🤖 machine learning

Secure, Verifiable, and Scalable Multi-Client Data Sharing via Consensus-Based Privacy-Preserving Data Distribution

यह शोध पत्र कंसेंसस-बेस्ड प्राइवेसी-प्रिजर्विंग डेटा डिस्ट्रीब्यूशन (CPPDD) फ्रेमवर्क का प्रस्ताव करता है, जो एक हल्का और स्केलेबल प्रोटोकॉल है जो एफ़ाइन मास्किंग और अनुक्रमिक सर्वसम्मति के माध्यम से सुरक्षित, सत्यापन योग्य और निष्पक्ष मल्टी-क्लाइंट डेटा साझाकरण सुनिश्चित करता है, तथा पारंपरिक MPC और HE विधियों की तुलना में बेहतर दक्षता और मजबूती प्राप्त करता है।

मूल लेखक: Prajwal Panth, Sahaj Raj Malla

प्रकाशित 2026-05-21

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Prajwal Panth, Sahaj Raj Malla

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप और 499 अन्य लोग अपने पूरे समूह का औसत वेतन (average salary) निकालना चाहते हैं। आप सभी अंतिम संख्या जानना चाहते हैं, लेकिन कोई भी अपनी व्यक्तिगत आय किसी को भी नहीं बताना चाहता—यहाँ तक कि उस व्यक्ति को भी नहीं जो गणित कर रहा है।

पारंपरिक तरीके ऐसे हैं जैसे किसी बहुत महंगे, धीमे अकाउंटेंट को काम पर रखना जिसे हर कागज को संभालने के लिए 'हैज़मैट सूट' (hazmat suit) पहनने की ज़रूरत हो, या डेटा में इतना रैंडम शोर (noise) मिला देना कि अंतिम उत्तर केवल एक "अनुमान" बनकर रह जाए, न कि सटीक सत्य।

यह पेपर एक नई विधि पेश करता है जिसे CPPDD (कंसेंसस-बेस्ड प्राइवेसी-प्रिजर्विंग डेटा डिस्ट्रीब्यूशन) कहा जाता है। इसे एक हाई-स्पीड, ट्रस्टलेस रिले रेस की तरह समझें जहाँ आपका गुप्त डेटा एक 'बैटन' (baton) है।

यह कैसे काम करता है, यहाँ रोजमर्रा के उदाहरणों के साथ समझाया गया है:

1. "डबल-लॉक" बॉक्स (गोपनीयता/Privacy)

रेस शुरू होने से पहले, एक तटस्थ आयोजक (कोऑर्डिनेटर) सभी को एक विशेष बॉक्स देता है।

लॉक 1 (द पर्सनल मास्क): आप अपना वेतन बॉक्स में रखते हैं और उसे अपनी अनूठी चाबी से लॉक कर देते हैं। यह अपने डेटा को एक तिजोरी में रखने जैसा है जिसे केवल आप ही खोल सकते हैं।
लॉक 2 (द चेन लिंक): आयोजक फिर एन्क्रिप्शन की एक दूसरी परत जोड़ता है जो आपके बॉक्स को अगले व्यक्ति के बॉक्स से जोड़ती है।

इसका परिणाम एक "कंसेंसस-लॉक्ड वेक्टर" (Consensus-Locked Vector) है। यह बक्सों की एक ऐसी श्रृंखला है जिसे कोई भी अकेला व्यक्ति पूरी तरह नहीं खोल सकता।

2. रिले रेस (प्रक्रिया)

डेटा को एक केंद्रीय सर्वर पर एक साथ भेजने के बजाय (जो धीमा और जोखिम भरा है), डेटा एक विशिष्ट क्रम में चलता है, जैसे कि एक रिले रेस में:

व्यक्ति 1 लॉक की गई श्रृंखला को लेता है, अपनी चाबी का उपयोग करके अपने हिस्से को अनलॉक करता है, और अपडेट की गई श्रृंखला को व्यक्ति 2 को सौंप देता है।
व्यक्ति 2 भी वही करता है, अपने हिस्से को अनलॉक करता है और श्रृंखला को व्यक्ति 3 को पास कर देता है।
यह तब तक जारी रहता है जब तक कि व्यक्ति 500 प्रक्रिया पूरी नहीं कर लेता।

