MPC-toepassingen: private set intersection en ML

MPC brengt theorie naar de praktijk. Private Set Intersection (PSI) en privacybeschermende ML zijn momenteel twee van de meest gebruikte MPC-toepassingen in de industrie.

Bij PSI heeft Alice verzameling A en Bob verzameling B. Ze berekenen A∩B zonder elementen in A\B of B\A te leren. PSI wordt gebruikt voor contactonderzoek door Google en Apple, detectie van advertentiefraude en het delen van informatie over dreigingen.

Als je beide verzamelingen hasht en vergelijkt, is dat onveilig wanneer de verzamelingen klein zijn — een aanvaller probeert dan alle elementen. Bij veilige PSI moet zelfs de grootte van de doorsnede verborgen blijven, of mag alleen de doorsnede worden onthuld.

Oblivious PRF (OPRF): Bob evalueert een PRF op de elementen van Alice zonder ze te leren kennen. Alice krijgt voor elke x∈A de waarde PRF(k, x). Ze vergelijkt die met de vooraf berekende PRF(k, y) van Bob voor y∈B.

Circuit-PSI berekent de doorsnede binnen een MPC-circuit, zodat verdere berekeningen op elementen uit de doorsnede mogelijk zijn, bijvoorbeeld het optellen van aankoopbedragen, zonder bekend te maken welke elementen elkaar overlappen.

PPML traint modellen of voert inferentie uit op gegevens van meerdere partijen. Federatief leren houdt gegevens lokaal; MPC gaat verder: zelfs het model of geaggregeerde gradiënten worden in geheime delen verdeeld.

Het veiligeaggregatieprotocol van Google uit 2017: elke client verdeelt zijn gradiëntupdate in geheime delen. De server reconstrueert alleen de som. Individuele updates worden nooit blootgesteld, zelfs niet aan de server.

CrypTen (Facebook/Meta) en MOTION ondersteunen het uitvoeren van neurale netwerken in PyTorch-stijl op invoer die in geheime delen is verdeeld. Lineaire lagen zijn goedkoop; niet-lineariteiten zoals ReLU vereisen omzetting van booleaanse naar rekenkundige waarden.

ReLU(x) = max(0,x) vereist dat x met 0 wordt vergeleken — een niet-lineaire, niet-rekenkundige bewerking. Dit gebeurt met gecodeerde circuits of bitontbinding en vormt de grootste kostenpost in PPML.

Apple's Private Relay gebruikt PSI. Meta gebruikt MPC voor private advertentiemeting. Het IETF PRIO-protocol, dat in Firefox Telemetry wordt gebruikt, werkt met in geheime delen verdeelde geaggregeerde statistieken.

Met PSI kunnen partijen de doorsnede van verzamelingen privé berekenen via OPRF. Circuit-PSI maakt verdere berekeningen op gegevens uit de doorsnede mogelijk. PPML gebruikt MPC voor aggregatie bij federatief leren en voor modelinferentie op versleutelde invoer. ReLU vormt de belangrijkste kostenbottleneck van PPML.