هوش مصنوعی مبتنی بر محاسبه امن چند‑طرفه برای پاسخ‌های محرمانه به پرسش‌نامه‌های فروشنده

مقدمه

پرسش‌نامه‌های امنیتی درامدهای قراردادهای SaaS B2B هستند. این پرسش‌نامه‌ها اطلاعات دقیق درباره زیرساخت، پردازش داده، پاسخ به حوادث و کنترل‌های انطباق را می‌طلبند. فروشندگان اغلب در هر فصل باید به ده‌ها پرسش‌نامه پاسخ دهند؛ هر کدام شواهدی می‌طلبند که ممکن است شامل داده‌های داخلی حساس—نقشه‌های معماری، اعتبارنامه‌های ویژه یا توصیفات فرآیندهای مالکیت فکری—باشند.

اتوماسیون مبتنی بر هوش مصنوعی سنتی، همانند موتور هوش مصنوعی Procurize، سرعت تولید پاسخ‌ها را به‌طرز چشمگیری افزایش می‌دهد، اما معمولاً نیازمند دسترسی متمرکز به منابع خام است. این متمرکزسازی دو ریسک اساسی به‌وجود می‌آورد:

1. نشت داده – اگر مدل هوش مصنوعی یا ذخیره‌سازی زیرین مستشخص شود، اطلاعات محرمانه شرکت ممکن است فاش شود.
2. عدم انطباق با مقررات – مقرراتی چون GDPR، CCPA و قوانین نوظهور حاکم بر حاکمیت داده، محل و شیوه پردازش داده‌های شخصی یا مالکیتی را محدود می‌کنند.

وارد شوید به محاسبه امن چند‑طرفه (SMPC) — پروتکلی رمزنگاری که به چندین طرف اجازه می‌دهد یک تابع را روی ورودی‌های خود محاسبه کنند در حالی که ورودی‌ها خصوصی می‌مانند. با ترکیب SMPC و هوش مصنوعی مولد، می‌توان پاسخ‌های دقیق و قابل حسابرسی به پرسش‌نامه‌ها تولید کرد بدون اینکه داده‌های خام به مدل هوش مصنوعی یا هیچ گره پردازشی منفردی نشان داده شود.

این مقاله زیرساخت‌های فنی، گام‌های پیاده‌سازی عملی و مزایای تجاری یک خط لوله Secure‑SMPC‑AI را، متناسب با بستر Procurize، بررسی می‌کند.

نکته کلیدی: هوش مصنوعی تقویت‌شده با SMPC سرعت اتوماسیون را با تضمین‌های حریم‌خصوصی بدون دانش ترکیب می‌کند و نحوه پاسخگویی شرکت‌های SaaS به پرسش‌نامه‌های امنیتی را تحول می‌بخشد.

1. اصول پایه محاسبه امن چند‑طرفه

محاسبه امن چند‑طرفه به گروهی از شرکت‌کنندگان، که هر یک ورودی خصوصی خود را دارند، اجازه می‌دهد تابع مشترک f را به‑گونه‌ای حساب کنند که:

• درستی – همه شرکت‌کنندگان خروجی صحیح f(x₁, x₂, …, xₙ) را دریافت می‌کنند.
• حریم‌خصوصی – هیچ شرکتی جز آنچه از خروجی می‌تواند استنباط کند، اطلاعاتی درباره ورودی‌های دیگر نمی‌آموزد.

پروتکل‌های SMPC در دو خانوادهٔ اصلی دسته‌بندی می‌شوند:

برای سناریوی ما — استخراج متن، تشابه معنایی و ترکیب شواهد — روش به‌اشتراک‌گذاری افزایشی به‌خوبی مقیاس می‌شود، زیرا عملیات برداری با ابعاد بالا را به‌کارآمدی با چارچوب‌های مدرن MPC نظیر MP‑SPDZ، CrypTen یا Scale‑MPC انجام می‌دهد.

2. نمای کلی معماری

در زیر نمودار مرمید سطح بالایی از جریان کار هوش مصنوعی تقویت‌شده با SMPC داخل Procurize آمده است.

  graph TD
    A["مالک داده (شرکت)"] -->|رمزگذاری و به‌اشتراک‌گذاری| B["گره SMPC ۱ (محاسبه AI)"]
    A -->|رمزگذاری و به‌اشتراک‌گذاری| C["گره SMPC ۲ (ذخیره‌سیاست)"]
    A -->|رمزگذاری و به‌اشتراک‌گذاری| D["گره SMPC ۳ (دفتر حسابرسی)"]
    B -->|عملیات برداری امن| E["استنتاج LLM (رمزگذاری)"]
    C -->|بازیابی سیاست| E
    D -->|تولید اثبات| F["اثبات حسابرسی صفر دانش"]
    E -->|پاسخ رمزگذاری‌شده| G["تجمیع‌کننده پاسخ"]
    G -->|پاسخ آشکار| H["رابط کاربری پرسش‌نامه فروشنده"]
    F -->|ردیاب حسابرسی| H

