التعلم العميق التعاوني: تطبيقات التعلم الآلي في التشفير

في مجال التعلم العميق، هناك حالات تكون فيها البيانات من مصدر واحد غير كافية لتدريب نموذج. هذا أدى إلى اهتمام متزايد بين مالكي البيانات ليس فقط باستخدام بياناتهم الخاصة ولكن أيضاً دمج البيانات من مصادر أخرى. أحد السهول لتسهيل هذا هو استخدام نموذج قائم على السحابة يمكنه التعلم من مصادر بيانات متعددة. ومع ذلك، فإن أحد المخاوف الرئيسية هو حماية المعلومات الحساسة. 

هذا أدى إلى ظهور مفهوم التعلم العميق التعاوني، الذي يدور حول استراتيجيتين رئيسيتين: مشاركة بيانات التدريب المشفرة ومشاركة التدرجات المشفرة. المبدأ الشامل هنا هو استخدام التشفير المتجانس الكامل لضمان بقاء جميع البيانات، بما في ذلك تلك المستخدمة للعمليات في السحابة، مشفرة طوال عملية التعلم.

مشاركة البيانات المشفرة لضمان الخصوصية

كانت هناك أساليب مبتكرة لضمان الخصوصية أثناء التعلم العميق التعاوني. أحد هذه الأساليب يتضمن كل من مالكي البيانات ونظام قائم على السحابة. إليك كيف يعمل ذلك:

1. يقوم مالكو البيانات بإنشاء مفاتيح عامة ومفاتيح سرية ومفاتيح تقييم. ثم يقومون بتشفير بياناتهم (مثل بيانات التدريب والأهداف المطلوبة) باستخدام مفاتيحهم العامة وإرسال هذه البيانات المشفرة إلى السحابة.
2. السحابة، عند استلام هذه البيانات المشفرة، تشرع في تدريب النموذج باستخدام المفاتيح العامة وتقييم المفاتيح المقدمة من مالكي البيانات.
3. بمجرد تحديث الأوزان المشفرة بواسطة عملية التعلم، تعيد السحابة إرسال هذه الأوزان المشفرة إلى مالكي البيانات المعنيين.
4. أخيراً، يقوم مالكو البيانات بفك تشفير البيانات المستلمة بشكل تعاوني للحصول على أوزان محدثة فردية. يستفيد هذا عملية فك التشفير من تقنيات الحساب متعدد الأطراف الآمن.

تم اقتراح طريقة أكثر تعقيداً للقضاء على الحاجة إلى تواصل مالكي البيانات أثناء عملية فك التشفير. تتضمن هذه طريقة كياناً إضافياً، وهو مركز مصرح له (AU)، وتستخدم مزيجاً من تقنيات التشفير المزدوج والتشفير المتجانس الكامل متعدد المفاتيح. الخطوات هي:

1. ينشئ مالكو البيانات مفاتيحهم العامة والسرية ويشفرون بياناتهم، والتي يتم إرسالها بعد ذلك إلى السحابة. يحتفظ المركز المصرح له (AU) أيضاً بنسخة من المفاتيح السرية لمالكي البيانات.
2. السحابة، بعد استلام البيانات المشفرة ولكن دون امتلاك مفاتيح التقييم، تقدم ضوضاء للبيانات وتقوم بإرسالها إلى المركز المصرح له (AU).
3. يقوم المركز المصرح له (AU) بفك تشفير هذه البيانات باستخدام المفاتيح السرية لمالكي البيانات ويعيد تشفيرها بمفتاح عام واحد قبل إرسالها مرة أخرى إلى السحابة.
4. يمكن للسحابة الآن حساب الأوزان المشفرة والمحدثة باستخدام هذه البيانات المشفرة بشكل موحد. بمجرد الانتهاء، يتم إرسال النتائج إلى المركز المصرح له (AU) لإعادة تشفيرها باستخدام المفاتيح العامة الفردية لمالكي البيانات.
5. يتلقى كل مالك بيانات النتائج الخاصة به، والتي يمكنه فك تشفيرها باستخدام مفاتيحه السرية.

