NVIDIA फ़ेडरेटेड XGBoost के लिए होमोमोर्फिक एन्क्रिप्शन के साथ डेटा गोपनीयता बढ़ाता है

NVIDIA ने फ़ेडरेटेड XGBoost में CUDA-त्वरित होमोमोर्फिक एन्क्रिप्शन को एकीकृत करके फ़ेडरेटेड लर्निंग के लिए डेटा गोपनीयता में एक महत्वपूर्ण प्रगति का अनावरण किया है। इसके अनुसार, इस विकास का उद्देश्य क्षैतिज और ऊर्ध्वाधर दोनों फ़ेडरेटेड शिक्षण सहयोगों में सुरक्षा चिंताओं को संबोधित करना है NVIDIA.

फ़ेडरेटेड XGBoost और इसके अनुप्रयोग

XGBoost, सारणीबद्ध डेटा मॉडलिंग के लिए व्यापक रूप से उपयोग की जाने वाली मशीन लर्निंग एल्गोरिदम, NVIDIA द्वारा फेडरेटेड XGBoost के माध्यम से मल्टीसाइट सहयोगात्मक प्रशिक्षण का समर्थन करने के लिए विस्तारित किया गया है। यह प्लगइन मॉडल को क्षैतिज और ऊर्ध्वाधर दोनों सेटिंग्स में विकेंद्रीकृत डेटा स्रोतों पर काम करने में सक्षम बनाता है। वर्टिकल फ़ेडरेटेड लर्निंग में, पार्टियां डेटासेट की अलग-अलग विशेषताएं रखती हैं, जबकि क्षैतिज सेटिंग्स में, प्रत्येक पार्टी आबादी के एक सबसेट के लिए सभी सुविधाएं रखती है।

NVIDIA FLARE, एक ओपन-सोर्स SDK, संचार चुनौतियों का प्रबंधन करके और विभिन्न नेटवर्क स्थितियों में निर्बाध संचालन सुनिश्चित करके इस फ़ेडरेटेड लर्निंग फ्रेमवर्क का समर्थन करता है। फ़ेडरेटेड XGBoost पूर्ण पारस्परिक विश्वास की धारणा के तहत काम करता है, लेकिन NVIDIA स्वीकार करता है कि व्यवहार में, प्रतिभागी डेटा से अतिरिक्त जानकारी प्राप्त करने का प्रयास कर सकते हैं, जिसके लिए उन्नत सुरक्षा उपायों की आवश्यकता होती है।

होमोमोर्फिक एन्क्रिप्शन के साथ सुरक्षा संवर्द्धन

संभावित डेटा लीक को कम करने के लिए, NVIDIA ने होमोमोर्फिक एन्क्रिप्शन (HE) को फेडरेटेड XGBoost में एकीकृत किया है। यह एन्क्रिप्शन सुनिश्चित करता है कि गणना के दौरान डेटा सुरक्षित रहे, ‘ईमानदार-लेकिन-जिज्ञासु’ खतरे के मॉडल को संबोधित करते हुए जहां प्रतिभागी संवेदनशील जानकारी का अनुमान लगाने की कोशिश कर सकते हैं। एकीकरण में सीपीयू-आधारित और सीयूडीए-त्वरित एचई प्लगइन्स दोनों शामिल हैं, जिनमें बाद वाले पारंपरिक समाधानों पर महत्वपूर्ण गति लाभ प्रदान करते हैं।

वर्टिकल फ़ेडरेटेड लर्निंग में, सक्रिय पार्टी ग्रेडिएंट्स को निष्क्रिय पार्टियों के साथ साझा करने से पहले एन्क्रिप्ट करती है, जिससे यह सुनिश्चित होता है कि संवेदनशील लेबल जानकारी सुरक्षित है। क्षैतिज शिक्षण में, स्थानीय हिस्टोग्राम को एकत्रीकरण से पहले एन्क्रिप्ट किया जाता है, जिससे सर्वर या अन्य क्लाइंट को कच्चे डेटा तक पहुंचने से रोका जा सकता है।

दक्षता और प्रदर्शन लाभ

NVIDIA का CUDA-त्वरित HE मौजूदा तृतीय-पक्ष समाधानों की तुलना में वर्टिकल XGBoost के लिए 30x गति सुधार प्रदान करता है। वित्तीय धोखाधड़ी का पता लगाने जैसी उच्च डेटा सुरक्षा आवश्यकताओं वाले अनुप्रयोगों के लिए यह प्रदर्शन वृद्धि महत्वपूर्ण है।

NVIDIA द्वारा संचालित बेंचमार्क विभिन्न डेटासेटों में उनके समाधान की मजबूती और दक्षता को प्रदर्शित करते हैं, जो पर्याप्त प्रदर्शन सुधारों को उजागर करते हैं। ये परिणाम फ़ेडरेटेड लर्निंग में डेटा गोपनीयता मानकों को बदलने के लिए जीपीयू-त्वरित एन्क्रिप्शन की क्षमता को रेखांकित करते हैं।

निष्कर्ष

फ़ेडरेटेड XGBoost में होमोमोर्फिक एन्क्रिप्शन का एकीकरण सुरक्षित फ़ेडरेटेड लर्निंग में एक महत्वपूर्ण कदम है। एक मजबूत और कुशल समाधान प्रदान करके, NVIDIA डेटा गोपनीयता और कम्प्यूटेशनल दक्षता की दोहरी चुनौतियों का समाधान करता है, जिससे कठोर डेटा सुरक्षा की आवश्यकता वाले उद्योगों में व्यापक रूप से अपनाने का मार्ग प्रशस्त होता है।

छवि स्रोत: शटरस्टॉक