16.2.4 Biztonságos többszereplős számítás

A közös számítás művészete titkok felfedése nélkül

A Biztonságos Többszereplős Számítás egy kriptográfiai protokollcsalád, amely lehetővé teszi, hogy több, egymásban nem feltétlenül megbízó fél közösen kiértékeljen egy függvényt a privát bemeneteiken, anélkül, hogy ezeket a bemeneteket felfednék egymás előtt. 

Formálisan, ha van `n` fél, mindegyik egy `x_i` privát bemenettel, az SMPC lehetővé teszi számukra, hogy közösen kiszámítsák az `f(x_1, x_2, …, x_n) = y` értéket úgy, hogy minden fél csak a saját `x_i`-jét és a végső `y` eredményt ismeri meg (vagy annak egy részét), de semmi mást nem tud meg a többiek bemeneteiről.

Ez egy lépéssel tovább megy a homomorf titkosításnál. Míg a homomorf titkosításnál egy entitás titkosított adatokon végez számításokat egy másik fél számára, az SMPC egy decentralizált, kollaboratív számítási modellt valósít meg, ahol nincs szükség központi, megbízható harmadik félre.

Hogyan működik a gyakorlatban?

Az SMPC nem egyetlen algoritmus, hanem egy gyűjtőfogalom. 

Két alapvető technika adja a gerincét a legtöbb modern protokollnak:

Titokmegosztás (Secret Sharing)

A Shamir-féle titokmegosztás az egyik leggyakoribb építőkocka. A lényege, hogy egy titkot (`s`) `n` darab „részre” (share) osztunk szét úgy, hogy bármely `k` darab rész birtokában a titok rekonstruálható, de `k-1` vagy kevesebb résszel semmilyen információ nem nyerhető ki róla. 

A felek nem a nyers adataikon, hanem az adatokból generált részeken végeznek számításokat. Mivel egyetlen fél sem rendelkezik elegendő résszel a többiek adatainak rekonstruálásához, az adatok privátak maradnak a számítás során.

# Pszeudokód a titokmegosztás alapelvére
# Figyelem: Ez egy egyszerűsített koncepció, nem kriptográfiailag biztonságos implementáció!

def titok_felosztasa(titok, reszek_szama, kuszob):
 """Feloszt egy titkot 'n' részre, amiből 'k' kell a visszafejtéshez."""
 # Egy k-1 fokú polinomot generálunk, ahol a konstans tag a titok.
 # p(x) = titok + a1*x + a2*x^2 + ... + a(k-1)*x^(k-1)
 polinom_egyutthatok = [titok] + [random.randint(1, 1000) for _ in range(kuszob - 1)]
 
 # A részek a polinom különböző pontjain kiértékelt értékek.
 reszek = []
 for i in range(1, reszek_szama + 1):
 reszek.append((i, evaluate_polynomial(polinom_egyutthatok, i)))
 return reszek

def titok_osszerakasa(reszek):
 """Rekonstruálja a titkot a részekből Lagrange-interpolációval."""
 # A polinomot interpoláljuk a megadott pontokból (részekből).
 # A titok a polinom konstans tagja (p(0)).
 return lagrange_interpolate(reszek, 0)

# Példa: 3 kórház átlagos betegszámot számol
betegszam_1 = 150
betegszam_2 = 200
betegszam_3 = 180

# Mindenki felosztja a saját "titkát" (betegszámát)
reszek_1 = titok_felosztasa(betegszam_1, 3, 3) # (titok, felek száma, küszöb)
reszek_2 = titok_felosztasa(betegszam_2, 3, 3)
reszek_3 = titok_felosztasa(betegszam_3, 3, 3)

# A felek kicserélik a részeket, majd mindenki a saját részeinek összegén dolgozik.
# A részeken végzett összeadás megfelel az eredeti számokon végzett összeadásnak.
# A végeredmény (az összeg) részeit szintén össze tudják rakni.
 

Zavaros Áramkörök (Garbled Circuits)

Ez a technika, különösen a két résztvevős (2PC) esetben népszerű. 

1. Az egyik fél (a „garbler”) létrehozza egy titkosított, „zavaros” verzióját annak a logikai áramkörnek, ami a kívánt számítást végzi. 
2. A másik fél (az „evaluator”) ezen a zavaros áramkörön futtatja a saját titkosított bemenetét, megkapva a titkosított kimenetet. 

A folyamat során az evaluator nem tanulja meg az áramkör logikáját, a garbler pedig nem tanulja meg az evaluator bemenetét. Mindketten csak a végeredményt ismerik meg.

SMPC versus Homomorf Titkosítás: Mikor melyiket?

Bár mindkét technológia a privát adatokon végzett számításokat célozza, eltérő forgatókönyvekben jeleskednek. A kettő közötti választás kulcsfontosságú egy robusztus rendszer tervezésekor.

AI Red Teaming szempontok és támadási vektorok

AI Red Teamerként az SMPC-alapú rendszerek vizsgálatakor a fókusz eltolódik a hagyományos adatszivárgásról a protokoll-szintű sebezhetőségek és a meta-információk felé.

• Félig-őszinte (Semi-Honest) vs. Rosszindulatú (Malicious) modell:
  A legtöbb SMPC protokoll az ún. „félig-őszinte” (vagy „őszinte, de kíváncsi”) fenyegetési modellben bizonyítottan biztonságos. Ez feltételezi, hogy a felek követik a protokollt, de megpróbálnak a kapott köztes üzenetekből információt kinyerni. Az AI Red Team feladata lehet annak tesztelése, mi történik, ha egy fél aktívan szabotálja a protokollt (rosszindulatú modell). Küldhet-e hibás részeket, hogy befolyásolja az eredményt, vagy összeomlassza a számítást?
• Oldalcsatornás támadások:
  Bár a protokoll matematikailag biztonságos, az implementációja sebezhető lehet. A számítási idő, az energiafogyasztás vagy a hálózati forgalom mintázatai információt szivárogtathatnak a privát bemenetekről. Egy kifinomult támadó ezeket a meta-adatokat elemezheti.
• Bemeneti és kimeneti adatvédelem:
  Az SMPC magát a számítást védi. Nem véd attól, ha a végeredmény önmagában szivárogtat információt. Például, ha egy közösen tanított modell kimeneteiből tagsági következtetési támadással (membership inference) visszafejthető, hogy egy adott adatpont szerepelt-e a tanító adathalmazban. Ezért az SMPC-t gyakran kombinálják Differenciális Adatvédelemmel.
• Implementációs hibák: Az SMPC keretrendszerek (pl. PySyft, MP-SPDZ) rendkívül komplexek. Egy hiba a kriptográfiai primitívek implementációjában vagy a protokoll logikájában katasztrofális következményekkel járhat! A forráskód auditálása és a ismert sebezhetőségek keresése kulcsfontosságú.