בעזרת Confidential Computing אתם יכולים לשתף פעולה בנתונים רגישים, לאמן מודלי AI ולהריץ עומסי עבודה של למידה מאוחדת, תוך שמירה על הצפנת הנתונים בזיכרון. במאמר הזה מתוארים תרחישים לדוגמה בתעשייה וארכיטקטורות לדוגמה לניתוח נתונים, ל-AI וללמידה מאוחדת (federated learning) באופן סודי ב- Google Cloud.
תרחישים לדוגמה
בקטעים הבאים מפורטות דוגמאות לתרחישים לדוגמה של Confidential Computing בתעשיות שונות.
בריאות ומדעי החיים
בעזרת Confidential Computing אפשר לשתף ולנתח נתונים באופן מאובטח בין ארגונים, תוך שמירה על פרטיות המטופלים. בעזרת Confidential Computing, ארגוני בריאות יכולים להשתתף במחקרים משותפים, במידול מחלות, בגילוי תרופות ובתוכניות טיפול מותאמות אישית.
בטבלה הבאה מתוארות כמה דוגמאות לשימוש ב-Confidential Computing בתחום הבריאות.
| תרחיש לדוגמה | תיאור |
|---|---|
| חיזוי מחלות וגילוי מוקדם | בתי חולים מאמנים מודל למידה מאוחדת כדי לזהות נגעים סרטניים מנתוני הדמיה רפואית (לדוגמה, סריקות MRI או סריקות CT בכמה בתי חולים או אזורים של בתי חולים) תוך שמירה על סודיות המטופלים. |
| מעקב אחרי מטופלים בזמן אמת | ספקי שירותי בריאות מנתחים נתונים ממכשירים לבישים בתחום הבריאות ומאפליקציות בתחום הבריאות לנייד כדי לנטר את המטופלים בזמן אמת ולקבל התראות. לדוגמה, מכשירים לבישים אוספים נתונים על רמות הגלוקוז, הפעילות הגופנית והרגלי התזונה כדי לספק המלצות מותאמות אישית ואזהרות מוקדמות על תנודות ברמת הסוכר בדם. |
| גילוי תרופות וניסויים קליניים בשיתוף פעולה | חברות תרופות ובתי חולים מחקריים מאחדים נתונים של ניסויים קליניים, רצפים גנומיים ומבנים מולקולריים כדי לגלות טיפולים ולבנות מודלים של אינטראקציות בין תרופות. |
| תיעוד קליני ותמלול רפואי אוטונומיים | עוזרים אישיים מבוססי-AI מתעדים שיחות בין רופאים למטופלים כדי לנסח סיכומים קליניים, לעדכן תיקים רפואיים ממוחשבים (EHR) ולהציע קודי חיוב. |
| הערכה והשוואה של AI רפואי בכמה מוסדות | מוסדות בריאות וקונסורציומים של מחקר מאמתים מודלים קנייניים של אבחון באוכלוסיות מטופלים מגוונות ברחבי העולם, בלי להעביר או לחשוף נתונים קליניים גולמיים. |
שירותים פיננסיים
בעזרת Confidential Computing, מוסדות פיננסיים יכולים ליצור מערכת פיננסית מאובטחת וגמישה יותר.
בטבלה הבאה מתוארות כמה דוגמאות לשימוש ב-Confidential Computing בשירותים פיננסיים.
| תרחיש לדוגמה | תיאור |
|---|---|
| זיהוי הונאות ומניעת הלבנת הון (AML) | כמה מוסדות פיננסיים משתפים תהליכי עסקאות רגישים ואינדיקטורים של הונאה כדי לאמן מודלים של למידת מכונה או לפרוס סוכני ניתוח. בעזרת הנתונים שנאספים, המוסדות יכולים לזהות הונאות תשלומים וארגוני הלבנת הון שפועלים במדינות שונות, בלי לחשוף למתחרים את מספרי החשבונות של הלקוחות או את רשומות העסקאות הקנייניות. |
| הערכת סיכוני אשראי וחיתום | מלווים מעריכים בקשות אשראי מסחריות או קמעונאיות על ידי ניתוח נתונים פיננסיים רגישים ולא מסורתיים (כמו תשלומים בזמן אמת על שירותים), בלי לחשוף את הנתונים האלה לגורמים חיצוניים. הפעלת סוכני חיתום אוטומטיים בסביבת מחשוב אמינה (TEE) עוזרת לבודד את הרשומות הפיננסיות של המועמד ואת האלגוריתמים הקנייניים של הבנק לחישוב של ציון סיכונים במהלך ההערכה. |
| ניתוח פיננסי אוטומטי ודיווח רגולטורי | סוכני AI אוטונומיים מחפשים בספרי חשבונות פנימיים של החברה, בתיקי השקעות ובמידע מהותי שאינו ציבורי (MNPI) כדי להכין תזכירי בדיקת נאותות, דוחות ביקורת ודוחות רגולטוריים. |
המגזר הציבורי
בעזרת Confidential Computing, ממשלות יכולות ליצור שירותים שקופים, יעילים ואפקטיביים יותר, תוך שמירה על השליטה והריבונות על הנתונים שלהן.
