چالش‌های محاسباتی در هوش مصنوعی محافظِ حریم خصوصی: هزینه‌ی سنگین امنیت داده‌های حساس

سیستم‌های مراقبت قلبی دیگر مانند گذشته نیستند؛ زمانی که یک مانیتور قلب تنها یک دستگاه در کنار تخت بیمار بود، مدل تهدید (Threat Model) بسیار ساده و قابل مدیریت بود. اما امروزه، از پچ‌های هوشمند و ساعت‌های مچی برای ثبت الکتروکاردیوگرام (ECG) استفاده می‌شود، داده‌ها از طریق گیت‌وی‌ها (Gateways) به کلاود منتقل شده، در آنجا ذخیره و توسط مدل‌های هوش مصنوعی تحلیل می‌شوند. هر یک از این مراحل، نقطه‌ای حساس برای احتمال نشت داده‌های پزشکی است.

شکاف امنیتی در زمان پردازش

بسیاری از تأمین‌کنندگان ادعا می‌کنند که داده‌ها را در حین انتقال (Encryption in transit) و در حالت ذخیره (Encryption at rest) رمزنگاری می‌کنند. اگرچه این اقدامات ضروری هستند، اما یک مشکل اساسی را حل نمی‌کنند: داده‌ها در هنگام استفاده (Data in use) چه وضعیتی دارند؟

زمانی که یک سرویس ابری نیاز به انجام محاسباتی (مانند محاسبه میانگین ضربان قلب یا تشخیص آریتمی) دارد، داده‌ها معمولاً باید رمزگشایی شوند. در این لحظه، متن اصلی داده‌ها (Plaintext) در حافظه سرور قرار می‌گیرد و در معرض خطر قرار دارد. همچنین، در سناریوهای همکاری بین بیمارستان‌ها برای آموزش مدل‌های مشترک، حتی اگر داده‌های خام منتقل نشوند، به‌روزرسانی‌های مدل (Model updates) نیز می‌توانند اطلاعات حساس بیماران را فاش کنند.

راهکارهای نوین و چالش سربار محاسباتی

تحقیقات اخیر بر روی دو تکنیک اصلی برای حل این مشکل تمرکز کرده‌اند:

• رمزنگاری همومورفیک (Homomorphic Encryption): به سرور اجازه می‌دهد تا محاسبات را مستقیماً روی داده‌های رمزنگاری‌شده انجام دهد، بدون اینکه نیاز به رمزگشایی آن‌ها باشد.
• یادگیری فدرال (Federated Learning): به بیمارستان‌ها اجازه می‌دهد بدون اشتراک‌گذاری داده‌های خام بیماران، مدل‌های مشترک را آموزش دهند؛ به این صورت که هر مرکز آموزش را به‌صورت محلی انجام داده و تنها به‌روزرسانی‌های مدل را ارسال می‌کند.

با وجود کارآمدی این روش‌ها، یک چالش بزرگ وجود دارد: سربار محاسباتی (Computational Overhead).

یافته‌های کلیدی پژوهش

بر اساس آزمایش‌های انجام شده بر روی مجموعه‌داده‌های ECG، مشخص شده است که دقت تشخیص (Diagnostic Accuracy) با این روش‌ها تقریباً ثابت می‌ماند (بین ۹۷٪ تا ۹۹.۹٪)، اما هزینه محاسباتی به شدت تغییر می‌کند:

• در ساده‌ترین حالت، سربار محاسباتی حدود ۳۰٪ افزایش می‌یابد.
• در سناریوهای پیچیده‌تر، این عدد به ۴۵۰٪ می‌رسد.
• در پیچیده‌ترین چیدمان‌های داده‌ای، سربار محاسباتی می‌تواند تا ۱,۲۰۰٪ افزایش یابد.

توصیه برای مدیران امنیت و زیرساخت

اگرچه شما ممکن است سازنده مانیتورهای قلب نباشید، اما احتمالاً با خط لوله‌های داده (Data Pipelines) مشابهی روبرو هستید که شامل تلمتری دستگاه‌ها (Device telemetry)، انتقال از طریق گیت‌وی‌ها و تحلیل در کلاود است. هنگام مواجهه با وعده‌های تأمین‌کنندگان مبنی بر “هوش مصنوعی کاملاً رمزنگاری‌شده”، حتماً از آن‌ها درباره هزینه عملیاتی و سربار محاسباتی این سیستم در زیرساخت خودتان سوال کنید. طراحی بهینه نیازمند استفاده از رمزنگاری سبک در سطح سنسور، رمزنگاری استاندارد برای انتقال و ذخیره، و رزرو رمزنگاری همومورفیک تنها برای نقاط حساسِ محاسبات مشترک است.