ஆழ்ந்த கற்றல் மாதிரிகள் பல துறைகளில் பயன்படுத்தப்படுகின்றன, சுகாதாரப் பாதுகாப்பு நோயறிதல் முதல் நிதி முன்கணிப்பு வரை. இருப்பினும், இந்த மாதிரிகள் கணக்கீட்டு ரீதியாக மிகவும் தீவிரமானவை, அவை சக்திவாய்ந்த கிளவுட் அடிப்படையிலான சேவையகங்களைப் பயன்படுத்த வேண்டும்.
கிளவுட் கம்ப்யூட்டிங்கின் மீதான இந்த நம்பகத்தன்மை குறிப்பிடத்தக்க பாதுகாப்பு அபாயங்களை ஏற்படுத்துகிறது, குறிப்பாக சுகாதாரப் பாதுகாப்பு போன்ற பகுதிகளில், தனியுரிமைக் கவலைகள் காரணமாக நோயாளியின் ரகசியத் தரவை பகுப்பாய்வு செய்ய AI கருவிகளைப் பயன்படுத்த மருத்துவமனைகள் தயங்கக்கூடும்.
இந்த அழுத்தமான சிக்கலைச் சமாளிக்க, MIT ஆராய்ச்சியாளர்கள் ஒரு பாதுகாப்பு நெறிமுறையை உருவாக்கியுள்ளனர், இது ஒளியின் குவாண்டம் பண்புகளை மேம்படுத்துகிறது, இது ஆழமான கற்றல் கணக்கீடுகளின் போது கிளவுட் சேவையகத்திற்கு அனுப்பப்படும் தரவு பாதுகாப்பாக இருக்கும்.
ஃபைபர் ஆப்டிக் கம்யூனிகேஷன்ஸ் அமைப்புகளில் பயன்படுத்தப்படும் லேசர் ஒளியில் தரவை குறியாக்கம் செய்வதன் மூலம், குவாண்டம் இயக்கவியலின் அடிப்படைக் கொள்கைகளை நெறிமுறை பயன்படுத்திக் கொள்கிறது, இதனால் தாக்குபவர்கள் கண்டறியாமல் தகவலை நகலெடுக்கவோ அல்லது குறுக்கிடவோ முடியாது.
மேலும், நுட்பம் ஆழமான கற்றல் மாதிரிகளின் துல்லியத்தை சமரசம் செய்யாமல் பாதுகாப்பிற்கு உத்தரவாதம் அளிக்கிறது. சோதனைகளில், வலுவான பாதுகாப்பு நடவடிக்கைகளை உறுதி செய்யும் போது, அவர்களின் நெறிமுறை 96 சதவீத துல்லியத்தை பராமரிக்க முடியும் என்பதை ஆராய்ச்சியாளர் நிரூபித்தார்.
“GPT-4 போன்ற ஆழமான கற்றல் மாதிரிகள் முன்னோடியில்லாத திறன்களைக் கொண்டுள்ளன, ஆனால் பெரிய கணக்கீட்டு வளங்கள் தேவைப்படுகின்றன. எங்கள் நெறிமுறை பயனர்கள் தங்கள் தரவின் தனியுரிமை அல்லது மாதிரிகளின் தனியுரிமைத் தன்மையை சமரசம் செய்யாமல் இந்த சக்திவாய்ந்த மாதிரிகளைப் பயன்படுத்த உதவுகிறது,” என்கிறார் Kfir Sulimany, MIT postdoc எலக்ட்ரானிக்ஸ் ஆராய்ச்சி ஆய்வகத்தில் (RLE) மற்றும் இந்த பாதுகாப்பு நெறிமுறை பற்றிய கட்டுரையின் முதன்மை ஆசிரியர்.
