💻 computer science

PAC to the Future: Zero-Knowledge Proofs of PAC Private Systems

تقترح هذه الورقة إطار عمل مبتكر يدمج بين خصوصية "الاحتمالية التقريبية الصحيحة" (PAC) وبراهين المعرفة الصفرية غير التفاعلية لتمكين التحقق القابل للتحقق والخالي من الثقة لكل من الصحة الحسابية والضجيج الحافظ للخصوصية في أنظمة تعلم الآلة وقواعد البيانات المستأجرة.

المؤلفون الأصليون: Guilhem Repetto, Nojan Sheybani, Gabrielle De Micheli, Farinaz Koushanfar

نُشر 2026-02-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Guilhem Repetto, Nojan Sheybani, Gabrielle De Micheli, Farinaz Koushanfar

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك استأجرت طباخاً مشهوراً (الذي يمثل مزود الخدمة السحابية) ليطهو لك وصفة عائلية سرية. لقد أعطيته مكوناتك السرية (التي تمثل بياناتك الخاصة)، ووعدك بأن يطهو الطبق مع الحفاظ على سلامة وصون وصفتك. ومع ذلك، لديك قلقان كبيران:

مشكلة الثقة: كيف تعرف أنه استخدم بالفعل مكوناتك ولم يقدم لك بيتزا مجمدة من مجمده الخاص؟
مشكلة الخصوصية: كيف تعرف أنه لم يتلصص على وصفتك السرية أثناء الطهي، أو أنه لم يكشف سرك للعالم عن طريق الخطأ؟

عادةً، عليك فقط أن تثق به. ولكن في عالم البيانات والذكاء الاصطناعي، تعتبر الثقة لعبة محفوفة بالمخاطر.

تقترح هذه الورقة البحثية، "PAC to the Future"، طريقة جديدة لحل هذه المعضلة. فهي تجمع بين أداتين قويتين لإنشاء "صندوق طبخ سحري" يضمن كلاً من الأمانة والخصوصية.

الأداتان السحريتان

1. خصوصية PAC: "الطباخ معصوب العينين"

فكر في خصوصية PAC (الخصوصية المحتملة التقريبية الصحيحة - Probably Approximately Correct Privacy) كقاعدة خاصة للطباخ.

المشكلة: إذا قام الطباخ بطهي وصفتك تماماً كما هي، فقد يتعرف على سرك. أما إذا أضاف الكثير من "الضجيج" (مثل إضافة توابل عشوائية لإخفاء المذاق)، فسيصبح الطبق غير قابل للأكل.
حل PAC: إن PAC هي طريقة ذكية لإضافة القدر "المناسب" من "الضجيج" (العشوائية). الأمر يشبه قيام الطباخ بإضافة كمية محسوبة بدقة من الملح والفلفل تجعل الطبق مختلفاً قليلاً في المذاق (لحماية سرك) ولكنه يظل لذيذاً بما يكفي ليكون مفيداً.
العقبة: كيف تعرف أن الطباخ أضاف الكمية الصحيحة من الملح؟ إذا كذب وأضاف أي ملح، فسيتم كشف سرك. وإذا أضاف الكثير منه، فسيفسد الطبق.

2. براهين المعرفة الصفرية (ZKPs): "المغلف السحري"

هنا يأتي دور برهان المعرفة الصفرية (Zero-Knowledge Proof). تخيل أن الطباخ يضع الطبق النهائي والوصفة داخل مغلف سحري.

يمكن للطباخ هز المغلف ليثبت لك: "لقد اتبعت القواعد! لقد استخدمت مكوناتك، وأضفت بالضبط كمية الملح المطلوبة بموجب القواعد."
السحر: يمكنك التحقق من هذا البرهان دون فتح المغلف أبداً. أنت لا ترى المكونات، ولا ترى وعاء الملح، ولا ترى الوصفة. أنت فقط تحصل على "ختم موافقة" رياضي يقول: "نعم، لقد تم تنفيذ هذا بشكل صحيح."

كيف يعملان معاً (نظام "PAC to the Future")

بنى المؤلفون نظاماً يمكن فيه لخادم سحابي (الطباخ) معالجة بياناتك وإثبات أنه قام بالمهمة بشكل صحيح، كل ذلك دون أن تطلع أنت على البيانات الخام.