أظهر هذا النظام قدرته على الحفاظ على الأمان الدلالي، شريطة أن يكون نظام المفتاح العام المستخدم آمناً دلاليًا أيضاً. علاوة على ذلك، تظل خصوصية معاملات التعلم العميق، مثل الأوزان، سليمة طالما أن السحابة والوحدة الموثوقة (AU) لا تتآمران معاً.

في التطورات الأخيرة، تم إحراز تحسينات في الأسلوب الأساسي من خلال إدخال تشفير متجانس كلياً متعدد المخططات. يتيح ذلك لمالكي البيانات استخدام مخططات تشفير متنوعة عند المشاركة في التعلم العميق التعاوني. بالإضافة إلى ذلك، تم تحسين دقة بعض دوال التنشيط وزيادة الدقة العامة وسرعة مهام التصنيف مقارنة بالطرق السابقة.

التعلم العميق التعاوني مع التدرجات المشفرة

يتضمن نهج مبتكر في مجال التعلم العميق التعاوني استخدام التشفير المتجانس الجمعي. تم تطوير هذه الطريقة كتحسين على التقنيات السابقة التي استخدمت نزول التدرج العشوائي غير المتزامن (ASGD) كطريقة للتعلم. أُطلق على هذا النهج السابق اسم "نزول التدرج العشوائي غير المتزامن الانتقائي" لأنه سمح لكل مالك بيانات بالقرار بشأن التدرجات التي سيتم مشاركتها عالمياً، مما يضمن خصوصيتهم. 

كانت هناك أيضاً طريقة إضافية دمج فيها الخصوصية التفاضلية من خلال إدخال ضوضاء لابلاس على التدرجات. على الرغم من هذه التدابير، تم إثبات وجود احتمال لا يزال قائماً لتسرب البيانات الحساسة من المالكين، حتى إذا خضعت قيم التدرج لتعديلات طفيفة.

في الطريقة المحسنة باستخدام نزول التدرج العشوائي غير المتزامن (ASGD)، يمكن تلخيص العملية على النحو التالي:

1. يستعيد مالكو البيانات الوزن المشفر من السحابة، ويقومون بفك تشفيره باستخدام مفتاحهم السري.
2. باستخدام الوزن العالمي وبيانات التدريب الخاصة بهم، يحسب مالك البيانات التدرج داخل نموذج التعلم العميق الخاص به.
3. يتم تشفير هذا التدرج، بعد ضربه في معدل التعلم، باستخدام المفتاح السري لمالك البيانات ثم إرساله مرة أخرى إلى السحابة.
4. تحديث السحابة الوزن العالمي باستخدام البيانات المشفرة من مالكي البيانات، حيث يقتصر العملية على الجمع.
5. يتمثل أحد أبرز مزايا هذه الطريقة في قوتها ضد تسرب التدرجات المحتملة. حتى لو كانت السحابة تعمل بنوايا فضولية، فإنها لا يمكنها الوصول إلى معلومات التدرج. علاوة على ذلك، عندما يقوم مالك البيانات بفك تشفير النتائج من السحابة، تتطابق النتيجة تماماً مع ما هو متوقع إذا تم إجراء عمليات السحابة على تدرج غير مشفر.

الآثار الأمنية للتعلم الآلي في التشفير

أثارت دمج التعلم الآلي في التشفير مخاوف أمنية متعددة. في هذا القسم، نقدم ملخصاً موجزاً لأهم النتائج المتعلقة بهذا الموضوع في الآونة الأخيرة.

أمن التعلم الآلي: غاصت دراسة من عام 2006 في سؤال ما إذا كان التعلم الآلي يمكن أن يكون آمناً حقاً. قدمت هذه البحث تصنيفاً لأنواع مختلفة من الهجمات على أنظمة وتقنيات التعلم الآلي. علاوة على ذلك، قدمت دفاعات ضد هذه الهجمات وقدمت نموذجاً تحليلياً يوضح جهود المهاجم.

