmete jagamiseks ja analüüsimiseks. Andmete krüpteerimisel enne nende saatmist pääseb iga osapool juurde teatud teabele, mis ei ohusta ühegi teise isiku privaatsust ega turvalisust. See muudab MPC ideaalseks lahenduseks kliinilisteks uuringuteks ja muudeks uurimisprojektideks, mis hõlmavad tundlikke patsiendiandmeid.
Allkirjastamise lävi plokiahelates
MPC suudab kaitsta digitaalallkirju mitmel viisil blockchain projektid. Nad saavutasid selle, jagades allkirja mitme osaleja vahel, muutes selle nii, et ühelgi osapoolel pole juurdepääsu kogu allkirjale. See tagab, et digitaalallkirjad jäävad turvaliseks ja võltsimiskindlaks isegi siis, kui üks osapool satub ohtu.
Turvalised alternatiivid MPC-le
Krüptograafilised meetodid
Krüptograafilised meetodid on arvutiturbe lahutamatu osa, mis võimaldab meil tundlikke andmeid turvaliselt salvestada ja edastada. Kaks peamist sel eesmärgil kasutatavat krüptograafilist meetodit on homomorfne krüptimine ja nullteadmiste tõestused.
Homomorfne krüptimine kasutab matemaatilisi valemeid, mis võimaldavad krüptitud andmete arvutamist ilma neid eelnevalt dekrüpteerimata, muutes andmete turvalise jagamise lihtsamaks, ilma et see kahjustaks privaatsust.
Nullteadmiste tõestused pakuvad matemaatilisi meetodeid teabe tõesuse kontrollimiseks ilma selle üksikasju paljastamata, muutes need konfidentsiaalse teabe käsitlemisel äärmiselt kasulikuks.
Teine krüptograafias kasutatav tehnika on diferentsiaalne privaatsus, mis lisab kogutud andmetele kontrollitud hulga juhuslikkust, takistades pahatahtlikel osapooltel kasutajate isikuandmeid hankimast. Põhimõtteliselt pakuvad krüptograafilised meetodid meile suuremat kontrolli oma andmete üle, pakkudes kõrgemat turvakihti ja kaitset andmetega seotud rikkumiste eest.
AI/ML-ga toetatud meetodid
AI/ML-toega meetodid aitavad kaasa järgmise põlvkonna privaatsuspõhistele algatustele. Kaks peamist tehnikat, mis seda nihet võimaldavad, on sünteetilised andmed ja ühendatud õpe.
Sünteetilised andmed on tehisintellekti vorm, mis loob andmepunkte, mis kordavad asjakohaste tunnuste jaotust tegelikku teavet kasutamata.
Liitõpe on hajutatud masinõppetehnika vorm, kus analüütikud koolitavad mudeleid korraga mitmes andmekogumis, ilma et oleks oht, et nendesse salvestatud konfidentsiaalne või tundlikku teavet kahjustataks.
Need kaks meetodit koos võimaldavad nii paremat täpsust kui ka tugevamat privaatsuse kaitset algusest lõpuni, võimaldades meil teha targemaid ja suurema kindlusega otsuseid.
Järeldus
MPC on üha populaarsemaks muutuv tehnoloogia, mis võimaldab turvalist andmetöötlust mitme osapoole vahel, kusjuures ühelgi osapoolel pole juurdepääsu kogu andmetele. See kasutab krüptograafilisi tehnikaid, nagu salajane jagamine ja homomorfne krüptimine, et jagada ja krüpteerida andmeid, tagades, et ükski osalejatest ei pääse algandmetele juurde ega pääse nende kaudu profiili.
Oma paljude eelistega, sealhulgas suurenenud turvalisus, parem privaatsus ning suurem kiirus ja mastaapsus, pakuvad MPC lahendused organisatsioonidele võimsat lahendust tundlike andmete turvaliseks ja tõhusaks töötlemiseks.
Allikas: https://www.cryptopolitan.com/multi-party-computation-mpc-solutions/