توضیح اجزا

• مالک داده (شرکت) – اسناد مالکیتی (مثلاً گزارش‌های SOC 2، نمودارهای معماری) را دارد. پیش از هر پردازشی، این اسناد به‌صورت راز‑به‌اشتراک به سه قطعهٔ رمزگذاری‌شده تقسیم و به گره‌های SMPC توزیع می‌شوند.
• گره‌های SMPC – به‌صورت مستقل روی سهم‌ها محاسبه می‌کنند. گره ۱ موتور استنتاج LLM (مثلاً مدل Llama‑2 تنظیم‌شده) را در حالت رمزگذاری اجرا می‌کند. گره ۲ دانش‌گراف سیاست‌ها (مثلاً کنترل‌های ISO 27001) را نیز به‌صورت راز‑به‌اشتراک نگهداری می‌کند. گره ۳ دفتر حسابرسی غیرقابل تغییر (بلوکچین یا لاگ اضافه‑به‌یک) را نگهداری می‌کند که متادیتای درخواست را بدون فاش کردن داده‌های خام ثبت می‌نماید.
• استنتاج LLM (رمزگذاری) – مدل بردارهای رمزگذاری‌شده استخراج شده از اسناد پاره‑پاره را دریافت می‌کند، بردارهای پاسخ رمزگذاری‌شده تولید می‌کند و به تجمیع‌کننده برمی‌گردد.
• تجمیع‌کننده پاسخ – پس از اتمام کل محاسبه، پاسخ متنی را تنها در این مرحله بازسازی می‌کند تا هیچ‌گونه نشت میانی رخ ندهد.
• اثبات حسابرسی صفر دانش – توسط گره ۳ تولید می‌شود تا ثابت کند پاسخ از منابع سیاستی تعیین‌شده استخراج شده است، بدون اینکه آن منابع را فاش کند.

3. جریان کار دقیق

3.1 دریافت داده و به‌اشتراک‌گذاری راز

1. نرمال‌سازی اسناد – PDFها، فایل‌های Word و قطعه کدها به متن ساده تبدیل و توکن‌سازی می‌شوند.
2. تولید تعبیه – یک رمزگذار سبک (مانند MiniLM) برای هر پاراگراف بردارهای متراکم می‌سازد.
3. تقسیم افزایشی – برای هر بردار v سهم‌های تصادفی v₁, v₂, v₃ تولید می‌شود به‌طوری که v = v₁ + v₂ + v₃ (mod p).
4. توزیع – سهم‌ها از طریق TLS به سه گره SMPC ارسال می‌شوند.

3.2 بازیابی امن زمینهٔ سیاست

• گراف دانش سیاست (کنترل‌ها، نگاشت به استانداردها) به‌صورت رمزگذاری‌شده بین گره‌ها توزیع می‌شود.
• زمانی که یک مورد پرسش‌نامه می‌آید (مثلاً «شفاف‌سازی رمزگذاری در حالت‌استراحت داده‌ها را توضیح دهید»)، سیستم با استفاده از تقاطع مجموعهٔ امن بخش‌های مرتبط سیاست را پیدا می‌کند بدون اینکه گراف کامل را فاش کند.

3.3 استنتاج LLM در حالت رمزگذاری

• تعبیه‌های رمزگذاری‌شده و بردارهای سیاست بازیابی‌شده به یک ترنسفورمر حفظ‌حریم که بر سهم‌ها کار می‌کند، تزریق می‌شوند.
• تکنیک‌های مانند توجه سازگار با FHE یا نرم‌سازی Softmax بهینه‌شده برای MPC توکن‌های پاسخ محتمل‌ترین را در حوزهٔ رمزگذاری محاسبه می‌کنند.

3.4 بازسازی و اثبات حسابرسی

• پس از آماده شدن توکن‌های پاسخ رمزگذاری‌شده، تجمیع‌کننده پاسخ با جمع‌کردن سهم‌ها متن واضح را بازسازی می‌کند.
• همزمان، گره ۳ یک Zero‑Knowledge Succinct Non‑interactive Argument of Knowledge (zk‑SNARK) تولید می‌کند که ثابت می‌کند پاسخ:
  • از بند صحیح سیاست انتخاب شده است.
  • هیچ دادهٔ خامی را فاش نکرده است.

3.5 ارائه به کاربر نهایی

• پاسخ نهایی در واسط کاربری Procurize به همراه یک نشان‌گر اثبات رمزنگاری ظاهر می‌شود.
• حسابرسان می‌توانند با استفاده از کلید عمومی، این نشان‌گر را صحت‌سنجی کنند و از انطباق اطمینان حاصل نمایند، بدون آنکه اسناد زیرین را درخواست کنند.

4. تضمین‌های امنیتی

5. ملاحظات عملکردی

اگرچه SMPC بار اضافه‌ای دارد، بهینه‌سازی‌های مدرن تاخیر را در حدود قابل قبول برای خودکارسازی پرسش‌نامه‌ها نگه می‌دارند:

بهینه‌سازی‌های کلیدی:

• بچینگ – پردازش همزمان چندین مورد پرسش‌نامه روی همان سهم‌ها.
• پروتکل ترکیبی – استفاده از به‌اشتراک‌گذاری راز برای عملیات خطی سنگین و سوئیچ به مدارهای گره‌زداز فقط برای توابع غیرخطی (مانند مقایسات).
• پیاده‌سازی لبه – یک گره SMPC را درون شبکهٔ داخلی (درون دیوار آتش سازمان) مستقر کنید تا اعتماد به ابرهای خارجی کاهش یابد.