எம்ஐடி போஸ்ட்டாக் ஸ்ரீ கிருஷ்ணா வட்லமணியால் சுலிமானி காகிதத்தில் இணைந்தார்; Ryan Hamerly, முன்னாள் போஸ்ட்டாக் இப்போது NTT ஆராய்ச்சி, Inc.; பிரஹலாத் ஐயங்கார், மின் பொறியியல் மற்றும் கணினி அறிவியல் (EECS) பட்டதாரி மாணவர்; மற்றும் மூத்த எழுத்தாளர் டிர்க் இங்லண்ட், EECS இல் பேராசிரியர், குவாண்டம் ஃபோட்டானிக்ஸ் மற்றும் செயற்கை நுண்ணறிவு குழு மற்றும் RLE இன் முதன்மை ஆய்வாளர். இந்த ஆராய்ச்சி சமீபத்தில் குவாண்டம் கிரிப்டோகிராஃபி பற்றிய வருடாந்திர மாநாட்டில் வழங்கப்பட்டது.
ஆழ்ந்த கற்றலில் பாதுகாப்பிற்கான இருவழி வீதி
கிளவுட்-அடிப்படையிலான கணக்கீட்டு சூழ்நிலையில் ஆராய்ச்சியாளர்கள் கவனம் செலுத்திய இரண்டு தரப்பினரை உள்ளடக்கியது — மருத்துவப் படங்கள் போன்ற ரகசியத் தரவைக் கொண்ட கிளையன்ட் மற்றும் ஆழ்ந்த கற்றல் மாதிரியைக் கட்டுப்படுத்தும் மத்திய சேவையகம்.
நோயாளியைப் பற்றிய தகவலை வெளிப்படுத்தாமல், மருத்துவப் படங்களின் அடிப்படையில் ஒரு நோயாளிக்கு புற்றுநோய் இருக்கிறதா என்பது போன்ற கணிப்புகளைச் செய்ய வாடிக்கையாளர் ஆழ்ந்த கற்றல் மாதிரியைப் பயன்படுத்த விரும்புகிறார்.
இந்தச் சூழ்நிலையில், கணிப்புகளை உருவாக்க, முக்கியமான தரவு அனுப்பப்பட வேண்டும். இருப்பினும், செயல்முறையின் போது நோயாளியின் தரவு பாதுகாப்பாக இருக்க வேண்டும்.
மேலும், OpenAI போன்ற நிறுவனம் பல ஆண்டுகள் மற்றும் மில்லியன் கணக்கான டாலர்களை செலவழித்த தனியுரிம மாதிரியின் எந்தப் பகுதியையும் வெளியிட சர்வர் விரும்பவில்லை.
“இரு கட்சிகளும் மறைக்க விரும்பும் ஒன்றை வைத்திருக்கிறார்கள்,” என்று வட்லாமணி கூறுகிறார்.
டிஜிட்டல் கணக்கீட்டில், ஒரு மோசமான நடிகர் சர்வர் அல்லது கிளையண்டிலிருந்து அனுப்பப்பட்ட தரவை எளிதாக நகலெடுக்க முடியும்.
மறுபுறம், குவாண்டம் தகவலை முழுமையாக நகலெடுக்க முடியாது. குளோனிங் கொள்கை என அழைக்கப்படும் இந்த சொத்தை ஆராய்ச்சியாளர்கள் தங்கள் பாதுகாப்பு நெறிமுறையில் பயன்படுத்துகின்றனர்.
ஆராய்ச்சியாளர்களின் நெறிமுறைக்கு, சேவையகம் ஒரு ஆழமான நரம்பியல் நெட்வொர்க்கின் எடையை லேசர் ஒளியைப் பயன்படுத்தி ஆப்டிகல் புலத்தில் குறியாக்குகிறது.
ஒரு நரம்பியல் வலையமைப்பு என்பது ஒரு ஆழமான கற்றல் மாதிரியாகும், இது ஒன்றோடொன்று இணைக்கப்பட்ட முனைகள் அல்லது நியூரான்களின் அடுக்குகளைக் கொண்டுள்ளது, அவை தரவுகளின் மீது கணக்கீடு செய்கின்றன. எடைகள் என்பது மாதிரியின் கூறுகள் ஆகும், அவை ஒவ்வொரு உள்ளீட்டிலும் ஒரு நேரத்தில் ஒரு அடுக்கில் கணித செயல்பாடுகளைச் செய்கின்றன. இறுதி அடுக்கு ஒரு கணிப்பு உருவாக்கும் வரை ஒரு அடுக்கின் வெளியீடு அடுத்த அடுக்கில் செலுத்தப்படுகிறது.
