خلاصه خبر:
محققان MIT یک پروتکل امن کوانتومی برای محافظت از محاسبات یادگیری عمیق مبتنی بر ابر ایجاد کرده‌اند که به نگرانی‌های مربوط به حریم خصوصی در بخش‌هایی مانند مراقبت‌های بهداشتی رسیدگی میکند. این تکنیک از خواص کوانتومی نور استفاده کرده و وزن شبکه عصبی و داده های مشتری را در نور لیزر مورد استفاده در ارتباطات فیبر نوری رمزگذاری میکند. با بهره برداری از قضیه عدم کپی پذیری، از کپی یا رهگیری اطلاعات توسط دشمنان جلوگیری میکند. این سیستم در تست‌ها به دقت 96 درصد دست یافت، در حالی که حداقل داده‌ها را نشت کرد. این به مشتری و سرور اجازه میدهد تا به طور ایمن بدون افشای اطلاعات حساس تعامل داشته باشند. این پروتکل با زیرساخت های مخابراتی معمولی کار میکند که آن را برای کاربردهای دنیای واقعی عملی میکند.
توضیحات تکمیلی:
محققان MIT یک پروتکل امنیتی انقلابی را معرفی کرده‌اند که از ویژگی‌های کوانتومی نور برای ایمن کردن محاسبات یادگیری عمیق مبتنی بر ابر استفاده کرده و به نگرانی‌های حیاتی حریم خصوصی در بخش‌هایی مانند مراقبت‌های بهداشتی رسیدگی میکند. مدل‌های یادگیری عمیق سنتی به منابع محاسباتی قابل توجهی نیاز دارند که اغلب توسط سرورهای ابری مدیریت می‌شوند و در انتقال داده‌ها آسیب‌پذیری ایجاد می‌کنند. رویکرد MIT رمزنگاری کوانتومی را با یادگیری ماشین کلاسیک ترکیب میکند و استنتاج یادگیری عمیق بسیار ایمن و دقیق را ممکن می‌سازد.
نوآوری کلیدی در رمزگذاری وزن شبکه عصبی و داده های مشتری در نور لیزر مورد استفاده در سیستم های ارتباطی فیبر نوری نهفته است. این تکنیک از قضیه عدم کپی پذیری کوانتومی (no-cloning theorem) استفاده می کند، که بیان می کند اطلاعات کوانتومی را نمی توان به طور کامل کپی کرد. با انجام این کار، پروتکل از رهگیری یا کپی کردن داده ها در حین انتقال توسط دشمنان جلوگیری می کند. مشتری، که داده‌های محرمانه (مانند تصاویر پزشکی) را دارد، و سروری که مدل‌های یادگیری عمیق اختصاصی را در خود جای داده است، می‌توانند به طور ایمن بدون افشای اطلاعات حساس به یکدیگر تعامل داشته باشند. هنگامی که مشتری با استفاده از مدل سرور پیش بینی می کند، پروتکل امنیتی کوانتومی تضمین می کند که داده های هر دو طرف محافظت می شوند.
در این آزمایش، تیم MIT از شبکه‌های عصبی عمیق برای رمزگذاری وزن‌ها در یک میدان نوری استفاده کرد و روش کوانتومی امن خود را برای طبقه‌بندی MNIST به کار برد. این سیستم به دقت بالای 96 درصد دست یافت در حالی که تنها 0.1 بیت به ازای هر وزن شبکه عصبی و 0.01 بیت در هر نماد داده مشتری نشت می کرد که بسیار کمتر از آستانه مورد نیاز برای استنتاج مدل دقیق است. این امر سیستم را بسیار ایمن میکند، حتی تحت محدودیت‌های سختگیرانه Holevo و Cramér-Rao در نظریه اطلاعات کوانتومی، که نشت اطلاعات بالقوه را کمیت میکند.
این پروتکل بدون سخت‌افزار تخصصی عمل میکند و تنها بر زیرساخت‌های مخابراتی موجود تکیه میکند، که آن را برای کاربردهای دنیای واقعی عملی میکند. استفاده از نور کوانتومی تضمین می کند که خطاهای معرفی شده توسط هر مهاجم بالقوه می تواند توسط سرور از طریق نور باقیمانده که از مشتری بازگردانده می شود، شناسایی کند.
علاوه بر این، این مکانیسم امنیتی به لایه های متعدد شبکه های عصبی گسترش می یابد. مشتری می تواند تنها نور مورد نیاز برای پردازش یک لایه از شبکه عصبی عمیق را اندازه گیری کند و نور باقیمانده را به سرور ارسال کند. این مبادله رفت و برگشت نه تنها داده های ورودی مشتری را ایمن می کند، بلکه از مدل سرور در برابر مهندسی معکوس محافظت می کند. از اصل عدم کپی پذیری برای اطمینان از اینکه اگر هرگونه خطای کوچکی که توسط اندازه‌گیری‌های سمت مشتری ایجاد شود، در صورت نشت اطلاعات به سرور هشدار دهد، استفاده می‌شود.
این تحقیق که در کنفرانس Qcrypt 2024 ارائه شد، یک خیابان دوطرفه و ایمن را در محاسبات ابری امن کوانتومی نشان میدهد. هم داده های خصوصی مشتری و هم مدل های اختصاصی سرور در طول استنتاج محافظت می شوند. این چارچوب امنیتی فرصت‌های جدیدی را در یادگیری عمیق حفظ حریم خصوصی و یادگیری فدرال (federated learning) باز میکند، که در آن چندین مشتری می‌توانند به طور مشترک یک مدل مشترک را بدون خطر نشت داده آموزش دهند.
این پیشرفت نه تنها راه را برای محاسبات ابری ایمن‌تر هموار میکند، بلکه زمینه را برای معماری‌های یادگیری ماشینی توزیع‌شده ایمن‌تر فراهم میکند و راه‌حلی امیدوارکننده برای بخش‌هایی ارائه میکند که امنیت داده‌ها در آنها اهمیت دارد. این تکنیک را می‌توان در شبکه‌های ارتباطی نوری موجود ادغام کرد و امکان پیاده‌سازی در مقیاس بزرگ را بدون نیاز به سخت‌افزار کوانتومی گران‌قیمت فراهم کرد. در کار آینده، محققان قصد دارند بررسی کنند که چگونه این پروتکل می تواند سیستم های یادگیری فدرال را تقویت کند و یادگیری عمیق مبتنی بر ابر را بیشتر ایمن کند.
منبع
https://phys.org/news/2024-09-protocol-leverages-quantum-mechanics-shield.html
Kfir Sulimany et al, Quantum-secure multiparty deep learning, arXiv (2024). DOI: 10.48550/arxiv.2408.05629
