گوگل ابزار متنباز HEIR (نمایش میانی برای اجرای همومورفیک) را منتشر کرد تا اجرای استنتاج روی دادههای رمزنگاریشده را برای توسعهدهندگان آسانتر سازد. HEIR بهعنوان یک کامپایلر و زنجیرهابزاری توسعه طراحی شده تا مدلهای ازپیشآموزشدیدهٔ معمولی را برای پردازش ورودیهای رمزنگاریشده آماده کند و محاسبات را روی ciphertextها بدون افشای دادههای پایه ممکن سازد.
چه ویژگیهایی ارائه میدهد و اهمیت آن
رمزنگاری همومورفیک (FHE) امکان انجام محاسبات مستقیم روی دادههای رمزگذاریشده را فراهم میکند، بهطوری که سرویسدهنده هرگز دادهٔ خام را مشاهده نمیکند. HEIR این تکنیک را به ابزارِ قابلاستفاده برای توسعهدهندگان تبدیل میکند: کافی است برنامه را در پایتون بنویسند، انواع دادهای که باید رمز شوند را مشخص کنند و HEIR کد را برای اجرای همومورفیک آماده و کامپایل میکند.
چگونه کار میکند
HEIR از یک نمایش میانی (intermediate representation) بهعنوان لایهٔ انتزاعی استفاده میکند تا مدلها را بین گویشها و دیالکتها مقیاسپذیر کند. فرایند نمونهای که گوگل نشان داده شامل این مراحل است:
- صادرات مدلهای PyTorch با استفاده از torch_mlir به MLIR
- تبدیل MLIR به نمایش میانی ویژهٔ HEIR
- کامپایل نهایی نمایش میانی به قالبی که کتابخانههای FHE بتوانند اجرا کنند
این مسیر هنوز کاملاً خودکار نیست و چند مرحلهٔ دستی دارد، اما دموی گوگل نشان میدهد اجرای عملی آن ممکن است.
موارد استفاده قابلتوجه
- پیشنهاد محتوای شخصیسازیشده بدون افشای دادهٔ کاربران
- شناسایی تقلب کارت اعتباری با حفظ محرمانگی اطلاعات مالی
- کشف نفوذ شبکه بدون ارسال محتوای بستهها به سرویسدهنده
- تشخیص کلمهٔ کلیدی در جریانهای صوتی بدون دسترسی به ضبطهای خام
محدودیتها و چالشهای عملکردی
بزرگترین مانع گستردهشدن FHE هزینهٔ محاسباتی است. در مباحث عمومی، از جمله در Hacker News، به سربارهای بسیار بالا اشاره میشود: گزارشهایی از چندصد تا چند هزار برابر کندی نسبت به محاسبات غیررمز شده منتشر شده است. نمونهٔ آزمایشی نشان میدهد عملیاتهایی مانند برابری 64 بیتی حدود 80 میلیثانیه، جمع/تفریق حدود 100 میلیثانیه و تقسیم تا چند ثانیه یا بیشتر طول میکشند؛ این اعداد بسته به پیادهسازی و کتابخانهٔ FHE متغیر هستند.
با این حال برای برخی کاربردها هزینهٔ اضافی قابلپذیرش است؛ مثلاً اگر وظیفهٔ طبقهبندی تصویر از 1 میلیثانیه به 1 ثانیه برسد، در برخی سناریوها هنوز عملی خواهد بود. برای مدلهای زبانی بزرگ (LLM) هم امیدواری وجود دارد، زیرا بسیاری از محاسبات آنها عمدتاً شامل جمع و ضرب است و شاخهبندیهای سنگین که FHE در آنها ضعیف عمل میکند، کمتر تعیینکنندهاند.
بنچمارک، ضمانتها و مسیر پیش رو
گوگل در مخزن HEIR ابزارهای بنچمارکگیری قرار داده اما تا کنون ارقام مشخصی دربارهٔ عملکرد HEIR روی LLMها منتشر نکرده است. کاهش سربار محاسباتی، خودکارسازی زنجیرهٔ تبدیل مدلها و بهینهسازی کتابخانههای FHE، محورهای اصلی پژوهش و توسعهای هستند که باید پیش بروند تا این فناوری از آزمایشگاه به تولید گسترده منتقل شود.
چه انتظاری باید داشت
HEIR گامی عملی در کاربردیتر شدن محاسبات رمزنگاریشده است، اما برای تعمیم وسیع آن هنوز مسیر فنی و مهندسی قابلتوجهی باقی مانده. دنبالکردن بهروزرسانیهای مخزن، گزارشهای بنچمارک روی LLMها و نمونههای تولیدی بهترین راه برای مشاهده پیشرفت خواهد بود؛ اگر سربارها کاهش یابند، HEIR میتواند طراحی سرویسهای محافظتشده از نظر محرمانگی را به عنوان یک گزینهٔ عملی مطرح کند.
منابع و مطالعهٔ بیشتر
برای آشنایی عمیقتر میتوانید منابع زیر را مرور کنید: ویکیپدیا دربارهٔ رمزنگاری همومورفیک، پروژهٔ PyTorch و مستندات torch_mlir.