சேவையகம் நெட்வொர்க்கின் எடைகளை கிளையண்டிற்கு அனுப்புகிறது, இது அவர்களின் தனிப்பட்ட தரவுகளின் அடிப்படையில் முடிவுகளைப் பெறுவதற்கான செயல்பாடுகளை செயல்படுத்துகிறது. தரவு சேவையகத்திலிருந்து பாதுகாக்கப்படுகிறது.
அதே நேரத்தில், பாதுகாப்பு நெறிமுறை கிளையண்ட் ஒரு முடிவை மட்டுமே அளவிட அனுமதிக்கிறது, மேலும் இது ஒளியின் குவாண்டம் தன்மையின் காரணமாக எடையை நகலெடுப்பதில் இருந்து வாடிக்கையாளர் தடுக்கிறது.
கிளையன்ட் முதல் முடிவை அடுத்த லேயருக்கு வழங்கியவுடன், நெறிமுறையானது முதல் லேயரை ரத்து செய்யும் வகையில் வடிவமைக்கப்பட்டுள்ளது, அதனால் வாடிக்கையாளர் மாதிரியைப் பற்றி வேறு எதையும் அறிய முடியாது.
“சேவையகத்திலிருந்து உள்வரும் அனைத்து ஒளியையும் அளவிடுவதற்குப் பதிலாக, கிளையன்ட் ஆழமான நரம்பியல் வலையமைப்பை இயக்குவதற்குத் தேவையான ஒளியை மட்டுமே அளவிடுகிறது மற்றும் அதன் முடிவை அடுத்த அடுக்குக்கு அனுப்புகிறது. பின்னர் கிளையன்ட் எஞ்சிய ஒளியை மீண்டும் சேவையகத்திற்கு பாதுகாப்புச் சோதனைகளுக்காக அனுப்புகிறார். ,” என்று சுலிமானி விளக்குகிறார்.
நோ-குளோனிங் தேற்றம் காரணமாக, வாடிக்கையாளர் அதன் முடிவை அளவிடும் போது மாடலில் சிறிய பிழைகளைத் தவிர்க்க முடியாமல் பயன்படுத்துகிறார். சேவையகம் கிளையண்டிலிருந்து எஞ்சிய ஒளியைப் பெறும்போது, ஏதேனும் தகவல் கசிந்ததா என்பதைத் தீர்மானிக்க சர்வர் இந்த பிழைகளை அளவிட முடியும். முக்கியமாக, இந்த எஞ்சிய ஒளி கிளையன்ட் தரவை வெளிப்படுத்தாது என்று நிரூபிக்கப்பட்டுள்ளது.
ஒரு நடைமுறை நெறிமுறை
நவீன தொலைத்தொடர்பு சாதனங்கள், தொலைதூரங்களில் பாரிய அலைவரிசையை ஆதரிக்க வேண்டியதன் காரணமாக, தகவல் பரிமாற்றத்திற்கு பொதுவாக ஆப்டிகல் ஃபைபர்களை நம்பியுள்ளன. இந்த உபகரணங்கள் ஏற்கனவே ஆப்டிகல் லேசர்களை உள்ளடக்கியிருப்பதால், ஆராய்ச்சியாளர்கள் தங்கள் பாதுகாப்பு நெறிமுறைக்கு எந்த சிறப்பு வன்பொருளும் இல்லாமல் தரவை ஒளியில் குறியாக்க முடியும்.
அவர்கள் தங்கள் அணுகுமுறையை சோதித்தபோது, ஆழ்ந்த நரம்பியல் நெட்வொர்க்கை 96 சதவீத துல்லியத்தை அடைய உதவும் அதே வேளையில் சர்வர் மற்றும் கிளையண்டிற்கான பாதுகாப்பிற்கு உத்தரவாதம் அளிக்க முடியும் என்று ஆராய்ச்சியாளர்கள் கண்டறிந்தனர்.
