Privacy-Preserving Machine Learning from Storage to Inference: Integrating Authenticated Encryption with Fully Homomorphic Encryption

एक ऐसी दुनिया की कल्पना करें जहाँ आपके सबसे संवेदनशील व्यक्तिगत रिकॉर्ड—आपकी आय, आपका स्वास्थ्य इतिहास, आपके परिवार का विवरण—क्लाउड में शक्तिशाली कंप्यूटरों द्वारा विश्लेषित किए जा सकें, बिना उन कंप्यूटरों द्वारा वास्तविक जानकारी देखे। यह 'प्राइवेसी-प्रिजर्विंग मशीन लर्निंग' (गोपनीयता-संरक्षित मशीन लर्निंग) नामक एक क्षेत्र का वादा है। वर्षों से, एक बड़ी बाधा मौजूद रही है: डेटा का विश्लेषण करने के लिए, इसे आमतौर पर अनलॉक करना पड़ता है, जिससे यह सादे टेक्स्ट में बदल जाता है जिसे सर्वर तक पहुँच रखने वाला कोई भी व्यक्ति पढ़ सकता है। जबकि हमारे पास हार्ड ड्राइव पर रखे डेटा को लॉक करने के बेहतरीन तरीके हैं, और इंटरनेट पर यात्रा करते समय इसे सुरक्षित रखने के अच्छे तरीके हैं, लेकिन जैसे ही इसे गणना के लिए प्रोसेस किया जाता है, यह अक्सर असुरक्षित हो जाता है। एक नई तकनीक, जिसे 'फुली होमोमोर्फिक एन्क्रिप्शन' (पूर्णतः समरूप एन्क्रिप्शन) कहा जाता है, इसे इस तरह से हल करने का प्रयास करती है कि कंप्यूटर लॉक किए गए डेटा पर बिना उसे खोले गणितीय गणना कर सके। हालाँकि, एक ऐसा सिस्टम बनाना जो डेटा को सुरक्षित रखे—भंडारण से लेकर उसके विश्लेषण और वापस मिलने तक—एक जटिल चुनौती बना हुआ है।

शोधकर्ताओं की एक टीम ने अब एक कार्यशील प्रोटोटाइप बनाया और परीक्षण किया है जो इन दो दुनियाओं को जोड़ता है। उन्होंने एक ऐसा सिस्टम बनाया जो डेटा को तब सुरक्षित रखता है जब वह स्टोरेज में होता है, और फिर इसे एक अलग, अधिक जटिल तरीके से लॉक रखता है जब इसे एक रिमोट सर्वर द्वारा विश्लेषित किया जा रहा होता है। लक्ष्य यह देखना था कि क्या यह दो-परतीय सुरक्षा वास्तविक दुनिया के वर्कफ़्लो में परिणामों की सटीकता को बिगाड़े बिना काम कर सकती है। शोधकर्ताओं ने एक विशिष्ट प्रकार के विश्लेषण पर ध्यान केंद्रित किया जिसे 'लॉजिस्टिक्स रिग्रेशन' कहा जाता है, जिसका उपयोग अक्सर संख्याओं के एक सेट के आधार पर परिणामों की भविष्यवाणी करने के लिए किया जाता है, जैसे कि आय और शिक्षा जैसे कारकों के आधार पर यह निर्धारित करना कि कोई परिवार कितना संवेदनशील या असुरक्षित है। वे यह जानना चाहते थे कि क्या वे इस डेटा को एक ऐसे सर्वर पर भेज सकते हैं जिस पर वे भरोसा नहीं करते, सर्वर को एन्क्रिप्टेड डेटा पर गणना करने दें, और एक सही उत्तर प्राप्त करें, और यह भी सुनिश्चित करें कि सर्वर कभी भी कच्चे नंबरों या उन्हें अनलॉक करने वाली कुंजी को न देख सके।

