Keyed Provenance Watermarking with Complementary Lattice-Based Secure Aggregation for Federated Learning
यह शोध पत्र एक हाइब्रिड फेडरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो डेटा प्रोवेनेंस के लिए फिजिकल एंकर मेटाडेटा का उपयोग करने वाले एक केरखोफ़्स-अनुपालन (Kerckhoffs-compliant), GAN-आधारित इमेज वॉटरमार्किंग स्कीम को एक पोस्ट-क्वांटम, लैटिस-आधारित ज़ीरो-नॉलेज सुरक्षित एग्रीगेशन प्रोटोकॉल के साथ एकीकृत करता है, ताकि एक एकल एंड-टू-एंड सिस्टम में डेटा रिसाव और दुर्भावनापूर्ण ग्रेडिएंट हेरफेर के विरुद्ध व्यापक, सत्यापन योग्य सुरक्षा प्रदान की जा सके।
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
आधुनिक डिजिटल दुनिया में, आर्टिफिशियल इंटेलिजेंस को अब केवल एक एकल सुपरकंप्यूटर पर नहीं, बल्कि स्मार्टफोन से लेकर अस्पताल के सर्वरों तक, हजारों अलग-अलग उपकरणों पर प्रशिक्षित किया जा रहा है। यह विधि, जिसे फेडरेटेड लर्निंग (federated learning) कहा जाता है, मशीनों को अपने निजी डेटा को साझा किए बिना एक साथ सीखने की अनुमति देती है। कच्चे फोटो या मेडिकल रिकॉर्ड को केंद्रीय केंद्र (central hub) पर भेजने के बजाय, प्रत्येक उपकरण मॉडल का एक छोटा हिस्सा स्थानीय रूप से प्रशिक्षित करता है और केवल गणितीय अपडेट वापस भेजता है। हालांकि यह गोपनीयता की रक्षा करता है, लेकिन यह कमजोरियों का एक नया सेट भी पैदा करता है। क्योंकि डेटा कभी भी मालिक के डिवाइस को नहीं छोड़ता, इसलिए यह सत्यापित करना कठिन है कि वह कहाँ से आया है या उसके साथ छेड़छाड़ की गई है या नहीं। इसी तरह, क्योंकि सर्वर केवल गणितीय अपडेट देखता है, वह आसानी से यह नहीं बता सकता कि कोई प्रतिभागी फर्जी या दुर्भावनापूर्ण निर्देश भेजकर समूह को नुकसान पहुँचाने की कोशिश तो नहीं कर रहा है। यह प्रणाली विश्वास पर टिकी है, लेकिन परिष्कृत साइबर हमलों की दुनिया में, केवल विश्वास ही पर्याप्त नहीं है।
शोधकर्ता लंबे समय से इन समस्याओं को हल करने के तरीके खोज रहे हैं, लेकिन उन्होंने आमतौर पर समस्या के दोनों पक्षों को अलग-अलग हल किया है। विशेषज्ञों का एक समूह छवियों या डेटा को सुरक्षित करने पर काम करता है, जबकि दूसरा समूह उपकरणों के बीच भेजे जाने वाले गणितीय अपडेट को सुरक्षित करने पर ध्यान केंद्रित करता है। यह विभाजित दृष्टिकोण एक अंतराल छोड़ देता है: एक प्रणाली खराब गणित के विरुद्ध सुरक्षित हो सकती है लेकिन चोरी किए गए डेटा के प्रति असुरक्षित हो सकती है, या इसके विपरीत। शोधकर्ताओं की एक टीम ने अब इस अंतर को पाट दिया है और एक एकीकृत ढांचे (unified framework) का निर्माण किया है जो डेटा और गणित दोनों को एक साथ सुरक्षित करता है। हाल ही में एक अध्ययन में प्रकाशित उनका कार्य, एक दोहरी-परत सुरक्षा प्रणाली पेश करता है जो डेटा के लिए डिजिटल फिंगरप्रिंट और अपडेट के लिए क्रिप्टोग्राफिक सील (cryptographic seal) दोनों के रूप में कार्य करती है, जिससे यह सुनिश्चित होता है कि पूरी सीखने की प्रक्रिया ईमानदार और सत्यापन योग्य बनी रहे।
