Federated Learning Parameter Protection Based on Homomorphic Encryption and Selective User Decryption
यह शोध पत्र एक ऐसा फेडरेटेड लर्निंग सुरक्षा तंत्र प्रस्तावित करता है जो इन्फरेंस (inference) और छेड़छाड़ हमलों से प्रभावी ढंग से बचाव करने के साथ-साथ प्रशिक्षण दक्षता में लगभग 10% सुधार करने के लिए थ्रेशोल्ड पेलियर होमोमोर्फिक एन्क्रिप्शन को डेटा गुणवत्ता-आधारित चयनात्मक डिक्रिप्शन तंत्र और ECDSA हस्ताक्षरों के साथ जोड़ता है।
मूल पेपर CC BY 4.0 (https://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 एक विशाल, उच्च-दांव वाला ग्रुप प्रोजेक्ट है जहाँ सैकड़ों छात्र (उपयोगकर्ता) मिलकर दुनिया का सबसे स्मार्ट AI मस्तिष्क बनाने की कोशिश कर रहे हैं। लेकिन एक शर्त है: वे एक-दूसरे के साथ या शिक्षक (सर्वर) के साथ अपना वास्तविक होमवर्क (उनका निजी डेटा) साझा नहीं कर सकते। उन्हें अपने उत्तर भेजने होंगे बिना यह जाने कि उन्होंने किन सवालों पर काम किया था।
यह फेडरेटेड लर्निंग (Federated Learning) की दुनिया है। लेकिन समस्या यह है: कुछ छात्र चालाक हैं। वे दूसरों के उत्तरों में झाँकने की कोशिश कर सकते हैं, या वे आलसी हो सकते हैं जो कचरा काम जमा करके पूरे क्लास को धीमा कर देते हैं।
हुनान यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के झांगबिंग ली और उनकी टीम द्वारा लिखित शोध पत्र इस तरह से क्लास चलाने का एक चतुर तरीका प्रस्तावित करता है। वे इसे थ्रेशोल्ड होमोमोर्फिक एन्क्रिप्शन और सिलेक्टिव यूजर डिक्रिप्शन पर आधारित फेडरेटेड लर्निंग मॉडल पैरामीटर प्रोटेक्शन स्कीम कहते हैं। यह काफी लंबा नाम है, आइए इसे कुछ मजेदार उपमाओं के साथ समझते हैं।
जादुई लॉकबॉक्स (होमोमोर्फिक एन्क्रिप्शन)
सबसे पहले, कल्पना करें कि प्रत्येक छात्र अपने होमवर्क का उत्तर एक जादुई, अटूट लॉकबॉक्स में रखता है। यह होमोमोर्फिक एन्क्रिप्शन है। मजेदार बात यह है कि शिक्षक अभी भी कुल स्कोर प्राप्त करने के लिए सभी लॉकबॉक्सेस को एक साथ जोड़ सकता है, बिना उन्हें खोले। गणित उन बंद बक्सों के अंदर ही होता है। यह शिक्षक (जो "ईमानदार लेकिन जिज्ञासु" है) को उत्तर चुराने से रोकता है।
लेकिन रुकिए, क्या होगा यदि शिक्षक वास्तव में एक जासूस है, या छात्रों का एक समूह लॉक तोड़ने के लिए हाथ मिला लेता है? यहीं पर अगला तरीका काम आता है।
गुप्त कुंजी का विभाजन (थ्रेशोल्ड एन्क्रिप्शन)
पुराने दिनों में, एक व्यक्ति के पास सभी बक्सों को खोलने की मास्टर कुंजी होती थी। यदि वह व्यक्ति हैक हो जाता या बुरा बन जाता, तो पूरा सिस्टम क्रैश हो जाता।
लेखक एक बेहतर तरीका सुझाते हैं: कुंजी को विभाजित करना। कल्पना करें कि मास्टर कुंजी को 100 छोटे पहेली टुकड़ों में काट दिया गया है। हर छात्र को एक टुकड़ा मिलता है। अंतिम बॉक्स को खोलने और परिणाम देखने के लिए, आपको सभी की आवश्यकता नहीं है; आपको बस टुकड़ों की एक विशिष्ट संख्या चाहिए, मान लीजिए 10 (यह "थ्रेशोल्ड" है)। यदि कोई बुरा व्यक्ति 5 टुकड़े चुरा लेता है, तो वे बॉक्स नहीं खोल सकते। यदि शिक्षक झाँकने की कोशिश करता है, तो उसके पास शून्य टुकड़े होते हैं। बॉक्स तभी खुलता है जब कम से कम 10 अलग-अलग छात्र अपने पहेली के टुकड़ों को मिलाने के लिए मिलकर काम करते हैं। यह किसी को भी अकेले डेटा चुराने के लिए कार्य करने से रोकता है।
"टॉप स्टूडेंट्स" क्लब (सिलेक्टिव डिक्रिप्शन)
यहाँ असली गेम-चेंजर है। एक सामान्य क्लास में, सभी बॉक्स खोलने में मदद करते हैं। लेकिन क्या होगा यदि कुछ छात्रों का इंटरनेट खराब है, कंप्यूटर धीमे हैं, या वे बस प्रोजेक्ट को बाधित करने के लिए घटिया उत्तर दे रहे हैं? वे सब कुछ धीमा कर देते हैं।
लेखक एक डेटा क्वालिटी इवैल्यूएशन (Data Quality Evaluation) का सुझाव देते हैं। बॉक्स खोलने से पहले, सिस्टम जांचता है कि किसने सबसे अच्छा काम किया है। यह देखता है कि उनके उत्तर "परफेक्ट" उत्तर के कितने करीब थे और उनकी दिशा कितनी सुसंगत थी।