توسيع تصنيف الهجمات: وبناءً على عملهم السابق، وسعت دراسة لاحقة تصنيف الهجمات. تفصّل هذا البحث كيف تؤثر فئات الهجمات المختلفة على التكاليف لكل من المهاجم والمدافع. كما قدمت مراجعة شاملة للهجمات على أنظمة التعلم الآلي، مستخدمةً مرشح البريد العشوائي الإحصائي SpamBayes كدراسة حالة.

هجمات التهرب: قدمت دراسة عام 2013 مفهوم هجمات التهرب. وعلى الرغم من تشابهها مع هجمات السلامة الاستكشافية، تركز هجمات التهرب على إدخال بيانات معادية إلى بيانات تدريب الأنظمة القائمة على التعلم الآلي. شدد البحث على أهمية تقييم مقاومة التعلم الآلي للبيانات المعادية بشكل شامل.

استغلال مصنفي التعلم الآلي: سلطت دراسة أخرى عام 2013 الضوء على طريقة يمكن من خلالها التلاعب بمصنفي التعلم الآلي لكشف المعلومات. ركز هذا البحث على الكشف غير المقصود أو المتعمد للمعلومات الإحصائية من مصنفي التعلم الآلي. تم تطوير مصنف ميتا فريد، تم تدريبه على اختراق مصنفي آخرين واستخراج معلومات قيمة حول مجموعات تدريبهم. يمكن استخدام مثل هذه الهجمات لإنشاء مصنفي فائقة أو لاستخراج أسرار تجارية، مما ينتهك حقوق الملكية الفكرية.

السلوك المعادي: يمكن للمهاجمين تجاوز أساليب التعلم من خلال تغيير سلوكهم استجابةً لهذه الأساليب. كان هناك استكشاف محدود لتقنيات التعلم التي يمكنها مقاومة الهجمات بضمان المتانة. تم تنظيم ورشة عمل بعنوان "طرق التعلم الآلي لأمن الحاسوب" لتعزيز المناقشات بين خبراء أمن الحاسوب وخبراء التعلم الآلي. حددت الورشة عدة أولويات بحثية، تتراوح من تطبيقات التعلم الآلي التقليدية في الأمن إلى تحديات التعلم الآمن وإنشاء طرق رسمية جديدة بضمان الأمان.

ما وراء أمن الحاسوب التقليدي: حددت الورشة أيضاً تطبيقات محتملة تتجاوز المجال التقليدي لأمن الحاسوب. تشمل هذه التطبيقات، حيث قد تنشأ مخاوف أمنية فيما يتعلق بالطرق القائمة على البيانات، البريد العشوائي لوسائل التواصل الاجتماعي، وكشف الانتحال، وتحديد المؤلف، وإنفاذ حقوق النشر، والرؤية الحاسوبية (خاصة القياسات الحيوية)، وتحليل المشاعر.

الأمان والخصوصية في التعلم الآلي: قدمت دراسة عام 2016 تحليلاً متعمقاً لمخاوف الأمان والخصوصية في التعلم الآلي. قدمت نموذج تهديد مفصلاً للتعلم الآلي، مصنفاً الهجمات والدفاعات ضمن إطار معادي. تم تقسيم الإعدادات المعادية للتدريب إلى فئتين رئيسيتين: تلك التي تستهدف الخصوصية وتلك التي تستهدف السلامة. تم أيضاً تصنيف الاستدلال في الإعدادات المعادية إلى خصوم من النوع الصندوق الأبيض والصندوق الأسود. اختتمت الدراسة بمناقشة الطريق لتحقيق نموذج تعلم آلي قوي وخاص وخاضع للمساءلة.

