MPC-anvendelser: privat mengdeoverlapp og maskinlæring

MPC gjør teori praktisk anvendelig. Private Set Intersection (PSI) og personvernbevarende maskinlæring er to av de mest utbredte MPC-applikasjonene i industrien i dag.

PSI: Alice har mengden A, og Bob har mengden B. De beregner A∩B uten å få vite elementene i A\B eller B\A. Dette brukes til smittesporing hos Google/Apple, oppdaging av annonsesvindel og deling av trusseletterretning.

Det er usikkert å hashe begge mengdene og sammenligne dem hvis mengdene er små — en angriper kan prøve alle elementene. En sikker PSI må skjule selv størrelsen på snittet, eller bare avsløre snittet.

Oblivious PRF (OPRF): Bob evaluerer en PRF på Alices elementer uten å lære dem. Alice får PRF(k, x) for hvert x∈A. Hun sammenligner dette med Bobs forhåndsberegnede PRF(k, y) for y∈B.

Kretsbasert PSI beregner snittet inne i en MPC-krets, slik at det kan utføres videre beregninger på snittelementene (for eksempel summering av kjøpsbeløp) uten å avsløre hvilke elementer som inngår i snittet.

PPML trener modeller eller kjører inferens på data fra flere parter. Føderert læring holder dataene lokale, mens MPC går et skritt videre – selv modellen eller aggregerte gradienter er hemmelighetsdelte.

Googles protokoll for sikker aggregering fra 2017: Hver klient deler gradientoppdateringen sin ved hjelp av hemmelighetsdeling. Serveren rekonstruerer bare summen. Individuelle oppdateringer eksponeres aldri, heller ikke for serveren.

CrypTen (Facebook/Meta) og MOTION støtter kjøring av nevrale nettverk i PyTorch-stil på hemmelighetsdelte inndata. Lineære lag er lite kostnadskrevende, mens ikke-linearitet (ReLU) krever konvertering fra boolsk til aritmetisk representasjon.

ReLU(x) = max(0,x) krever at x sammenlignes med 0 – en ikke-lineær, ikke-aritmetisk operasjon. Dette gjøres med garbled circuits eller bitdekomponering, og utgjør den største kostnaden i PPML.

Apples Private Relay bruker PSI. Meta bruker MPC til privat annonsemåling. IETF-protokollen PRIO (som brukes i Firefox Telemetry) bruker hemmelighetsdelte aggregerte statistikker.

PSI lar parter beregne snittet av mengder privat ved hjelp av OPRF. Kretsbasert PSI muliggjør videre beregninger på snittdata. PPML bruker MPC til aggregering i føderert læring og modellinferens på krypterte inndata. ReLU er den viktigste kostnadsflaskehalsen i PPML.