בטבלה הבאה מתוארות כמה דוגמאות לשימוש ב-Confidential Computing במגזר הציבורי.
| תרחיש לדוגמה | תיאור |
|---|---|
| ניתוח נתונים סודי של כמה סוכנויות | בעזרת Confidential Computing אפשר לנתח נתונים של כמה גורמים, כמו כמה סוכנויות ממשלתיות (למשל, בריאות, מס וחינוך) או כמה ממשלות באזורים או במדינות שונות. בעזרת Confidential Computing אפשר להגן על גבולות האמון ועל פרטיות הנתונים, וגם לנתח נתונים (באמצעות מניעת אובדן נתונים (DLP), ניתוח נתונים בקנה מידה גדול ומנועי מדיניות), לאמן מודלים של AI ולהשתמש בהם. |
| ניתוח נתונים חקירתיים ושיתוף מידע בין סוכנויות | גופים ממשלתיים נפרדים (כמו רשויות מס, רשויות אכיפת חוק ורשויות מכס) משתמשים ב-Confidential Space כדי לבצע ניתוח נתונים משותף. סוכנויות יכולות להצליב נתונים בין דוחות מס, רשימות נוסעים ורשומות פיננסיות כדי לזהות הונאות או איומים על הביטחון הלאומי, בלי לשתף מסדי נתונים גולמיים ומסווגים בין תחומי שיפוט שונים. |
| אימות זהות דיגיטלית ואישורים של אזרחים | סוכנויות ציבוריות ופלטפורמות לזיהוי מאמתות דרכונים ביומטריים רשמיים ותעודות זהות לאומיות בלי לאחסן או לחשוף מידע אישי של אזרחים. האזרחים יכולים להוכיח באופן קריפטוגרפי מאפיינים ספציפיים (כמו לאום, תושבות או גיל), בזמן שהנתונים הגולמיים של הדרכון והחתימות הביומטריות נשארים מוצפנים בזיכרון ונמחקים אחרי שנוצרת ההוכחה. |
שרשרת אספקה
בעזרת Confidential Computing, ארגונים שמנהלים שרשראות אספקה ותוכניות קיימוּת יכולים לשתף פעולה ולחלוק תובנות, תוך שמירה על פרטיות הנתונים.
בטבלה הבאה מתוארות כמה דוגמאות לשימוש ב-Confidential Computing בשרשראות אספקה.
| תרחיש לדוגמה | תיאור |
|---|---|
| ניהול אוטונומי של לוגיסטיקה ומשלוחים בין כמה גורמים | ארגונים פורסים סוכני AI אוטונומיים כדי לנהל משא ומתן על תעריפי משלוח, לתאם העברות של מכולות ולשנות את המסלול של המטען עם חברות תובלה חיצוניות במקרה של שיבושים בהובלה. הפעלת סוכני הלוגיסטיקה האלה בתוך מכונה של Confidential VM עוזרת להגן על מניפסטים פעילים של משלוחים, על הסכמי תמחור של ספקים ועל פרטי הכניסה ל-API של הספקים, כדי שלא ייחשפו בזיכרון לדיירים אחרים בענן. |
| זיהוי אנומליות בשרשרת האספקה ואופטימיזציה של מסלולים בזמן אמת | סוכני AI מעבדים נתוני טלמטריה בזמן אמת (כמו יומני מעבר של GPS, חיישנים בשערי מחסנים והתראות על מזג האוויר) כדי לשפר את נתיבי המשלוח. עיבוד הנתונים התפעוליים הרגישים האלה ב-Confidential Space מאפשר ליצרנים ולמפיצים להריץ אלגוריתמים אוטומטיים לניתוב מחדש, בלי לחשוף לגורמים חיצוניים את יכולות המפעל או את נקודות החולשה שעלולות לגרום לצווארי בקבוק. |
| תאימות אוטומטית למכס ותיעוד מסחרי | סוכני AI מעבדים חשבוניות מסחריות, שטרי מטען והצהרות מכס בעלי ערך גבוה כדי להפוך את התאימות בגבולות לאוטומטית. בידוד הסוכנים האלה לניתוח מסמכים בתוך TEE עוזר להגן על סודות מסחריים רגישים בזמן שהם נשלפים ומאומתים מול מסדי נתונים של המכס. |
פרסום בדיגיטל
במקום להשתמש בקובצי Cookie של צד שלישי, הפרסום בדיגיטל מתבסס יותר ויותר על חלופות שמשפרות את הפרטיות ומשתמשות בסביבות מחשוב אמינות כדי לעזור לחברות פרסום לעבד את הנתונים שלהן בסביבה מאובטחת. לדוגמה, ב-Google Ads משתמשים ב-Confidential Computing כדי להגן על נתונים מאינטראקציה ישירה (First-Party) בזמן הפעלת קמפיינים.