चूंकि यह एक श्रृंखला है, यदि व्यक्ति 10 धोखाधड़ी करने की कोशिश करता है या बीच में ही छोड़ देता है, तो श्रृंखला टूट जाती है, और व्यक्ति 11 को तुरंत पता चल जाता है कि कुछ गलत हुआ है।

3. "टैम्पर-एविडेंट टेप" (सुरक्षा और अखंडता)

आप यह कैसे जानेंगे कि किसी ने नंबरों को बदलते हुए या अंदर झांकते हुए हेरफेर नहीं किया है?

स्टेप चेकसम (Step Checksums): प्रत्येक हैंडऑफ (हस्तांतरण) पर, सिस्टम श्रृंखला की वर्तमान स्थिति का एक डिजिटल "फिंगरप्रिंट" (चेकसम) बनाता है। यह बैटन को 'टैम्पर-एविडेंट टेप' (छेड़छाड़ का पता लगाने वाली टेप) से सील करने जैसा है। यदि अगला व्यक्ति इसे प्राप्त करते समय टेप टूटा हुआ पाता है, तो उसे पता चल जाएगा कि इसके साथ छेड़छाड़ की गई है।
एटॉमिक एबॉर्ट (Atomic Abort): यदि कोई भी धोखाधड़ी करता है, तो रेस तुरंत रुक जाती है। किसी को भी अंतिम उत्तर नहीं मिलता। इसे "ऑल-ऑर-नथिंग" (सब कुछ या कुछ भी नहीं) अखंडता कहा जाता है। या तो आपको बिल्कुल सही उत्तर मिलेगा, या आपको कुछ भी नहीं मिलेगा। यह धोखेबाजों को आंशिक जानकारी प्राप्त करने से रोकता है।

4. यह बेहतर क्यों है?

गति (Speed): पारंपरिक सुरक्षित विधियाँ चम्मच से पहाड़ हटाने की कोशिश करने जैसी हैं। यह विधि एक कन्वेयर बेल्ट की तरह है। यह लीनियर (linear) है, जिसका अर्थ है कि यदि आप लोगों की संख्या दोगुनी करते हैं, तो काम केवल दोगुना होता है। यह जटिलता के विस्फोट के साथ नहीं बढ़ता।
लाइटवेट (Lightweight): यह बहुत कम कंप्यूटर पावर का उपयोग करता है। पेपर दिखाता है कि यह 500 लोगों के लिए प्रति व्यक्ति एक सेकंड से भी कम समय में, पुरानी विधियों की तुलना में बहुत कम ऊर्जा का उपयोग करके इसे संभाल सकता है।
बाद में किसी बिचौलिए की आवश्यकता नहीं: एक बार रेस शुरू होने के बाद, आयोजक हट जाता है। प्रतिभागी एक-दूसरे को सत्यापित करते हैं। इससे आयोजक के भ्रष्ट या हैक होने का जोखिम समाप्त हो जाता है।
सटीक उत्तर: कुछ गोपनीयता विधियों के विपरीत जो "शोर" (noise) जोड़ती हैं (जिससे उत्तर धुंधला हो जाता है), यह विधि आपको सटीक गणितीय परिणाम देती है।

5. इसका उपयोग कहाँ किया जा सकता है?

पेपर सुझाव देता है कि यह उन स्थितियों के लिए उपयोगी है जहाँ समूहों को एक-दूसरे पर भरोसा किए बिना सहयोग करने की आवश्यकता होती है:

सुरक्षित मतदान (Secure Voting): यह जाने बिना कि किसने किसे वोट दिया, वोटों की गिनती करना।
बिजनेस बेंचमार्क्स (Business Benchmarks): प्रतिस्पर्धी कंपनियां अपने निजी डेटा को प्रकट किए बिना उद्योग के औसत मेट्रिक्स (जैसे कार्बन उत्सर्जन या अस्पताल के बेड की क्षमता) की गणना करती हैं।
फेडरेटेड लर्निंग (Federated Learning): मरीज या ग्राहक का डेटा साझा किए बिना विभिन्न अस्पतालों या बैंकों के माध्यम से AI मॉडल को प्रशिक्षित करना।
ब्लॉकचेन एस्क्रो (Blockchain Escrows): धन को तभी जारी करना जब सभी पक्ष लेनदेन को सत्यापित और सहमत हों।