إليك العملية خطوة بخفاء باستخدام تشبيهنا:

الإعداد: تريد تدريب ذكاء اصطناعي (مثل تعليم روبوت التعرف على القطط). تعطي الخادم صورك الخاصة.
توليد الضجيج (الخلطة السرية): يحسب الخادم بالضبط مقدار "الضجيج" (العشوائية) الذي يجب إضافته لحماية صورك. هذه العملية الحسابية معقدة ويجب أن تظل سرية.
- الحيلة: يستخدم الخادم برهان المعرفة الصفرية ليقول: "لقد حسبت الضجيج بشكل صحيح بناءً على صورك، لكني لن أريك الصور أو حسابات الضجيج".
المعالجة: يقوم الخادم بتشغيل تدريب الذكاء الاصطناعي على صورك، ويضيف الضجيج السري، ثم ينتج النتيجة.
البرهان: يرسل لك الخادم النتيجة (الذكاء الاصطناعي المدرب) وإيصال برهان المعرفة الصفرية (ZKP receipt).
التحقق: تتحقق من الإيصال. هو يثبت:
- أن الخادم لم يغش (لقد قام بالفعل بالعمليات الحسابية).
- أنه أضاف كمية ضجيج الخصوص الصحيحة (لذا صورك آمنة).
- أنه لم يتلصص على بياناتك (لأن البرهان يعمل حتى لو كانت البيانات مخفية).

لماذا يعد هذا أمراً بالغ الأهمية؟

لا مزيد من الثقة العمياء: ليس عليك الوثوق بمزود الخدمة السحابية (مثل Google أو AWS) ليكون صادقاً. الرياضيات تثبت ذلك لك.
خصوصية أفضل مما سبق: الطرق القديمة (مثل الخصوصية التفاضلية - Differential Privacy) غالباً ما تتطلب إضافة الكثير من "الضجيج" لدرجة تجعل البيانات عديمة الفائدة. خصوصية PAC أكثر ذكاءً؛ فهي تضيف فقط ما يكفي من الضجيج لتكون آمناً مع الحفاظ على فائدة البيانات.
جاهز لعصر ما بعد الكم (Post-Quantum Ready): يستخدم النظام نوعاً معيناً من البراهين (يسمى zk-STARKs) وهو آمن حتى ضد الحواسيب الخارقة المستقبلية (الحواسيب الكمومية) التي قد تكسر الأقفال الحالية.

أمثلة "K-Means" و "SVM"

في الورقة البحثية، اختبروا هذا على مهمتين شائعتين للذكاء الاصطناعي:

K-Means (التجميع): تخيل فرز كومة من الجوارب المختلطة إلى أزواج. أثبت النظام قدرته على فرز صور جواربك الخاصة إلى مجموعات دون الكشف عن شكل الجوارب.
SVM (التصنيف): تخيل فرز رسائل البريد الإلكتروني إلى "رسائل مزعجة" أو "ليست مزعجة". أثبت النظام قدرته على التعلم من رسائل بريدك الإلكتروني الخاصة لتمييز الرسائل المزعجة، دون قراءة محتوى رسائلك أبداً.

الخلاصة

تقدم هذه الورقة البحثية مطبخاً لا يعتمد على الثقة. يمكنك إرسال مكوناتك السرية إلى شخص غريب، والحصول على وجبة لذيذة، وتلقي إيصال سحري يثبت أن الغريب لم يسرق وصفتك أو يقدم لك وجبة مزيفة. إنها تجعل مستقبل الحوسبة الخاصة آمناً، وقابلاً للتحقق، وعملياً.

إليك ملخص تقني مفصل لورقة البحث بعنوان "PAC to the Future: Zero-Knowledge Proofs of PAC Private Systems".

1. بيان المشكلة

أدى النمو السريع لتعلم الآلة (ML) ومعالجة البيانات القائمة على السحابة واسعة النطاق إلى تكثيف المخاوف المتعلقة بخصوصية بيانات المستخدم الحساسة. وبينما توفر الخصوصية الاحتمالية التقريبية (PAC Privacy) إطار عمل قوي لحماية البيانات في الخوارزميات ذات الصندوق الأسود (عن طريق إضافة الضجيج، وهو ما يتفوق غالباً على الخصوصية التفاضلية من حيث المقايضة بين المنفعة والضجيج)، إلا أنها تعاني من قصور حرج في البيئات التي تفتقر إلى الثقة: القابلية للتحقق.

في سيناريوهات الحوسبة المستأجرة (مثل مزودي الخدمات السحابية)، لا يمكن للمستخدمين التحقق مما إذا كان مزود الخدمة قد قام بـ:

حساب الآلية المقصودة بشكل صحيح (مثل تدريب نموذج).
تطبيق القدر الصحيح من الضجيج المحافظ على الخصوصية كما هو موعود.
القيام بذلك دون الكشف عن البيانات المملوكة أو معلمات الضجيج المحددة.