6. یکپارچه‌سازی با Procurianze

Procurize از پیش این قابلیت‌ها را فراهم می‌کند:

• مخزن اسناد – ذخیره مرکزی برای مدارک انطباق.
• سازنده پرسش‌نامه – رابط کاربری برای تدوین، تخصیص و ردیابی پرسش‌نامه‌ها.
• موتور AI – LLM تنظیم‌شده برای تولید پاسخ.

برای افزودن SMPC‑AI به این بستر:

1. فعال‌سازی حالت SMPC – مدیر از طریق تنظیمات پلتفرم گزینهٔ SMPC را فعال می‌کند.
2. راه‌اندازی گره‌های SMPC – سه کانتینر Docker (گره 1‑3) با استفاده از تصویر رسمی procurize/smpc-node استقرار می‌یابند. این کانتینرها به‌صورت خودکار با لایهٔ ارکستراسیون پلتفرم ثبت می‌شوند.
3. تعریف گراف سیاست – نقشه‌های سیاست موجود به قالب JSON‑LD صادر می‌شوند؛ پلتفرم آن را رمزگذاری و بین گره‌ها توزیع می‌کند.
4. پیکربندی اثبات‌های حسابرسی – کلید عمومی برای تأیید اثبات‌ها وارد می‌شود؛ UI به‌صورت خودکار نشان‌گرهای اثبات را رندر می‌کند.
5. آموزش LLM امن – همان مجموعه داده‌ای که برای موتور AI استاندارد استفاده می‌شود؛ آموزش خارج از زنجیره انجام می‌گیرد اما وزن‌های مدل در گره 1 داخل یک محیط Enclave (مثلاً Intel SGX) بارگذاری می‌شود تا امنیت اضافی داشته باشد.

7. مورد عملی: ممیزی فروشنده در حوزه فین‌تک

شرکت: FinFlow، یک ارائه‌دهندهٔ SaaS فین‌تک متوسط.

مسئله: حسابرسان بانکی فصلی درخواست جزئیات کامل رمزگذاری داده‌های در حالت‑استراحت می‌کردند. کلیدهای رمزنگاری و سیاست‌های مدیریت کلید برای آن‌ها طبقه‌بندی شده بود و نمی‌توانستند به سرویس هوش مصنوعی ثالثی ارسال شوند.

راه‌حل:

1. FinFlow گره‌های SMPC‑AI را مستقر کرد — گره 1 در یک ماشین Azure Confidential Compute، گره 2 در داخل مرکز دادهٔ خود و گره 3 به عنوان یک گره Hyperledger Fabric.
2. سند سیاست رمزنگاری (۵ مگابایت) به‌صورت راز‑به‌اشتراک بین گره‌ها تقسیم شد.
3. مورد پرسش‌نامه «توضیح برنامه چرخش کلید» در ۴٫۲ ثانیه با یک اثبات حسابرسی قابل‌تأیید پاسخ داده شد.
4. حسابرسان بانک اثبات را با کلید عمومی بررسی کردند و تأیید کردند که پاسخ بر پایهٔ سیاست داخلی استخراج شده است، بدون آنکه خود سیاست‌ها را ببینند.

نتیجه: زمان تکمیل ممیزی از ۷ روز به ۲ ساعت کاهش یافت و هیچ نقض انطباق گزارش نشد.

8. مسیرهای آینده

نتیجه‌گیری

محاسبه امن چند‑طرفه به‌همراه هوش مصنوعی مولد، یک راه‌حل حریم‌خصوصی‑محور، قابل حسابرسی و مقیاس‌پذیر برای خودکارسازی پاسخ‌های پرسش‌نامه‌های امنیتی ارائه می‌دهد. این ترکیب سه نیروی اساسی شرکت‌های SaaS مدرن را تامین می‌کند:

1. سرعت – تولید پاسخ تقریباً زمان واقعی، فرایند بستن قراردادها را تسریع می‌کند.
2. امنیت – داده‌های حساس هرگز از محیط مالک خارج نمی‌شوند و در برابر نشت‌ها و تخلفات مقرراتی محافظت می‌شوند.
3. اعتماد – اثبات‌های رمزنگاری به مشتریان و حسابرسان اطمینان می‌دهند که پاسخ‌ها بر پایهٔ سیاست‌های تأییدشده استخراج شده‌اند.

با ادغام SMPC‑AI در بستر Procurize، سازمان‌ها می‌توانند یک گرهٔ دستی و گران‌قیمت را به یک مزیت رقابتی تبدیل کنند؛ قراردادها را سریع‌تر ببندند و در همان حال بالاترین استانداردهای حریم‌خصوصی را رعایت نمایند.

مطالب مرتبط

• وبلاگ Procurize: ادغام هوش مصنوعی در جریان‌های کار CI/CD برای انطباق