सारांश में

CPPDD एक तरीका है जिससे अजनबियों का समूह सुरक्षित रूप से मिलकर गणित कर सकता है। यह एक रिले-रेस शैली की प्रक्रिया का उपयोग करता है जिसमें हर कदम पर टैम्पर-प्रूफ सील होती है। यदि कोई भी धोखाधड़ी करता है, तो यह पूरी तरह रुक जाता है। यह तेज़ है, हल्का है, और यह आपको सटीक उत्तर देता है बिना किसी को भी दूसरे का निजी डेटा देखे।

तकनीकी सारांश: सर्वसम्मति-आधारित गोपनीयता-संरक्षण डेटा वितरण के माध्यम से सुरक्षित, सत्यापन योग्य और स्केलेबल बहु-क्लाइंट डेटा साझाकरण

समस्या विवरण
सुरक्षित इलेक्ट्रॉनिक वोटिंग, फेडेरेटेड लर्निंग और वितरित डेटा एकत्रीकरण जैसे डोमेन में बहु-क्लाइंट सहयोगात्मक प्रणालियों के प्रसार ने मजबूत गोपनीयता-संरक्षण तंत्रों की मांग पैदा कर दी है। मौजूदा समाधान महत्वपूर्ण समझौते (trade-offs) का सामना करते हैं: सिक्योर मल्टी-पार्टी कंप्यूटेशन (SMPC) और होमोमोर्फिक एन्क्रिप्शन (HE) मजबूत क्रिप्टोग्राफिक आश्वासन प्रदान करते हैं लेकिन अत्यधिक कम्प्यूटेशनल और संचार ओवरहेड उत्पन्न करते हैं, जो अक्सर प्रतिभागियों की संख्या के साथ द्विघात (quadratically) रूप से बढ़ते हैं। डिफरेंशियल प्राइवेसी (DP) शोर (noise) पेश करती है जो सटीकता से समझौता करती है, जिससे यह सटीक परिणामों की आवश्यकता वाले अनुप्रयोगों के लिए अनुपयुक्त हो जाती है। इसके अलावा, कई वर्तमान ढांचे डिक्रिप्शन चरण के दौरान एक विश्वसनीय समन्वयक (coordinator) पर निर्भर करते हैं, जो विफलता का एक एकल बिंदु (single point of failure) बनाता है और पूर्णतः विकेंद्रीकृत वातावरण में इसकी प्रयोज्यता को सीमित करता है। यह स्केलेबल, सत्यापन योग्य और सटीक डेटा एकत्रीकरण प्राप्त करने में एक महत्वपूर्ण अंतर है जो विश्वास संबंधी धारणाओं को कम करता है और संसाधन-बाधित वातावरण का समर्थन करता है।

कार्यप्रणाली
लेखक कंसेंसस-बेस्ड प्राइवेसी-प्रिजर्विंग डेटा डिस्ट्रिब्यूशन (CPPDD) फ्रेमवर्क प्रस्तावित करते हैं, जो एक हल्का, सेटअप के बाद स्वायत्त (post-setup autonomous) प्रोटोकॉल है। प्रोटोकॉल "अभी कंप्यूट करें, बाद में डिक्रिप्ट करें" प्रतिमान पर कार्य करता है और इसमें आठ क्रिप्टोग्राफिक चरण शामिल हैं जो चार कार्यात्मक चरणों में व्यवस्थित हैं: ट्रस्टेड सेटअप, अनुक्रमिक अनलॉकिंग, सर्वसम्मत रिलीज और स्थानीय रिकवरी।