אפשר להשתמש ב-TEEs בתרחישים הבאים של פרסום בדיגיטל:
- אלגוריתמים של התאמה: מציאת התאמות או קשרים בתוך קבוצות נתונים.
- שיוך: קישור של השפעות או אירועים לגורמים הסבירים שלהם.
- צבירת נתונים: חישוב סיכומים או נתונים סטטיסטיים מהנתונים הגולמיים.
ארכיטקטורות לדוגמה
אתם יכולים להטמיע את Confidential Computing ב- Google Cloud כדי לטפל בתרחישים הבאים:
- ניתוח נתונים סודי
- Confidential AI
- למידה משותפת (Federated) חסויה
בקטעים הבאים מוסבר בהרחבה על הארכיטקטורה של תרחישי השימוש האלה, כולל דוגמאות לעסקים בתחום הפיננסי ובתחום הבריאות.
ארכיטקטורה של ניתוח נתונים חסויים למוסדות בריאות
ארכיטקטורת הניתוח הסודית מדגימה איך כמה מוסדות בתחום הבריאות (כמו ספקי שירותי בריאות, חברות ביו-פרמצבטיות ומוסדות מחקר) יכולים לעבוד יחד כדי להאיץ את המחקר בתחום התרופות. הארכיטקטורה הזו משתמשת בשיטות של Confidential Computing כדי ליצור חדר נקי דיגיטלי להרצת ניתוחים משותפים וסודיים.
לארכיטקטורה הזו יש את היתרונות הבאים:
- תובנות משופרות: ניתוח נתונים משותף מאפשר לארגוני בריאות לקבל תובנות רחבות יותר ולקצר את זמן היציאה לשוק של תרופות משופרות.
- פרטיות נתונים: נתונים רגישים של מטופלים ושל ניסויים קליניים נשארים מוצפנים בזמן ההעברה, במנוחה ובזיכרון, ולא נחשפים כטקסט פשוט למשתתפים אחרים או לספק שירותי הענן.
- עמידה בתקנות: הארכיטקטורה עוזרת למוסדות בריאות לעמוד בתקנות להגנה על נתונים, באמצעות שמירה על שליטה קפדנית בנתונים שלהם.
- אמון ושיתוף פעולה: הארכיטקטורה מאפשרת שיתוף פעולה מאובטח בין מוסדות מתחרים, ומעודדת מאמץ משותף לגילוי תרופות.
התרשים הבא מציג את הארכיטקטורה הזו.
הרכיבים העיקריים בארכיטקטורה הזו כוללים:
- עומס עבודה של Confidential Space (TEE): סביבה מאובטחת ומבודדת שבה הנתונים והקוד בתוך ה-TEE מוגנים מפני גישה לא מורשית, אפילו ממערכת ההפעלה או מספק שירותי הענן.
- שותפים לשיתוף פעולה: לכל מוסד בריאות שמשתתף יש סביבה מקומית שמשמשת כמתווכת בין הנתונים הפרטיים של המוסד לבין ה-TEE.
- נתונים מוצפנים ספציפיים לספק: כל מוסד רפואי מאחסן נתונים פרטיים ומוצפנים של מטופלים, כולל סיכומי מצב בריאותי אלקטרוניים. כל ספק משחרר את הנתונים שלו (ואת הגישה למפתחות הפענוח) ל-TEE רק אחרי אימות טענות האישור של עומס העבודה ב-TEE. הנתונים מפוענחים רק בתוך סביבת ה-TEE המאומתת במהלך העיבוד, ונשארים מוצפנים בזיכרון.