الحلول الحالية مثل التشفير المتماثل الكامل (FHE) أو الحوسبة متعددة الأطراف (MPC) تحمي البيانات ولكنها غالباً ما تفتقر إلى الكفاءة في التحقق. وعلى العكس من ذلك، فإن براهين المعرفة الصفرية (ZKP) القياسية تضمن النزاهة، لكنها لم تُدمج بفعالية مع خصوصية PAC لإثبات أن توليد الضجيج المحدد المطلوب لضمانات PAC قد تم تنفيذه بشكل صحيح.

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر يدمج خصوصية PAC مع براهين المعرفة الصفرية غير التفاعلية (تحديداً zk-STARKs) لإنشاء نظام تكون فيه ضمانات الخصوصية صارمة رياضياً وقابلة للتحقق تشفيرياً.

المكونات الأساسية

آلية خصوصية PAC: يستخدم النظام إطار عمل PAC حيث تعالج آلية $M$ البيانات الحساسة $X$ . لضمان الخصوصية، يتم إضافة متجه ضجيج $B$ إلى المخرج $M(X)$ . يتم تحديد الضجيج بواسطة مصفوفة التباين $\Sigma$ ، التي تُحسب بناءً على توزيع البيانات لضمان بقاء المعلومات المتبادلة بين المدخل والمخرج المشوش ضمن حدود المعلمة $\beta$ .
براهين المعرفة الصفرية (zk-STARKs): يستخدم المؤلفون zk-STARKs (الحجج المعرفية القابلة للتوسع والشفافة وغير التفاعلية) عبر إطار عمل RISC-Zero.
- لماذا zk-STARKs؟ توفر أماناً لما بعد الكم (تعتمد على دالات الهاش بدلاً من المنحنيات الإهليلجية)، ولا تتطلب إعداداً موثوقاً (شفافة)، وتدعم البراهين غير التفاعلية (قابلة للتحقق علناً).
التدفق غير التفاعلي: يعمل النظام في بيئة غير تفاعلية حيث يقوم المُثبت (الخادم السحابي) بإنشاء برهان واحد يمكن لأي مُتحقق (عميل) التحقق منه دون مزيد من التواصل.

خطوات التنفيذ التقني

تنقسم المنهجية إلى مرحلتين متميزتين، يتم تنفيذهما داخل دائرة ZK:

مرحلة توليد الضجيج (الخوارزمية 1):
- يحسب المُثبت مصفوفة التباين $\Sigma$ بناءً على مجموعة البيانات لتحديد توزيع الضجيج اللازم.
- للحفاظ على الخصوصية، لا يتم الكشف عن $\Sigma$ أبداً. بدلاً من ذلك، يقوم المُثبت بحساب هاش $h(\Sigma)$ داخل دائرة ZK.
- ينشئ المُثبت برهاناً $\pi_1$ يؤكد أن $h(\Sigma)$ قد استُخلص بشكل صحيح من خوارزمية توليد ضجيج صالحة دون الكشف عن $\Sigma$ نفسه.
مرحلة حساب PAC (الخوارزمية 2):
- يرسل المُتحقق نقطة بيانات $x$ وبذرة عشوائية سرية $s$ (تُستخدم لتوليد متجه الضجيج $B$ بشكل حتمي من $\Sigma$ ).
- يستخدم المُثبت البذرة $s$ و $\Sigma$ الخاصة لتوليد الضجيج $B$ .
- يحسب المُثبت المخرج النهائي $M(x) + B$ .
- والأهم من ذلك، يثبت المُثبت داخل الدائرة أن هاش $\Sigma$ المستخدم لتوليد $B$ يطابق الهاش العام $h(\Sigma)$ المقدم في المرحلة الأولى.
- المخرج هو النتيجة المشوشة $M(x) + B$ مصحوبة ببرهان $\pi_2$ يتحقق من صحة الحساب والالتزام بضوابط خصوصية PAC.

التكيف مع قيود ZK

يتطلب تنفيذ خوارزميات تعلم الآلة في دوائر ZK (تحديداً RISC-Zero) تعديلات محددة لأن دوائر ZK يجب أن تكون حتمية ولها مسارات تنفيذ ثابتة (لا تسمكن من استخدام الحلقات أو التفرعات المعتمدة على البيانات):

K-Means: يتم استبدال العشوائية بترتيب مدخلات ثابت. يتم التعامل مع تعيينات المراكز عبر قوائم ثابتة الحجم مع علامات بولية (boolean flags) لمحاكاة أحجام المجموعات المتغيرة. يتم تثبيت التكرارات على عدد أقصى بدلاً من الجريان حتى التقارب.
SVM: يتم تطبيع النماذج لضمان ثبات المقياس، ويتم تطبيق التنميط (canonicalization) على المستوى الفائق (hyperplane) للمخرجات.
إحصائيات قواعد البيانات: تُترجم الاستعلامات إلى متجهات "صيغة" (Formula) ثابتة الحجم تمثل المرشحات (مثل Age > 26 AND Age < 100) لضمان بقاء استخدام الذاكرة ثابتاً بغض النظر عن حجم نتيجة الاستعلام.

