Multi-Party Computation (MPC) は、安全なデータ処理と複数の当事者間の共有を可能にするテクノロジであり、単一の当事者が完全なデータ セットにアクセスすることはありません。
このタイプの分散コンピューティングは、参加者が生データにアクセスすることなく、個人を特定できる情報 (PII) に対して安全に計算を実行できるため、近年注目を集めています。 単一の参加者がすべてのデータにアクセスできないようにするために、暗号学者は、当事者が暗号化されたデータを分割して共有できるようにするさまざまなプロトコルを開発しました。
マルチパーティ計算とは
MPC の核心は、複数の関係者がデータを計算できるようにするテクノロジーであり、単一の関係者が生データにアクセスする必要はありません。 彼らは、データを断片に分割し、暗号化して、参加者が自分で解読できないようにすることでこれを達成しました.
MPC の重要なコンポーネントは、暗号化されたデータの計算を可能にすることです。そのため、参加者は、他の当事者が何に対して計算を実行しているか、プロセスからどのような結果を得ているかを見ることができません。
MPCの歴史
マルチパーティ計算 (MPC) が最初に注目を集めたのは 1970 年代で、中国の暗号技術の伝説であるアンドリュー ヤオ (Andrew Yao) が Garbled Circuits Protocol を作成しました。これにより、XNUMX つのパーティが入力を明らかにせずにデータを計算できるようになりました。 彼の億万長者の問題は、MPC の XNUMX パーティ システムの簡単な例を示しています。
1987 年に GMW (Goldreich–Micali–Wigderson) プロトコルが誕生し、真のマルチパーティ プラットフォームが可能になりました。2008 年には、MPC がデンマークの甜菜の密閉入札オークションで実際にデビューし、すべての入札者のプライバシーが保護されました。関与。 これは、複数の参加者との安全なデジタル トランザクションを実行する革新的な新しい方法の始まりを示しました。
マルチパーティ計算はどのように機能しますか?
MPC は、秘密分散や準同型暗号化などの暗号化技術を使用して、暗号化されたデータを分割して複数の関係者間で共有します。 秘密の共有には、情報をいくつかのコンポーネントに分割することが含まれます。各当事者は XNUMX つの部分のみを受け取ります。つまり、どの当事者も完全なデータにアクセスすることはできません。 準同型暗号化は、暗号化されたデータの計算を可能にするために使用されます。つまり、機密情報がプレーンテキスト形式で公開されることはありません。
マルチパーティ計算の仕組みを説明する例
A、B、C の XNUMX つの企業がプロジェクトで協力したいと考えていますが、機密データを共有するほどお互いを信頼していないとします。 MPC ソリューションを使用することで、データを安全に分割し、計算を実行できますが、生の情報には誰もアクセスできません。
まず、A、B、および C は、秘密分散アルゴリズムを使用して、データをいくつかのコンポーネントに分割します。 次に、各企業は準同型暗号化アルゴリズムを使用してこれらの部分を暗号化し、他の XNUMX つの参加者に送信します。 現在、XNUMX つの当事者はすべて、相互に暗号化されたデータを持っていますが、いずれも自分でそれを解読して、完全な情報セットにアクセスすることはできません。
次に、A、B、および C は、暗号化されたデータを復号化することなく、計算を実行できます。 これは、各参加者が自分の貢献のみを表示できる一方で、プロジェクトで共同作業できることを意味します。 最後に、これらの参加者はお互いの生データにアクセスできないため、自分の情報が安全であることを確認できます。
MPC がプライバシー保護計算と呼ばれるのはなぜですか?
