Google เปิดตัวระบบ Federated Learning ยุคใหม่ ปลอดภัยด้วย TEE

ในปี 2017 Google ได้เปิดตัว Federated Learning (FL) ซึ่งเป็นเทคนิคการเรียนรู้ของเครื่องที่ฝึกฝนโมเดลผ่านข้อมูลส่วนตัวแบบกระจายศูนย์ เทคนิคนี้ถูกนำไปใช้ในฟีเจอร์ที่เราคุ้นเคยอย่าง การทำนายคำถัดไป และ Smart Compose บน Gboard รวมถึง การแนะนำคำตอบ ใน Google Messages และ Smart Text Selection บน Android

การพัฒนาระบบ FL ของ Google ยึดตามหลักความเป็นส่วนตัว 4 ประการ ได้แก่ การลดการใช้ข้อมูล, การทำให้ข้อมูลเป็นนิรนาม, ความโปร่งใสและการควบคุม รวมถึงการตรวจสอบได้และภาระรับผิดชอบ ในปี 2025 Google ได้ นำเสนอ นิยามใหม่ของ FL ที่มุ่งเน้นให้ผู้ใช้งานสามารถควบคุมข้อมูลและตรวจสอบคุณสมบัติการทำนิรนามได้อย่างเต็มรูปแบบ

ล่าสุดในบทความ "Toward provably private learning from federated data" Google ได้ประกาศเปิดตัวระบบ FL ยุคถัดไปที่ใช้ประโยชน์จาก Trusted Execution Environments (TEEs) เพื่อให้การรับประกันความเป็นส่วนตัวที่ตรวจสอบและพิสูจน์ได้จริง โดยตรรกะที่รันใน TEEs จะได้รับการรับรองความลับและความถูกต้องสมบูรณ์ ระบบใหม่นี้ถูกนำไปใช้แล้วใน Gboard ซึ่งช่วยให้ประมวลผลได้รวดเร็วกว่าระบบเดิมอย่างมาก

การสร้างระบบ FL ที่มีความเป็นส่วนตัวแบบตรวจสอบได้จาก TEE แต่ละตัว

ระบบ FL ที่ใช้ TEE ของเราพัฒนาต่อยอดมาจากงานวิจัยด้าน confidential federated analytics และ provably private insights โดยมีกลไกการดำเนินงานหลัก 4 ส่วน:

การอัปโหลดข้อมูล: อุปกรณ์จะเข้ารหัสข้อมูลการฝึกฝนและให้สิทธิ์เข้าถึงตามนโยบาย (access policy) ที่กำหนดไว้ ซึ่งนโยบายนี้จะถูกเผยแพร่ไปยังบันทึกความโปร่งใสสาธารณะ
KMS และการตรวจสอบนโยบาย: ระบบจัดการคีย์ (KMS) ที่ใช้ RAFT consensus protocol จะมอบคีย์ถอดรหัสให้เฉพาะภาระงานที่ตรงตามนโยบายเท่านั้น
การดำเนินงานภาระงาน: TEE จะรันโปรแกรม Python ผ่าน Federated Language ซึ่งพัฒนามาจาก TensorFlow Federated เพื่อปล่อยค่าน้ำหนักโมเดลที่ทำนิรนามแล้วออกมา
การกู้คืนความเสียหาย: มีการบันทึกสถานะการกู้คืนที่เข้ารหัสโดย KMS เพื่อป้องกันข้อมูลรั่วไหลหากระบบเกิดความล้มเหลว

A technical architecture diagram illustrating a confidential federated learning system with secure data flow and verification steps.

แผนภาพนี้แสดงทั้งการไหลของข้อมูลผ่านระบบและขั้นตอนที่จำเป็นในการตรวจสอบการรับประกันความเป็นส่วนตัวของภาระงานที่รันบนระบบ

สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการออกแบบระบบ FL ที่ใช้ TEE โปรดดูสมุดปกขาว Toward provably private learning from federated data

ระบบ FL ที่ใช้ TEE เสริมสร้างความเป็นส่วนตัวได้อย่างไร

ในระบบยุคแรก ข้อมูลที่ถูกอัปโหลดเพื่อรวมผล (aggregation) ไม่สามารถตรวจสอบย้อนกลับได้ว่ามีการบันทึกข้อมูลไว้หรือไม่ แม้ภายหลังจะมีเทคนิค Secure Aggregation แต่ยังไม่สามารถเข้ากันได้กับการ รับประกัน DP ส่วนกลางระดับสูงสุด ระบบใหม่นี้จึงถูกออกแบบมาเพื่อลดความจำเป็นในการไว้วางใจผู้ดูแลเซิร์ฟเวอร์