3. المساهمات الرئيسية

أول إطار عمل لخصوصية PAC القابلة للتحقق: تقدم الورقة أول نظام متكامل يجمع بين خصوصية PAC و zk-STARKs لتوفير ضمانات خصوصية قابلة للتحقق في البيئات المستأجرة التي تفتقت للثقة.
أمان ما بعد الكم غير التفاعلي: من خلال الاستفادة من zk-STARKs، يوفر النظام براهين قابلة للتحقق علناً دون الحاجة لإعداد موثوق، ويوفر مقاومة للهجمات الكمومية.
التنفيذ العملي: نجح المؤلفون في تنفيذ وتكييف خوارزميات معقدة (K-Means، SVM، واستعلامات قواعد البيانات الإحصائية) لتعمل ضمن قيود آلة RISC-Zero الافتراضية لـ zk-STARK.
تحليل الكفاءة: توضح الدراسة أنه على الرغم من أن براهين ZK تزيد من الأعباء، إلا أن النظام يحافظ على منفعة قريبة من حالة النص الصريح (plaintext)، كما أن عبء توليد البرهان يتوسع بشكل متوقع (خطي/أفيني) مع حجم مجموعة البيانات.

4. النتائج التجريبية

قام المؤلفون بتقييم النظام على ثلاث آليات باستخدام إطار عمل RISC-Zero:

تجميع K-Means:
- الأداء: أظهر عدد دورات RISC (التكلفة الحسابية) نمواً أفينياً (خطياً) مثالياً بالنسبة لعدد العينات ( $M$ ) وعدد المجموعات ( $K$ ).
- الملاحظة: بمجرد توليد الضجيج، تصبح تكلفة نسخة PAC مقاربة لتكلفة معالجة عينة واحدة في مرحلة توليد الضجيج.
آلات ناقلات الدعم (SVM):
- الأداء: أظهرت اتجاهاً أفينياً عاماً ولكن مع تقلبات طفيفة مقارنة بـ K-Means.
- السبب: تتطلب SVM عمليات ذاكرة أكثر (تخزين مؤقت)، مما يؤدي إلى عدد دورات غير حتمي في zkVM، رغم أن التوسع الإجمالي يظل خطياً.
إحصائيات قواعد البيانات:
- الأداء: أظهرت سلوكاً أفينياً مشابهاً للاستعلامات الإحصائية (مثل المتوسطات، الوسيط) عبر مجموعات البيانات المرشحة.
المنفعة: حافظ النظام على "منفعة قريبة من النص الصريح"، مما يعني أن المخرجات المشوشة ظلت مفيدة للغاية للمهام الإحصائية أو تعلم الآلة المقصودة مع استيفاء ضوابط الخصوصية الصارمة.

5. الأهمية والخاتمة

يسد هذا العمل فجوة حرجة بين نظرية الخصوصية ونزاهة الحوسبة.

الثقة في الذكاء الاصطناğu السحابي: يتيح للمستخدمين استئجار معالجة البيانات الحساسة من مزودي السحابة غير الموثوقين مع اليقين الرياضي بأن المزود طبق حمايات الخصوصية الصحيحة (ضجيج PAC) وحسب النتيجة بشكل صحيح.
ما وراء الخصوصية التفاضلية: من خلال استخدام خصوصية PAC، يتجنب النظام التدهور الشديد في المنفعة الذي غالباً ما يصاحب الخصوصية التفاضلية (DP) في السيناريوهات عالية الأبعاد أو ذات مجموعات البيانات الصغيرة، مع توفير ضمانات قابلة للتحقق في الوقت نفسه.
مستقبل الحوسبة الخالية من الثقة: إن دمج براهين ZKP غير التفاعلية والآمنة لما بعد الكم مع أطر الخصوصية المتقدمة يضع معياراً جديداً لأنظمة قواعد البيانات وتعلم الآلة القابلة للتدقيق والمحافظة على الخصوصية.

باختصار، تثبت ورقة "PAC to the Future" أنه من الممكن بناء أنظمة قابلة للتحقق وتحافظ على الخصوصية حيث يتم فتح "الصندوق الأسود" لمزود الخدمة السحابية بما يكفي فقط لإثبات الامتثال لقوانين الخصوصية، دون الكشف أبداً عن البيانات الخام أو الخوارزميات المملوكة للمزود.