इसका परीक्षण करने के लिए, टीम ने दो हजार नकली घरेलू रिकॉर्ड तैयार किए। ये वास्तविक लोग नहीं थे, बल्कि सिंथेटिक डेटा था जिसे वास्तविक दुनिया की जानकारी की संरचना की नकल करने के लिए डिज़ाइन किया गया था, जिसमें परिवार के आकार और पानी से दूरी जैसे दस अलग-अलग संख्यात्मक लक्षण शामिल थे। उन्होंने इस डेटा का उपयोग एक कंप्यूटर मॉडल को प्रशिक्षित करने के लिए किया जो एक "संवेदनशीलता" लेबल की भविष्यवाणी करता है। सबसे पहले, उन्होंने सामान्य, अनलॉक किए गए डेटा पर विश्लेषण चलाकर एक बेसलाइन स्थापित की। इस मानक मॉडल ने बहुत अच्छा प्रदर्शन किया, जिसने लगभग नब्बे प्रतिशत बार रिकॉर्ड्स की स्थिति को सही ढंग से पहचाना। यह उच्च स्कोर उस मानक के रूप में कार्य करता था जिसके विरुद्ध वे अपने एन्क्रिप्टेड सिस्टम को मापेंगे।

इसके बाद, उन्होंने सुरक्षित पाइपलाइन बनाई। जब कोई उपयोगकर्ता किसी रिकॉर्ड का विश्लेषण करना चाहता है, तो सिस्टम पहले उसे स्टोरेज से प्राप्त करता है, जहाँ इसे एक ऐसी विधि द्वारा सुरक्षित किया जाता है जो न केवल डेटा को उलझा (scramble) देती है बल्कि यह सुनिश्चित करने के लिए एक डिजिटल फिंगरप्रिंट भी जोड़ती है कि किसी ने इसके साथ छेड़छाड़ न की हो। उपयोगकर्ता का कंप्यूटर स्थानीय रूप से रिकॉर्ड को अनलॉक करता है, उसे तैयार करता है, और फिर उसे विशेष 'होमोमोर्फिक एन्क्रिप्शन' का उपयोग करके पुन: लॉक करता है। यह नया लॉक रिमोट सर्वर को आवश्यक गणित करने की अनुमति देता है, बिना वास्तविक नंबर देखे। सर्वर, जिसे शोधकर्ताओं ने अविश्वसनीय माना, को केवल उलटा हुआ डेटा और एन्क्रिप्टेड मॉडल प्राप्त हुआ। इसने गणना की और एन्क्रिप्टेड परिणाम उपयोगकर्ता को वापस भेज दिया, जिसने इसे देखने के लिए अनलॉक किया।

परिणामों ने दिखाया कि यह दृष्टिकोण काम करता है। जब शोधकर्ताओं ने एन्क्रिप्टेड सिस्टम द्वारा की गई भविष्यवाणियों की तुलना गोल्ड स्टैंडर्ड से की, तो अंतर नगण्य था। विभिन्न स्तरों की संख्यात्मक सटीकता के साथ परीक्षण किए गए एन्क्रिप्टेड मॉडलों ने लगभग नब्बे प्रतिशत से इक्यानवे प्रतिशत तक का सटीकता स्कोर प्राप्त किया, जो अनलॉक किए गए मॉडल के प्रदर्शन के लगभग बराबर था। वास्तव में, एन्क्रिप्टेड सिस्टम के एक विशिष्ट कॉन्फ़िगरेशन ने विभिन्न समूहों के बीच अंतर करने की क्षमता के एक पैमाने पर थोड़ा बेहतर स्कोर किया, हालांकि शोधकर्ताओं ने नोट किया कि यह एक छोटा सा अंतर था और यह मॉडल में सुधार का संकेत नहीं था। मुख्य निष्कर्ष यह था कि गोपनीयता संरक्षण ने गणित को नहीं तोड़ा।