इस नई प्रणाली की पहली परत डेटा स्वयं पर ध्यान केंद्रित करती है, विशेष रूप से प्रशिक्षण के लिए उपयोग की जाने वाली छवियों पर। यह साबित करने के लिए कि एक छवि प्रामाणिक है और एक विशिष्ट स्वामी की है, शोधकर्ताओं ने एक विधि विकसित की है जो चित्र में सीधे एक छिपे हुए, अटूट निशान (unforgeable mark) को समाहित करती है। साधारण डिजिटल टैग के विपरीत जिन्हें आसानी से हटाया जा सकता है, यह निशान छवि के दृश्य ताने-बाने में बुना गया है। यह प्रक्रिया वास्तविक दुनिया के तथ्यों, जैसे कि फोटो कब ली गई थी, उसका सटीक समय, स्थान और उस समय सक्रिय विशिष्ट पावर ग्रिड सर्वर जैसे तथ्यों के आधार पर एक अद्वितीय टोकन बनाने से शुरू होती है। ये तथ्य विश्वसनीय बुनियादी ढांचे से एकत्र किए जाते हैं, जिससे उन्हें नकली बनाना लगभग असंभव हो जाता है। इस टोकन को फिर एक गुप्त कुंजी (secret key) का उपयोग करके स्कैम्बल किया जाता है जो केवल मालिक को पता होती है, जिससे यह एक सुरक्षित पेलोड (payload) में बदल जाता है।
इस पेलोड को छवि के भीतर छिपाने के लिए, शोधकर्ताओं ने एक विशेष आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग किया है जिसे अदृश्य और लचीला होने के लिए डिज़ाइन किया गया है। यह मॉडल एक मास्टर बुनकर की तरह कार्य करता है, जो छवि में उन आदर्श स्थानों को ढूंढता है जहाँ वह छिपे हुए संदेश को रख सके। यह उन क्षेत्रों से बचता है जहाँ मानवीय आँखें सबसे अधिक संवेदनशील होती हैं, और इसके बजाय निशान को जटिल बनावट या पैटर्न में रखता है जहाँ इसका पता नहीं चलेगा। भले ही छवि को कंप्रेस (compress), क्रॉप (crop) किया जाए या शोर (noise) के अधीन किया जाए, छिपा हुआ संदेश बरकरार रहता है। शोधकर्ताओं ने हजारों छवियों पर इस प्रणाली का परीक्षण किया और पाया कि वॉटरमार्क्ड तस्वीरें मानवीय आंखों के लिए मूल के समान ही दिखती थीं, जिसमें कोई दृश्य विरूपण नहीं था। इससे भी महत्वपूर्ण बात यह है कि भारी संपीड़न (compression) या यादृच्छिक शोर (random noise) जैसे गंभीर हमलों के बाद भी छिपे हुए संदेश को लगभग पूर्ण सटीकता के साथ पुनः प्राप्त किया जा सकता है। यह सुनिश्चित करता है कि यदि कोई डेटासेट चुराने या फर्जी छवियों के साथ बदलने की कोशिश करता है, तो प्रणाली तुरंत धोखाधड़ी का पता लगा लेगी।
सुरक्षा की दूसरी परत सीखने की प्रक्रिया के दौरान भेजे जाने वाले गणितीय अपडेट को संबोधित करती है। एक फेडरेटेड लर्निंग नेटवर्क में, उपकरण वैश्विक मॉडल को बेहतर बनाने के लिए अपने गणना किए गए परिवर्तनों को एक केंद्रीय सर्वर को भेजते हैं। हालाँकि, एक दुर्भावनापूर्ण अभिनेता मॉडल को बर्बाद करने या जानकारी चुराने के लिए विकृत अपडेट भेज सकता है। इसे रोकने के लिए, शोधकर्ताओं ने एक प्रोटोकॉल लागू किया है जो प्रत्येक डिवाइस को यह सिद्ध करने की अनुमति देता है कि उसका अपडेट वैध है, बिना उसके भीतर के वास्तविक डेटा को प्रकट किए। यह 'जीरो-नॉलेज प्रूफ' (zero-knowledge proof) नामक तकनीक के माध्यम से प्राप्त किया जाता है, जो कि यह साबित करने जैसा है कि आप एक गुप्त पासवर्ड जानते हैं बिना वास्तव में पासवर्ड बोले। इस प्रणाली में, एक डिवाइस गणितीय रूप से प्रदर्शित कर सकता है कि उसका अपडेट नियमों का पालन करता है—जैसे कि एक निश्चित आकार सीमा के भीतर रहना या सही दिशा की ओर संकेत करना—बिना सर्वर द्वारा कच्चे नंबरों को देखे।