- לקוח Analytics: מוסדות בריאות שמשתתפים יכולים להריץ שאילתות סודיות על הנתונים שלהם כדי לקבל תובנות.
ארכיטקטורת AI חסויה למוסדות פיננסיים
התבנית הארכיטקטונית הזו מדגימה איך מוסדות פיננסיים יכולים לאמן מודל לזיהוי הונאות בשיתוף פעולה, תוך שימוש בתוויות הונאה כדי לשמור על הסודיות של נתוני העסקאות הרגישים שלהם. הארכיטקטורה כוללת שימוש בטכניקות של Confidential Computing כדי לאפשר למידת מכונה מאובטחת של מספר גורמים.
לארכיטקטורה הזו יש את היתרונות הבאים:
- זיהוי משופר של הונאות: אימון משותף מתבסס על קבוצת נתונים גדולה ומגוונת יותר, וכך נוצר מודל מדויק ויעיל יותר לזיהוי הונאות.
- פרטיות הנתונים: נתוני עסקאות רגישים נשארים מוצפנים במעבר, במנוחה ובזיכרון, ולא נחשפים בטקסט פשוט למשתתפים אחרים או לספק שירותי הענן.
- עמידה בתקנות: הארכיטקטורה עוזרת למוסדות פיננסיים לעמוד בתקנות להגנה על נתונים, באמצעות שמירה על שליטה קפדנית בנתונים שלהם.
- אמון ושיתוף פעולה: הארכיטקטורה הזו מאפשרת שיתוף פעולה מאובטח בין מוסדות מתחרים, ומעודדת מאמץ משותף למאבק בהונאות פיננסיות.
התרשים הבא מציג את הארכיטקטורה הזו.
הרכיבים העיקריים של הארכיטקטורה הזו כוללים:
- עומס עבודה של Confidential Space (TEE): סביבה מאובטחת ומבודדת שבה הנתונים והקוד בתוך ה-TEE מוגנים מפני גישה לא מורשית, אפילו ממערכת ההפעלה או מספק שירותי הענן.
- שותפים לשיתוף פעולה: לכל מוסד פיננסי שמשתתף יש סביבה מקומית שמשמשת כמתווכת בין הנתונים הפרטיים של המוסד לבין ה-TEE.
- נתונים מוצפנים ספציפיים לבנק: כל בנק מחזיק בנתוני עסקאות פרטיים ומוצפנים משלו, שכוללים תוויות של הונאה. כל בנק משחרר את הנתונים שלו (ואת הגישה למפתחות הפענוח) ל-TEE רק אחרי אימות טענות האישור של עומס העבודה ב-TEE. הנתונים מפוענחים רק בתוך סביבת ה-TEE המאומתת במהלך העיבוד, ונשארים מוצפנים בזיכרון.
- מאגר מודלים קנייני: מודל שעבר אימון מראש לזיהוי הונאות, שמשמש כנקודת ההתחלה לאימון המשותף.
- מודל גלובלי לאימון למניעת הונאות ומשקלים (מוצגים באמצעות החצים הירוקים שיוצאים מה-TEE לכל בנק): המודל המשופר לזיהוי הונאות, יחד עם המשקלים שנלמדו, מועבר באופן מאובטח בחזרה לבנקים הנתמכים. לאחר מכן, הם יכולים לפרוס את המודל המשופר הזה באופן מקומי כדי לזהות הונאות בעסקאות שלהם.
ארכיטקטורה של למידה משותפת (Federated) חסויה למוסדות פיננסיים
למידה משותפת (Federated) היא פתרון מתקדם ללקוחות שחשובים להם פרטיות נתונים וריבונות נתונים מחמירות. הארכיטקטורה של למידה משותפת (Federated) חסויה מספקת דרך מאובטחת, יעילה וניתנת להתאמה לשימוש בנתונים באפליקציות מבוססות-AI. בארכיטקטורה הזו המודלים מועברים למיקום שבו הנתונים מאוחסנים, במקום לרכז את הנתונים במיקום אחד, וכך מפחיתים את הסיכונים שקשורים לדליפת נתונים.