हालाँकि, इस गोपनीयता की एक कीमत है—गति। जबकि मानक, अनलॉक किया गया विश्लेषण लगभग तुरंत हो जाता है, एन्क्रिप्टेड संस्करण में काफी अधिक समय लगा। शोधकर्ताओं ने एक एकल रिकॉर्ड को प्रोसेस करने में सर्वर द्वारा लिए गए समय को मापा और पाया कि इसमें तीस से इकतीस मिलीसेकंड का समय लगा। हालांकि यह तेज़ लग सकता है, लेकिन अनलॉक किए गए डेटा पर काम करने की तुलना में यह एक बड़ा उछाल है। एक अलग परीक्षण में, जिसमें कोल्ड स्टोरेज कैश से डेटा निकालने का समय भी शामिल था, एक रिकॉर्ड के लिए पूरी प्रक्रिया में लगभग सात सौ मिलीसेकंड लगे। शोधकर्ताओं ने जोर देकर कहा कि ये संख्याएँ उनके सेटअप और उपयोग किए गए मॉडल के प्रकार के लिए विशिष्ट हैं, लेकिन वे इस बात को रेखांकित करते हैं कि यह तकनीक अभी भी कम्प्यूटेशनल रूप से भारी है।

सिस्टम छेड़छाड़ के खिलाफ भी मजबूत साबित हुआ। शोधकर्ताओं ने जानबूझकर सर्वर पर संग्रहीत एन्क्रिप्टेड डेटा के एक सिंगल बाइट को बदलने की कोशिश की। जब सिस्टम ने इस संशोधित डेटा को पढ़ने की कोशिश की, तो डिजिटल फिंगरप्रिंट विफल हो गया, और सिस्टम ने सही ढंग से फ़ाइल को अस्वीकार कर दिया, जिससे किसी भी दूषित जानकारी के उपयोग को रोका जा सका। इसके अलावा, सिस्टम ने एक उपयोगकर्ता को दूसरे उपयोगकर्ता की फ़ाइलों तक पहुँचने से सफलतापूर्वक रोका, जिससे यह प्रदर्शित हुआ कि स्टोरेज लेयर ने डेटा को प्रभावी ढंग से अलग रखा।

अध्ययन यह निष्कर्ष निकालता है कि एक पूर्ण, एंड-टू-एंड सिस्टम बनाना संभव है जो डेटा को सुरक्षित रखता है—चाहे वह संग्रहीत हो या किसी बाहरी पक्ष द्वारा विश्लेषित किया जा रहा हो। प्रोटोटाइप ने प्रदर्शित किया कि यदि आप धीमी प्रोसेसिंग समय को स्वीकार करने के लिए तैयार हैं, तो आप सुरक्षा का यह स्तर प्राप्त करने के लिए सटीकता का त्याग किए बिना काम कर सकते हैं। यह कार्य सभी सुरक्षित कंप्यूटिंग की समस्याओं को हल करने का दावा नहीं करता है; शोधकर्ताओं ने उल्लेख किया कि उनके परीक्षण में सरल, सिंथेटिक डेटा और एक बुनियादी मॉडल का उपयोग किया गया था। उन्होंने यह परीक्षण नहीं किया कि उनका सिस्टम बड़े डेटासेट, जटिल कृत्रिम बुद्धिमत्ता (AI) मॉडल, या सक्रिय हमलों को कैसे संभालेगा जहाँ एक दुर्भावनापूर्ण सर्वर सिस्टम को धोखा देने की कोशिश करता है। फिर भी, यह प्रयोग एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है। यह दिखाता है कि डेटा हैंडलिंग के दो महत्वपूर्ण चरणों—स्टोरेज और इन्फरेंस (अनुमान)—को मजबूत एन्क्रिप्शन के साथ जोड़ा जा सकता है, जिससे एक ऐसा वर्कफ़्लो बनता है जहाँ संवेदनशील जानकारी डेटा के सेव होने से लेकर उत्तर मिलने तक मालिक के नियंत्रण में रहती है।