Aplicações de MPC: interseção privada de conjuntos e aprendizado de máquina

A MPC transforma a teoria em prática. A interseção privada de conjuntos (PSI) e o aprendizado de máquina com preservação da privacidade são duas das aplicações de MPC mais utilizadas atualmente no setor.

PSI: Alice possui o conjunto A, e Bob possui o conjunto B. Eles calculam A∩B sem descobrir os elementos de A\B ou de B\A. É usada no rastreamento de contatos do Google/Apple, na detecção de fraude publicitária e no compartilhamento de inteligência sobre ameaças.

Calcular o resumo criptográfico dos dois conjuntos e compará-los é inseguro quando os conjuntos são pequenos — um adversário pode tentar todos os elementos. Uma PSI segura exige que até mesmo o tamanho da interseção fique oculto (ou que apenas a interseção seja revelada).

PRF Oblívia (OPRF): Bob avalia uma PRF nos elementos de Alice sem descobri-los. Alice obtém PRF(k, x) para cada x∈A. Ela compara esses valores com a PRF(k, y) pré-calculada por Bob para y∈B.

O PSI de circuito calcula a interseção dentro de um circuito MPC, permitindo realizar cálculos adicionais sobre os elementos da interseção (por exemplo, somar valores de compras) sem revelar quais itens se intersectam.

O PPML treina ou executa inferência sobre dados de várias partes. O aprendizado federado mantém os dados localmente; o MPC vai além — até mesmo the modelo ou os gradientes agregados são compartilhados em segredo.

Protocolo de agregação segura de 2017 do Google: cada client compartilha em segredo sua atualização de gradiente. O servidor reconstrói apenas a soma. As atualizações individuais nunca são expostas, nem mesmo ao the servidor.

CrypTen (Facebook/Meta) e MOTION permitem executar redes neurais no estilo PyTorch sobre entradas compartilhadas em segredo. As camadas lineares são baratas; as não linearidades (ReLU) exigem conversão de Booleano para aritmética.

ReLU(x) = max(0,x) exige comparar x com 0 — uma operação não linear e não aritmética. Isso é feito com circuitos embaralhados ou decomposição em bits e representa o principal custo do PPML.

O Private Relay da Apple usa PSI. A Meta usa MPC para medição privada de anúncios. O protocolo PRIO da IETF (usado na Telemetria do Firefox) utiliza estatísticas agregadas compartilhadas em segredo.

No PSI baseado em OPRF, qual parte detém a the PRF key e o que a the outra parte aprende?

O PSI permite que as partes calculem a interseção de conjuntos de forma privada por meio de OPRF. O PSI de circuito permite cálculos adicionais sobre os dados da interseção. O PPML usa MPC para a agregação do aprendizado federado e a inferência de modelos sobre entradas criptografadas. ReLU é o principal gargalo de custo do PPML.