התבנית הארכיטקטונית הזו מדגימה איך כמה מוסדות פיננסיים יכולים לאמן ביחד מודל לזיהוי הונאות, תוך שמירה על הסודיות של נתוני העסקאות הרגישים שלהם עם תוויות הונאה. היא משתמשת בלמידה משותפת (federated learning) בשילוב עם טכניקות של Confidential Computing כדי לאפשר למידת מכונה מאובטחת ורב-צדדית בלי להעביר את נתוני האימון.
לארכיטקטורה הזו יש את היתרונות הבאים:
- פרטיות ואבטחת נתונים משופרות: למידה משותפת מאפשרת פרטיות נתונים ואחסון ועיבוד נתונים באופן מקומי, על ידי שמירת נתונים רגישים בכל אתר. בנוסף, מוסדות פיננסיים יכולים להשתמש בשיטות לשמירה על הפרטיות, כמו הצפנה הומומורפית ומסנני פרטיות דיפרנציאלית, כדי להגן עוד יותר על הנתונים שמועברים (כמו משקלי המודל).
- דיוק וגיוון משופרים: באמצעות אימון עם מגוון מקורות נתונים אצל לקוחות שונים, מוסדות פיננסיים יכולים לפתח מודל גלובלי חזק וניתן להכללה כדי לייצג טוב יותר מערכי נתונים הטרוגניים.
- יכולת התאמה לעומס ויעילות הרשת: היכולת לבצע אימון בקצה מאפשרת למוסדות להתאים את הלמידה המבוזרת לעומס ברמה הגלובלית. בנוסף, המוסדות צריכים להעביר רק את משקלי המודל ולא מערכי נתונים שלמים, מה שמאפשר שימוש יעיל במשאבי הרשת.
התרשים הבא מציג את הארכיטקטורה הזו.
הרכיבים העיקריים של הארכיטקטורה הזו כוללים:
- שרת מאוחד באשכול ה-TEE: סביבה מאובטחת ומבודדת שבה שרת הלמידה המשותפת מתאם את שיתוף הפעולה בין כמה לקוחות, על ידי שליחת מודל ראשוני ללקוחות הלמידה המשותפת. הלקוחות מבצעים אימון על מערכי הנתונים המקומיים שלהם, ואז שולחים את עדכוני המודל בחזרה לשרת הלמידה המשותפת לצורך צבירה ליצירת מודל גלובלי.
- מאגר מודלים של למידה משותפת: מודל מאומן מראש לזיהוי הונאות שמשמש כנקודת ההתחלה ללמידה משותפת.
- מנוע הסקה של אפליקציה מקומית: אפליקציה שמבצעת משימות, חישובים מקומיים ולמידה עם מערכי נתונים מקומיים, ושולחת את התוצאות בחזרה לשרת הלמידה המשותפת לצורך צבירה מאובטחת.
- נתונים פרטיים מקומיים: כל בנק מחזיק בנתוני עסקאות פרטיים ומוצפנים משלו, שכוללים תוויות הונאה. הנתונים הגולמיים האלה אף פעם לא יוצאים מהסביבה המקומית של הבנק, וכך נשמרת פרטיות הנתונים.
- פרוטוקול צבירה מאובטחת (מיוצג על ידי החצים הכחולים המקווקווים הנכנסים מכל בנק לאשכול ה-TEE): שרת הלמידה המשותפת לא צריך לגשת לעדכון של כל בנק בנפרד כדי לאמן את המודל. השרת דורש רק את הממוצעים המשוקללים של רכיבי וקטורי העדכון, שנלקחו מקבוצת משנה אקראית של בנקים או אתרים. באמצעות פרוטוקול צבירה מאובטח לחישוב הממוצעים המשוקללים האלה, השרת לומד רק את עדכוני המודל המצטברים מקבוצת המשנה שנבחרה, ולא את הבנק הספציפי שתרם עדכון מסוים. הגישה הזו עוזרת לשמור על הפרטיות של כל משתתף בתהליך הלמידה המשותפת.
- מודל גלובלי שאומן לזיהוי הונאות ומשקלים נצברים (מוצגים באמצעות החיצים הירוקים שיוצאים מאשכול ה-TEE לכל בנק נתמך): המודל המשופר לזיהוי הונאות, יחד עם המשקלים שנלמדו, נשלח בחזרה בצורה מאובטחת לבנקים הנתמכים. לאחר מכן, הבנקים יכולים לפרוס את המודל המשופר הזה באופן מקומי כדי לזהות הונאות בעסקאות שלהם.