ในระบบนี้ ผู้ดูแลจะมองเห็นได้เฉพาะค่าน้ำหนักโมเดลที่มีความเป็นส่วนตัวแบบผลต่าง (DP) เท่านั้น ข้อมูลดิบจะถูกถอดรหัสและประมวลผลได้เฉพาะใน TEE ตามเวลาที่กำหนดในนโยบายการเข้าถึง

บันทึกความโปร่งใสสาธารณะและการสร้างที่ทำซ้ำได้

นโยบายการเข้าถึงข้อมูลจะถูกเผยแพร่ผ่าน Rekor ซึ่งเป็นบันทึกสาธารณะที่ผู้ตรวจสอบภายนอกสามารถติดตามได้ นอกจากนี้ ไบนารีของระบบยังสามารถสร้างซ้ำได้จากซอร์สโค้ดโอเพนซอร์สใน GitHub Confidential Federated Compute

การประมวลผลที่ตรวจสอบได้ด้วยการโหลดข้อมูลแบบไดนามิก

ระบบใหม่ใช้โปรแกรม Python ระบุตรรกะการฝึกฝนผ่าน Rekor โดยตรง เพื่อปกป้องสถาปัตยกรรมโมเดลที่เป็นกรรมสิทธิ์ TEE จึงรองรับการโหลดข้อมูลแบบซีเรียลไลซ์ขณะรัน (runtime) ช่วยให้การรับประกันความเป็นส่วนตัวยังตรวจสอบได้จากภายนอก แม้จะมีการปกป้อง การสังเกตช่องทางข้างเคียง อยู่ก็ตาม

Gboard ใช้งาน FL ที่ใช้ TEE อย่างไร

Gboard ได้นำระบบนี้ไปใช้กับโมเดลทำนายคำถัดไปภาษาอังกฤษและภาษาญี่ปุ่น ซึ่งช่วยให้ได้โมเดลที่มีความแม่นยำสูงขึ้นพร้อมความเป็นส่วนตัวที่แข็งแกร่ง

การลดข้อจำกัดด้านความพร้อมใช้งานตามช่วงเวลาของวัน

ระบบใหม่ช่วยลดปัญหา ความผันผวนตามช่วงเวลาของวัน ในการเข้าถึงอุปกรณ์ โดยเซิร์ฟเวอร์สามารถคำนวณตารางการเข้าร่วมของอุปกรณ์ที่เหมาะสมที่สุดเพื่อปรับแต่งพารามิเตอร์ DP ได้ทันที

A line graph comparing privacy-utility curves between a previous federated learning system and a new TEE-based system.

กราฟแสดงให้เห็นว่าระบบ TEE ใหม่ให้ความเป็นส่วนตัวที่แข็งแกร่งกว่าและมีสัญญาณรบกวนน้อยกว่าจากการปรับตารางการเข้าร่วมอุปกรณ์ให้เหมาะสม

ความเร็วในการฝึกฝนที่เพิ่มขึ้น

เดิมการฝึกฝนโมเดล FL อาจใช้เวลานานถึง 1-2 เดือนเนื่องจากข้อจำกัดด้านทรัพยากรบนตัวเครื่อง แต่ระบบใหม่ได้ย้ายการคำนวณมาไว้ที่เซิร์ฟเวอร์ TEE ทำให้สามารถประมวลผลแบบขนานและเพิ่มความเร็วในการฝึกฝนได้อย่างมหาศาล

ขั้นตอนต่อไปคืออะไร?

การย้ายการคำนวณความชัน (gradients) มาที่เซิร์ฟเวอร์ช่วยขจัดข้อจำกัดเดิมและเปิดทางสู่การฝึกฝนโมเดลขนาดใหญ่ขึ้น โดย Google กำลังทดลองใช้โครงสร้างพื้นฐานนี้กับงานอื่นๆ เช่น การสร้างข้อมูลสังเคราะห์และการอนุมาน LLM (LLM inference)

ความสำเร็จนี้เป็นก้าวสำคัญสู่การพิสูจน์ความปลอดภัยในการประมวลผลฝั่งเซิร์ฟเวอร์ ซึ่งจะช่วยสร้างความมั่นใจว่าข้อมูลส่วนบุคคลจะถูกจัดการอย่างถูกต้องตามที่ระบุไว้ทุกประการ