التقدم السابق للتعلم الآلي في التحليل التشفيري

تم دمج التعلم الآلي بشكل متزايد في مجال التحليل التشفيري، لا سيما في تعزيز قدرات هجمات القنوات الجانبية. إليك نظرة عامة موجزة على تطبيقاته:

الدمج المبكر للتعلم الآلي: تضمنت واحدة من المحاولات الأولية في هذا المجال استخدام خوارزمية تعلم آلة المربعات الصغرى لدعم الآلة (LS-SVM). استهدف هذا الأسلوب التنفيذ البرمجي لمعيار التشفير المتقدم (AES) باستخدام استهلاك الطاقة كقناة جانبية. سلطت النتائج الضوء على الدور المحوري لمعلمات خوارزمية التعلم الآلي في النتائج.

تعزيز الدقة: دعت نهج لاحق إلى استخدام التعلم الآلي لتعزيز دقة الهجمات على القنوات الجانبية. نظراً لأن هذه الهجمات تستند إلى المقاييس الفيزيائية لتنفيذات أنظمة التشفير، فإنها غالباً ما تعتمد على افتراضات معلمية معينة. يوفر إدخال التعلم الآلي طريقة لتخفيف هذه الافتراضات، خاصة عند التعامل مع متجهات الميزات عالية الأبعاد.

الشبكات العصبية في التحليل التشفيري: استخدمت طريقة مبتكرة أخرى شبكة عصبية للتحليل التشفيري. استهدف هذا التدريب الشبكة العصبية على فك تشفير النصوص المشفرة دون مفتاح التشفير، مما أدى إلى انخفاض ملحوظ في الوقت وأزواج النصوص الواضحة-المشفرة المعروفة المطلوبة لمعايير التشفير tertentu.

التوسع في العمل السابق: وبناءً على نهج الشبكة العصبية المذكور أعلاه، استهدفت دراسة أخرى تشفيراً خفيفاً. تحول التركيز إلى اكتشاف المفتاح بدلاً من النص الواضح. تم اختبار كفاءة الشبكة العصبية على كل من الإصدارات المختزلة والكاملة من التشفير، مع تعديل تكوينات الشبكة لتعظيم الدقة.

تحليل حركة المرور المشفرة: غاصت دراسة مختلفة في تحليل حركة مرور الشبكة المشفرة على الأجهزة المحمولة. كان الهدف هو التمييز بين إجراءات المستخدم من البيانات المشفرة. من خلال مراقبة حركة المرور المشفرة بشكل سلبي وتطبيق تقنيات متقدمة للتعلم الآلي، تمكنوا من استنتاج إجراءات المستخدم بمعدل دقة مذهل.

التعلم العميق في هجمات القنوات الجانبية: تم استكشاف التعلم العميق لتحسين هجمات القنوات الجانبية. كان الهدف هو تطوير تقنيات نمذجة متطورة لتقليل الافتراضات في هجمات القوالب. من خلال تطبيق التعلم العميق، تم تحقيق نتائج أكثر دقة في هجمات القنوات الجانبية على معايير التشفير معينة.

مواجهة هجمات التعلم الآلي: تم تقديم نهج فريد لمنع استخدام التعلم الآلي كسلاح ضد الوظائف غير القابلة للاستنساخ فيزيائياً (PUFs) في المصادقة الخفيفة. جمعت هذه الطريقة بين مصادقة خفيفة تعتمد على PUF وتقنية قفل، مما يضمن عدم قدرة التعلم الآلي على استخراج زوج التحدي-الاستجابة الجديد بنجاح.

الخلاصة

فتح دمج التعلم الآلي في التشفير آفاقاً جديدة لتعزيز الأمن وتحسين العمليات. بينما يقدم حلولاً واعدة، لا سيما في التعلم العميق التعاوني والتحليل التشفيري، هناك مخاوف أمنية كامنة تحتاج إلى معالجة. مع تطور المجال، من الضروري أن يكون الباحثون والممارسون على دراية بالثغرات المحتملة والعمل نحو إنشاء أنظمة قوية وآمنة.