MPC-tillämpningar: privat mängdskärning och ML

MPC omsätter teori i praktiken. Private Set Intersection (PSI) och sekretessbevarande maskininlärning är två av de MPC-tillämpningar som används mest inom industrin i dag.

PSI: Alice har mängden A och Bob har mängden B. De beräknar A∩B utan att få veta elementen i A\B eller B\A. Tekniken används för kontaktspårning hos Google/Apple, upptäckt av annonsbedrägerier och delning av hotinformation.

Det är osäkert att hasha båda mängderna och jämföra dem om mängderna är små – en angripare kan prova alla element. En säker PSI-lösning kräver att även storleken på snittet döljs (eller att endast snittet avslöjas).

Oblivious PRF (OPRF): Bob utvärderar en PRF på Alices element utan att få veta vilka de är. Alice får PRF(k, x) för varje x∈A. Hon jämför dessa med Bobs förberäknade PRF(k, y) för y∈B.

Circuit PSI beräknar snittet i en MPC-krets, vilket möjliggör fortsatt beräkning på snittelementen, till exempel summering av inköpsbelopp, utan att avslöja vilka objekt som ingår i snittet.

PPML tränar modeller eller kör inferens på data från flera parter. Federerad inlärning håller data lokalt; MPC går längre – även modellen eller de aggregerade gradienterna delas upp med hemlighetsdelning.

Googles protokoll för säker aggregering från 2017: varje klient delar upp sin gradientuppdatering i hemlighetsdelar. Servern återskapar endast summan. Enskilda uppdateringar exponeras aldrig, inte ens för servern.

CrypTen (Facebook/Meta) och MOTION stöder körning av neurala nätverk i PyTorch-stil på indata som delats upp med hemlighetsdelning. Linjära lager är billiga; icke-linjära funktioner (ReLU) kräver konvertering från boolesk till aritmetisk representation.

ReLU(x) = max(0,x) kräver att x jämförs med 0 – en icke-linjär, icke-aritmetisk operation. Detta görs med garbled circuits eller bitdekomposition och är den största kostnaden i PPML.

Apples Private Relay använder PSI. Meta använder MPC för integritetsbevarande annonsmätning. IETF-protokollet PRIO, som används i Firefox Telemetry, använder aggregerad statistik som delas upp med hemlighetsdelning.

PSI låter parter beräkna mängdsnitt privat med hjälp av OPRF. Circuit PSI möjliggör fortsatt beräkning på snittdata. PPML använder MPC för aggregering i federerad inlärning och modellinferens på krypterad indata. ReLU är den främsta kostnadsflaskhalsen i PPML.