データは、今日の世界でかけがえのないツールであり、世界で最も革新的で進歩的な進歩の多くはデータに直接依存しています。 しかし、データの共有には、プライバシー侵害や制御不能という計り知れないリスクが伴うことがよくあります。
Multi-Party Computation (MPC) は、この問題に対する創造的な解決策を提供し、当事者が他の人の情報や自分自身の情報の安全性を損なうことなく、特定の種類のデータにアクセスできる新しいオンライン環境を作成するのに役立ちます。
MPC は、結果以外のデータを公開しない安全なアルゴリズムを使用します。つまり、関係者は、個人の詳細を明らかにしたり、他人のプライバシー権を侵害したりすることなく、重要な決定を下すことができます。 このテクノロジーは、私たちが知っているデータ セキュリティに革命をもたらし、有用な情報共有から生じる機会に満ちた安全な未来への道を開く可能性があります。
マルチパーティ計算ソリューションの利点
MPC ソリューションは、次のような幅広い利点を提供します。
• セキュリティの向上 – 暗号化されたデータを分割し、どの時点でも生データを公開しないことにより、MPC は単一の当事者がすべての情報にアクセスできないようにします。 これにより、PII や医療記録などの機密性の高い情報を処理するための理想的なソリューションになります。
• プライバシーの改善 – 各参加者はデータ セット全体の一部のみを受信し、単一の関係者がすべての情報にアクセスできないため、MPC は、いずれかの関係者が個人をプロファイリングするのを防ぐことでプライバシーの改善にも役立ちます。
• 速度とスケーラビリティの向上 – MPC ソリューションは計算を並行して実行できます。つまり、大量のデータを迅速に処理できます。 これは、実行に大量の計算能力を必要とする機械学習などのタスクに特に役立ちます。
マルチパーティ計算ソリューションの欠点
MPC ソリューションの主な欠点は次のとおりです。
• 高コスト – MPC ソリューションの実装と実行には、従来のコンピューティング技術よりも多くのリソースが必要です。 これには、セットアップに必要なハードウェア、ソフトウェア、およびその他のツールを購入する必要が含まれます。
• 複雑さ – MPC システムのセットアップは、追加の暗号化技術が必要になるため、複雑になる可能性があります。 これにより、トラブルシューティングとデバッグが困難になる可能性があります。問題は複数の関係者で対処する必要があるためです。
• 速度が遅い – MPC ソリューションは暗号化されたデータに対して計算を実行するため、従来の計算プロセスよりも実行速度が遅くなることがよくあります。 これは、大量の計算能力を必要とするタスクの完了に時間がかかることを意味します。
実世界での MPC アプリケーション
遺伝子検査
遺伝学者は、MPC を使用して遺伝データを分析します。 生の DNA シーケンスをインターネット経由で送信する代わりに、各関係者は独自のデータを暗号化し、MPC が結果を比較、分析、解釈できるサードパーティ サーバーに送信します。
金融取引
MPC を使用して金融取引を保護できます。 これは、データを複数の部分に分割し、安全な MPC 環境で処理することで実現でき、単一の当事者がすべての情報にアクセスできないようにします。 これにより、暗号通貨取引所など、プライバシーが最も重要なデジタル決済ソリューションに最適です。
医学研究
MPC ソリューションを使用して、大量の医療データを共有および分析できます。 データを送信する前に暗号化することにより、各当事者は、他の人のプライバシーやセキュリティを損なうことなく、特定の情報にアクセスできます。 これにより、MPC は、機密性の高い患者データを含む臨床試験やその他の研究プロジェクトにとって理想的なソリューションになります。
ブロックチェーンでのしきい値署名
MPC は、さまざまな方法でデジタル署名を保護できます。 ブロックチェーン プロジェクト。 彼らは署名を複数の参加者に分割することでこれを達成し、単一の当事者が署名全体にアクセスできないようにしました。 これにより、一方の当事者が危険にさらされた場合でも、デジタル署名の安全性と改ざん防止が保証されます。
MPC の安全な代替手段
暗号化方法
暗号化方法は、機密データを安全に保存および送信できるようにするコンピューター セキュリティの不可欠な部分です。 この目的で使用される主な暗号化方法の XNUMX つは、準同型暗号化とゼロ知識証明です。
準同型暗号化では、数式を使用して、暗号化されたデータを最初に復号化せずに計算できるようにするため、プライバシーを侵害することなくデータを安全に共有することが容易になります。
ゼロ知識証明は、情報の詳細を明らかにすることなく情報の真実性を検証するための数学的手法を提供するため、機密情報を扱う際に非常に役立ちます。
暗号化で使用される別の技術は差分プライバシーです。これは、収集されたデータに制御された量のランダム性を追加し、悪意のある人物がユーザーの個人情報を取得するのを防ぎます。 基本的に、暗号化手法は、セキュリティのレイヤーを強化し、データ侵害に対する保護を提供することで、データをより詳細に制御できるようにします。
AI / ML に基づく方法
AI/ML に基づく手法は、次世代のプライバシー主導のイニシアチブを強化するのに役立っています。 この変化を可能にしている XNUMX つの重要な技術は、合成データとフェデレーテッド ラーニングです。
合成データは、実際の情報を使用せずに、関連する特性の分布を複製するデータ ポイントを作成する人工知能の一種です。
フェデレーテッド ラーニングは、アナリストが複数のデータセットにまたがるモデルを同時にトレーニングする分散型機械学習手法の XNUMX 形態であり、データセットに保存されている機密情報や機密情報を危険にさらすリスクはありません。
これら XNUMX つの方法を組み合わせることで、最初から最後まで精度の向上とデータ プライバシー保護の強化の両方が可能になり、より確実で賢明な決定を下すことができます。
まとめ
MPC は、単一の関係者が完全なデータ セットにアクセスすることなく、複数の関係者間で安全なデータ処理を可能にする、ますます普及しているテクノロジです。 秘密の共有や準同型暗号化などの暗号技術を使用してデータを分割および暗号化し、参加者が生データにアクセスしたり、そこから個人をプロファイリングしたりできないようにします。
セキュリティの向上、プライバシーの向上、スピードとスケーラビリティの向上など、多くの利点を持つ MPC ソリューションは、組織が機密データを安全かつ効率的に処理するための強力なソリューションを提供します。
ソース: https://www.cryptopolitan.com/multi-party-computation-mpc-solutions/