यह सत्यापन प्रक्रिया लैटिस-आधारित क्रिप्टोग्राफी (lattice-based cryptography) के आधार पर निर्मित है, जो एक ऐसी विधि है जिसे भविष्य के क्वांटम कंप्यूटरों के विरुद्ध भी सुरक्षित रहने के लिए डिज़ाइन किया गया है। सिस्टम तीन विशिष्ट चीजों की जाँच करता है: क्या डिवाइस सही कुंजियों (keys) का उपयोग कर रहा है, क्या अपडेट बहुत बड़ा है, और क्या यह समूह के सीखने की सामान्य दिशा के अनुरूप है। यदि कोई डिवाइस एक विशाल, अराजक अपडेट या गलत दिशा में इशारा करने वाला अपडेट भेजने का प्रयास करता है, तो प्रमाण विफल हो जाएगा, और सर्वर उसे अस्वीकार कर देगा। शोधकर्ताओं ने पाया कि यह सत्यापन प्रक्रिया, बड़े डेटासेट और कई प्रतिभागियों के मामले में भी, प्रक्रिया में बहुत कम समय जोड़ती है। यह मॉडल को विषाक्त (poison) करने के दुर्भावनापूर्ण प्रयासों को प्रभावी ढंग से छान देता है और वैध सीखने की प्रक्रिया को सुचारू और कुशल बनाए रखता है।
जब इन दोनों परतों को मिला दिया जाता है, तो वे हमलों की एक विस्तृत श्रृंखला के खिलाफ एक मजबूत ढाल बनाते हैं। शोधकर्ताओं ने जटिल परिदृश्यों का अनुकरण किया जहाँ एक हमलावर एक साथ दोनों कार्य करने की कोशिश करता है: प्रशिक्षण छवियों को फर्जी डेटा के साथ बदलना और साथ ही भ्रष्ट गणितीय अपडेट भेजना। इन परीक्षणों में, दोहरी-परत प्रणाली ने डेटा के साथ होने वाली हर छेड़छाड़ को सफलतापूर्वक पकड़ा और हर दुर्भावनापूर्ण अपडेट को खारिज कर दिया। प्रणाली ने 100% सटीकता के साथ अनधिकृत डेटा प्रतिस्थापन का पता लगाया और मॉडल को गलत निर्देशों से सीखने से रोका। महत्वपूर्ण रूप से, इस उच्च स्तर की सुरक्षा के लिए प्रदर्शन (performance) से समझौता नहीं किया गया। इन सुरक्षा उपायों के साथ प्रशिक्षित अंतिम मॉडल ने बिना इनके प्रशिक्षित मॉडल के लगभग समान सटीकता प्राप्त की, जिससे यह सिद्ध हुआ कि मजबूत सुरक्षा और उच्च उपयोगिता (utility) एक साथ अस्तित्व में रह सकते हैं।
अध्ययन ने वर्तमान तकनीक की सीमाओं को भी रेखांकित किया। जबकि यह प्रणाली छवि के संदर्भ और गणितीय अपडेट की वैधता को सत्यापित करने में उत्कृष्ट है, यह अभी भी एक हमलावर को एक वैध छवि से वॉटरमार्क कॉपी करने और उसे फर्जी छवि पर पेस्ट करने से नहीं रोक सकती है। यह "रीप्ले" (replay) हमला भविष्य के लिए एक चुनौती बना हुआ है। इसके अतिरिक्त, वर्तमान शोध छवियों के डेटा पर केंद्रित है, और अन्य प्रकार की सूचनाओं, जैसे कि टेक्स्ट या ऑडियो, तक इन विधियों का विस्तार करने के लिए आगे के कार्य की आवश्यकता होगी। इन खुले प्रश्नों के बावजूद, निष्कर्ष एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करते हैं। डेटा के लिए भौतिक दुनिया के एंकरों और गणना के लिए उन्नत क्रिप्टोग्राफी को एक साथ बुनकर, शोधकर्ताओं ने एक अधिक विश्वसनीय आर्टिफिशियल इंटेलिजेंस पारिस्थितिकी तंत्र का ब्लूप्रिंट प्रदान किया है, जहाँ गोपनीयता और सुरक्षा केवल वादे नहीं, बल्कि गणितीय रूप से गारंटीकृत वास्तविकताएं हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।