दोहरी-परत सुरक्षा तंत्र:
- एफाइन ऑबफस्केशन (Affine Obfuscation): सेटअप चरण के दौरान, एक समन्वयक प्रत्येक क्लाइंट के लिए एफाइन कुंजियाँ $(\lambda_i, r_i)$ उत्पन्न करता है ताकि व्यक्तिगत डेटा योगदान $D_i$ को ऑबफस्केटेड वेक्टर्स $O_i = \lambda_i \cdot D_i + r_i$ में मास्क किया जा सके।
- सर्वसम्मति-लॉक्ड ब्लाइंडिंग (Consensus-Locked Blinding): समन्वयक इन ऑबफस्केटेड वेक्टर्स को एकत्रित करता है और क्लाइंट-विशिष्ट सर्वसम्मति कुंजियों का उपयोग करके प्रतिवर्ती (invertible), तत्व-वार (element-wise) संचालन (जोड़, घटाव, गुणा, विभाजन) का एक क्रम लागू करता है। यह एक सर्वसम्मति-लॉक्ड वेक्टर ($LC$) बनाता है जो सामूहिक भागीदारी के बिना अप्राप्य रहता है।
सेटअप के बाद स्वायत्तता और अखंडता सत्यापन:
- प्रोटोकॉल प्रारंभिक सेटअप के बाद समन्वयक की निर्भरता को समाप्त करता है। क्लाइंट्स $LC$ को डिक्रिप्ट करने के लिए एक प्राथमिकता-संचालित अनुक्रमिक क्रम में आगे बढ़ते हैं।
- विकेंद्रीकृत अखंडता: फ्रेमवर्क दो प्रकार के चेकसम का उपयोग करता है:
  - स्टेप चेकसम ( $\sigma_S$ ): प्रत्येक डिक्रिप्शन स्टेप पर एग्रीगेट स्टेट के मध्यवर्ती हैश, जो क्लाइंट्स को वास्तविक समय में दुर्भावनापूर्ण विचलन का पता लगाने की अनुमति देते हैं।
  - डेटा चेकसम ( $\sigma_D$ ): सटीक एग्रीगेट रिकवरी को सत्यापित करने के लिए अंतिम प्रति-आयाम अनुपात (per-dimension ratios)।
- एटॉमिक अबॉर्ट (Atomic Abort): यदि कोई भी क्लाइंट प्रोटोकॉल से विचलित होता है (जैसे, गलत डेटा इंजेक्ट करना), तो अगला ईमानदार क्लाइंट $\sigma_S$ में विसंगति का पता लगाता है और तत्काल ग्लोबल अबॉर्ट को ट्रिगर करता है, जिससे "ऑल-ऑर-नथिंग" अखंडता मॉडल सुनिश्चित होता है।
एज ऑफलोडिंग:
- संसाधन-बाधित उपकरणों को समर्थन देने के लिए, फ्रेमवर्क गहन फील्ड अंकगणित (field arithmetic) को एज सर्वर पर ऑफलोड करने की अनुमति देता है जो ट्रस्टेड एक्जीक्यूशन एनवायरनमेंट (TEEs) से लैस होते हैं, जिससे यह सुनिश्चित होता है कि निजी कुंजियाँ होस्ट ऑपरेटिंग सिस्टम से अलग रहें।