வாடிக்கையாளர் செயல்பாடுகளைச் செய்யும்போது கசியும் மாதிரியைப் பற்றிய சிறிய தகவல், மறைக்கப்பட்ட தகவலை மீட்டெடுக்க ஒரு எதிரிக்கு தேவைப்படும் 10 சதவீதத்திற்கும் குறைவாகவே இருக்கும். மற்றொரு திசையில் செயல்படும் போது, ஒரு தீங்கிழைக்கும் சேவையகம் கிளையண்டின் தரவைத் திருடுவதற்குத் தேவைப்படும் தகவலில் 1 சதவீதத்தை மட்டுமே பெற முடியும்.
“இது இரண்டு வழிகளிலும் பாதுகாப்பானது என்று நீங்கள் உத்தரவாதம் அளிக்க முடியும் — கிளையண்டிலிருந்து சர்வர் மற்றும் சர்வரில் இருந்து கிளையன்ட் வரை” என்று சுலிமானி கூறுகிறார்.
“சில ஆண்டுகளுக்கு முன்பு, எம்ஐடியின் பிரதான வளாகத்திற்கும் எம்ஐடி லிங்கன் ஆய்வகத்திற்கும் இடையே விநியோகிக்கப்பட்ட இயந்திரக் கற்றல் அனுமானத்தை நாங்கள் உருவாக்கியபோது, பல ஆண்டுகளாக குவாண்டம் கிரிப்டோகிராஃபி வேலைகளை உருவாக்கி, உடல்-அடுக்கு பாதுகாப்பை வழங்குவதற்கு முற்றிலும் புதிய ஒன்றைச் செய்ய முடியும் என்று எனக்குப் புரிந்தது. அதுவும் அந்த சோதனைப் படுக்கையில் காட்டப்பட்டது” என்கிறார் இங்லண்ட். “இருப்பினும், தனியுரிமை-உறுதியளிக்கப்பட்ட விநியோகிக்கப்பட்ட இயந்திரக் கற்றலின் இந்த வாய்ப்பை நனவாக்க முடியுமா என்பதைப் பார்க்க பல ஆழமான தத்துவார்த்த சவால்கள் இருந்தன. Kfir எங்கள் குழுவில் சேரும் வரை இது சாத்தியமில்லை, ஏனெனில் Kfir பரிசோதனையையும் தனித்துவமாகப் புரிந்துகொண்டார். இந்த வேலையின் அடிப்படையிலான ஒருங்கிணைந்த கட்டமைப்பை உருவாக்குவதற்கான கோட்பாடு கூறுகளாக.”
எதிர்காலத்தில், ஃபெடரேட் லேர்னிங் எனப்படும் ஒரு நுட்பத்திற்கு இந்த நெறிமுறை எவ்வாறு பயன்படுத்தப்படலாம் என்பதை ஆராய்ச்சியாளர்கள் ஆய்வு செய்ய விரும்புகிறார்கள், அங்கு பல தரப்பினர் தங்கள் தரவைப் பயன்படுத்தி ஒரு மைய ஆழமான கற்றல் மாதிரியைப் பயிற்றுவிக்கிறார்கள். இந்த வேலைக்காக அவர்கள் படித்த கிளாசிக்கல் செயல்பாடுகளை விட குவாண்டம் செயல்பாடுகளிலும் இது பயன்படுத்தப்படலாம், இது துல்லியம் மற்றும் பாதுகாப்பு ஆகிய இரண்டிலும் நன்மைகளை வழங்க முடியும்.
இந்த வேலைக்கு இஸ்ரேலிய உயர்கல்வி கவுன்சில் மற்றும் ஜுக்கர்மேன் STEM லீடர்ஷிப் புரோகிராம் ஒரு பகுதியாக ஆதரவளித்தன.
