Zastosowania MPC: prywatne przecięcie zbiorów i uczenie maszynowe

MPC przenosi teorię do praktyki. Prywatne przecięcie zbiorów (PSI) i uczenie maszynowe chroniące prywatność to obecnie dwa najczęściej wdrażane w przemyśle zastosowania MPC.

PSI: Alice ma zbiór A, a Bob ma zbiór B. Obliczają A∩B bez poznawania elementów należących do A\B ani B\A. Technika ta jest używana do śledzenia kontaktów przez Google/Apple, wykrywania oszustw reklamowych i wymiany informacji o zagrożeniach.

Haszowanie obu zbiorów i ich porównywanie jest niebezpieczne, jeśli zbiory są małe — atakujący może wypróbować wszystkie elementy. Bezpieczne PSI musi ukrywać nawet rozmiar części wspólnej (lub ujawniać wyłącznie część wspólną).

Oblivious PRF (OPRF): Bob oblicza PRF na elementach Alice bez poznawania ich wartości. Alice otrzymuje PRF(k, x) dla każdego x∈A. Porównuje je z wcześniej obliczonymi przez Boba wartościami PRF(k, y) dla y∈B.

PSI obwodowe oblicza przecięcie zbiorów wewnątrz obwodu MPC, umożliwiając dalsze obliczenia na elementach przecięcia, na przykład sumowanie kwot zakupów, bez ujawniania, które elementy się przecinają.

PPML trenuje modele lub wykonuje wnioskowanie na danych pochodzących od wielu stron. Uczenie federacyjne przechowuje dane lokalnie, natomiast MPC idzie o krok dalej — nawet model lub zagregowane gradienty są dzielone na tajne udziały.

Protokół bezpiecznej agregacji firmy Google z 2017 roku: każdy klient dzieli aktualizację gradientu na tajne udziały. Serwer odtwarza wyłącznie sumę. Poszczególne aktualizacje nigdy nie są ujawniane, nawet serwerowi.

CrypTen (Facebook/Meta) i MOTION obsługują uruchamianie sieci neuronowych w stylu PyTorch na danych wejściowych podzielonych na tajne udziały. Warstwy liniowe są tanie obliczeniowo, natomiast funkcje nieliniowe (ReLU) wymagają konwersji z reprezentacji boolowskiej na arytmetyczną.

ReLU(x) = max(0,x) wymaga porównania x z 0 — jest to operacja nieliniowa i niearytmetyczna. Wykonuje się ją za pomocą obwodów z garbled circuits lub dekompozycji bitowej, a jej koszt dominuje w PPML.

Private Relay firmy Apple korzysta z PSI. Meta używa MPC do prywatnego pomiaru skuteczności reklam. Protokół IETF PRIO, używany w Firefox Telemetry, wykorzystuje statystyki agregowane podzielone na tajne udziały.

PSI umożliwia stronom prywatne obliczanie przecięcia zbiorów za pomocą OPRF. PSI obwodowe pozwala na dalsze obliczenia na danych przecięcia. PPML wykorzystuje MPC do agregacji w uczeniu federacyjnym i wnioskowania modelu na zaszyfrowanych danych wejściowych. ReLU stanowi główskie wąskie gardło kosztowym PPML.