प्रमुख योगदान

दोहरी-परत लॉकिंग: अनधिकृत पहुंच का प्रतिरोध करने और $N-1$ भ्रष्टाचार (corruptions) के तहत भी गोपनीयता बनाए रखने के लिए प्रति-क्लाइंट एफाइन ऑबफस्केशन के साथ अनुक्रमिक ब्लाइंडिंग को जोड़ता है।
सेटअप के बाद स्वायत्तता: विकेंद्रीकृत स्टेप और डेटा चेकसम पेश करता है, जो क्लाइंट्स को निरंतर समन्वयक के बिना श्रृंखला (chain) को स्वतंत्र रूप से मान्य करने में सक्षम बनाता है।
एकीकृत संरचित प्रतिनिधित्व: स्केलर, वेक्टर और मैट्रिक्स पेलोड को समान तत्व-वार प्रसंस्करण के साथ समर्थन देने के लिए ऑबफस्केशन-लॉक्ड (LO) और कंसेंसस-लॉक्ड (LC) वेक्टर्स को परिभाषित करता है।
कंसेंसस-डिपेंडेंट इंटीग्रिटी एंड फेयरनेस (CDIF): किसी भी विचलन पर प्रोटोकॉल अबॉर्ट की गारंटी देता है, जिससे आंशिक डेटा रिसाव (leakage) को रोका जा सके।
रैखिक जटिलता (Linear Complexity): $O(N^2)$ MPC प्रोटोकॉल के ऊपर $O(N \cdot D)$ की कुल एसिम्प्टोटिक जटिलता प्राप्त करता है, जबकि एक स्थिर $O(1)$ प्रति-क्लाइंट बैंडविड्थ प्रोफाइल बनाए रखता है।
औपचारिक सुरक्षा गारंटी: शुद्धता के प्रमाण, दुर्भावनापूर्ण विरोधियों के तहत CDIF अखंडता, और मास्क किए गए डेटा के लिए IND-CPA सिमेंटिक सुरक्षा प्रदान करता है।
अनुभवजन्य सत्यापन: $N=500$ क्लाइंट्स तक रैखिक स्केलेबिलिटी, प्रति-क्लाइंट सब-मिलीसेकंड कंप्यूटेशन समय और 100% दुर्भावनापूर्ण विचलन का पता लगाने के साथ MNIST-व्युत्पन्न वेक्टर्स पर प्रदर्शन प्रदर्शित करता है।

परिणाम

स्केलेबिलिटी: MNIST-व्युत्पन्न वेक्टर्स ( $D=784$ ) पर अनुभवजन्य मूल्यांकन दिखाते हैं कि कुल कंप्यूटेशन समय क्लाइंट्स की संख्या ( $N$ ) के साथ रैखिक रूप से स्केल होता है। $N=500$ के लिए, कुल निष्पादन समय लगभग 44 ms है, जिसमें प्रति-क्लाइंट ओवरहेड लगातार 0.3 ms से नीचे रहता है।
दक्षता: फ्रेमवर्क MPC और HE बेसलाइन की तुलना में तीन-से-चार आदेश (orders of magnitude) कम FLOPs प्राप्त करता है।
सुरक्षा और अखंडता: प्रोटोकॉल दुर्भावनापूर्ण विचलन के लिए 100% डिटेक्शन रेट प्रदर्शित करता है। यह मूल इनपुट के दृश्य रूप से निष्ठावान पुनर्निर्माण के साथ सटीक डेटा रिकवरी सुनिश्चित करता है।
संसाधन उपयोग: प्रोटोकॉल के लिए न्यूनतम प्रति-क्लाइंट स्टोरेज ( $O(D)$ ) की आवश्यकता होती है और यह कम लेटेंसी प्रोफाइल बनाए रखता है जो उच्च-बैंडविड्थ कंसोर्टियम के लिए उपयुक्त है।

महत्व
पेपर का दावा है कि CPPDD स्केलेबिलिटी, विश्वास न्यूनीकरण (trust minimization), और सत्यापन योग्य मल्टी-पार्टी कंप्यूटेशन के महत्वपूर्ण अंतराल को संबोधित करता है। अनुकूलित सहयोग को सक्षम करके, फ्रेमवर्क को विनियमित और संसाधन-बाधित वातावरण के लिए एक व्यावहारिक समाधान के रूप में स्थापित किया गया है। हाइलाइट किए गए विशिष्ट अनुप्रयोगों में सुरक्षित वोटिंग, कंसोर्टियम फेडेरेटेड लर्निंग (जहाँ ग्रेडिएंट्स तभी जारी किए जाते हैं जब सभी संस्थान योगदान देते हैं), ब्लॉकचेन एस्क्रो, और जियो-इंफॉर्मेशन क्षमता निर्माण शामिल हैं। लेखक तर्क देते हैं कि CPPDD हल्के क्रिप्टोग्राफिक संचालन को दुर्भावनापूर्ण-सुरक्षित समन्वय के साथ जोड़कर, सत्यापन योग्य, ऑल-ऑर-नथिंग मल्टी-पार्टी कंप्यूटेशन के लिए एक स्केलेबल मार्ग प्रदान करता है।