फिर, यह बक्सों को वास्तव में खोलने के लिए उच्चतम-गुणवत्ता वाले डेटा वाले टॉप-t (शीर्ष 10) छात्रों को चुनता है।
- क्यों? क्योंकि ये "टॉप स्टूडेंट्स" विश्वसनीय हैं, उनके पास तेज़ कंप्यूटर हैं, और उनके उत्तर वास्तव में मददगार हैं।
- परिणाम: सिस्टम भारी काम के लिए धीमे या चालाक छात्रों को अनदेखा कर देता है। इससे पूरी क्लास अपना प्रोजेक्ट तेजी से पूरा कर लेती है।
डिजिटल आईडी बैज (ECDSA सिग्नेचर)
यह सुनिश्चित करने के लिए कि कोई होमवर्क को बदल न दे या किसी और होने का ढोंग न करे, हर छात्र और शिक्षक एक डिजिटल सिग्नेचर बैज पहनता है (ECDSA तकनीक का उपयोग करके)। यह एक लिफाफे पर लगी मोम की सील की तरह है। यदि कोई भी संदेश के साथ छेड़छाड़ करने की कोशिश करता है, तो सील टूट जाती है, और सिस्टम को पता चल जाता है कि उसे बाहर फेंक दिया जाए।
प्रयोगों ने क्या दिखाया
लेखकों ने यह देखने के लिए कि उनका विचार काम करता है या नहीं, प्रसिद्ध इमेज डेटासेट्स (MNIST, Fashion-MNIST, और CIF-10) का उपयोग करके सिमुलेशन चलाया। यहाँ उन्होंने पाया:
- गति: उनका तरीका स्थिर परिणाम तक पहुँचने में अन्य एन्क्रिप्शन विधियों की तुलना में लगभग 10% तेज़ था। उदाहरण के लिए, MNIST डेटासेट पर, उनके मॉडल को प्रशिक्षण पूरा करने के लिए 63 राउंड की आवश्यकता थी, जबकि एक मानक एन्क्रिप्शन विधि को 70 राउंड की आवश्यकता थी।
- गोपनीयता: उन्होंने परीक्षण किया कि क्या कोई हैकर लॉक किए गए बक्सों से मूल छवियों को पुनर्गठित कर सकता है।
- उनके तरीके के साथ, पुनर्गठित छवियां एक गड़बड़ी मात्र थीं। MNIST के लिए "पीक सिग्नल-टू-नॉइज़ रेशियो" (छवि गुणवत्ता का एक माप) केवल 11.38 dB था।
- उस मानक विधि की तुलना करें जिसमें एन्क्रिप्शन नहीं है, जहाँ छवि 34.26 dB पर बिल्कुल स्पष्ट थी।
- "लेबल एक्सट्रैक्शन एक्यूरेसी" (एक हैकर कितनी बार सही उत्तर का अनुमान लगाता है) उनके तरीके के साथ गिरकर 7.3% हो गई, जो कि लगभग केवल एक अनुमान है।
- मजबूती (Robustness): यहाँ तक कि जब उन्होंने एक ऐसी क्लास का सिमुलेशन किया जहाँ 30% छात्र प्रोजेक्ट को बाधित करने की कोशिश कर रहे थे (दुर्भावनापूर्ण हमले), उनका तरीका अभी भी कन्वर्ज होने और कार्य को पूरा करने में सफल रहा, जबकि अन्य तरीके क्रैश हो गए या काफी धीमे हो गए।
वे क्या दावा नहीं करते हैं
यह ध्यान रखना महत्वपूर्ण है कि यह पेपर क्या नहीं कहता:
- वे यह दावा नहीं करते कि यह एक "परफेक्ट" समाधान है जो सभी लागतों को समाप्त कर देता है। वास्तव में, वे स्वीकार करते हैं कि उनके तरीके में बिना एन्क्रिप्शन वाले तरीकों की तुलना में अधिक समय और अधिक डेटा भेजने की आवश्यकता होती है।
- वे यह नहीं कहते कि यह भौतिक हार्डवेयर हमलों (जैसे किसी का हार्ड ड्राइव चुराना) पर काम करता है। उनकी सुरक्षा एन्क्रिप्शन के गणित पर आधारित है, न कि भौतिक सुरक्षा पर।
- वे यह दावा नहीं करते कि सटीकता (accuracy) गैर-एन्क्रिप्टेड तरीकों से अधिक है। वास्तव में, उनकी सटीकता थोड़ी कम थी (उदाहरण के लिए, MNIST टेस्टिंग पर 97.35% बनाम 97.55%), लेकिन वे तर्क देते हैं कि सुरक्षा के लिए यह मामूली गिरावट एक उचित कीमत है।
निचोड़
लेखक सुझाव देते हैं कि गुप्त कुंजी को विभाजित करके और केवल "सर्वश्रेष्ठ" छात्रों को बक्सों को खोलने की अनुमति देकर, आप एक ऐसा फेडरेटेड लर्निंग सिस्टम बना सकते हैं जो चालाक हैकर्स के खिलाफ अधिक सुरक्षित है और खराब या टूटे हुए कंप्यूटरों के खिलाफ तेज़ है।
यह एक ट्रेड-ऑफ है: आप सुरक्षा के लिए थोड़ा अधिक कंप्यूटिंग पावर और समय (कुंजी के आकार के आधार पर लगभग 25% से 60% अधिक) खर्च करते हैं ताकि एक ऐसा सिस्टम बनाया जा सके जो बुरे तत्वों के आने पर ढह न जाए। उनके सिमुलेशन में, यह दृष्टिकोण गोपनीयता की आवश्यकता और एक काम करने वाले, तेज़ AI मॉडल की आवश्यकता के बीच सफलतापूर्वक संतुलन बनाता है।
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।