
# بازارچهٔ درخواست فدرال صفر‌اعتماد برای ترکیب روایت‌های انطباقی زمان واقعی به‌صورت امن  

در سه سال گذشته، فضای فناوری انطباق توسط **تولید افزوده‌شده با بازیابی (RAG)**، **درخواست‌سازی مبتنی بر انتولوژی** و **بهینه‌سازی مداوم درخواست‌ها** تسلط یافته است. اگرچه این پیشرفت‌ها به‌طور چشمگیری زمان تاخیر در ایجاد روایت‌ها را کاهش داده‌اند، اما یک نقطه‌ضعف اساسی را نیز آشکار می‌سازند: **اعتماد**.  

به **بازارچهٔ درخواست فدرال صفر‌اعتماد (ZTFPM)** خوش آمدید — یک اکوسیستم غیرمتمرکز که در آن چندین شرکت، ناظر و حسابرس شخص ثالث می‌توانند **درخواست‌های قالبی را به اشتراک بگذارند، کشف کنند و اجرا کنند** بدون اینکه داده‌های زیرین یا وزن‌های مدل را فاش کنند. این مقاله ستون‌های معماری ZTFPM را توضیح می‌دهد، یک جریان کار انتها به انتهای ملموس را قدم به قدم مرور می‌کند و تضمین‌های امنیتی را که این سامانه را برای محیط‌های انطباقی حساس و زمان واقعی مانند خدمات مالی، بهداشت و پردازش‌گرهای داده مبتنی بر SaaS مناسب می‌سازد، بیان می‌کند.

---

## ۱. چرا یک بازارچه؟

خطوط لولهٔ سنتی انطباق بر یک **LLM تک‌مستأجر** متکی هستند که بر اسناد سیاست داخلی تنظیم دقیق شده است. مدل تبدیل به یک **جعبهٔ سیاه** می‌شود:

* **قفل‌گذاری فروشنده** – تغییر ارائه‌دهندگان نیاز به آموزش مجدد پرهزینه دارد.  
* **دانش منسوخ** – به‌روزرسانی‌های سیاست باید به‌صورت دستی وارد شوند.  
* **استفاده محدود** – تلاش مهندسی درخواست در هر سازمان به‌صورت جداگانه نگهداری می‌شود.  

یک **بازارچهٔ درخواست** این مشکلات را با در نظر گرفتن درخواست‌ها (از جمله استراتژی‌های بازیابی، مثال‌های چند‑نمونه‌ای و اسکریپت‌های پس‌پردازش) به‌عنوان **دارایی‌های درجهٔ یک** حل می‌کند که می‌توانند:

1. **نسخه‌بندی** – هر تکرار غیرقابل تغییر و قابل حسابرسی است.  
2. **ترکیبی** – روایت‌های پیچیده با زنجیره‌کردن درخواست‌های ساده‌تر ساخته می‌شوند.  
3. **کسب‌وکار** – ارائه‌دهندگان می‌توانند بسته‌های درخواست پرمیوم را تحت مجوز مبتنی بر استفاده عرضه کنند.  

با این حال، باز کردن یک بازارچه برای شرکت‌کنندگان خارجی نگرانی‌های **امنیتی و حریم خصوصی** را به‌وجود می‌آورد. روایت‌های انطباقی اغلب شامل **PII، PHI یا ارزیابی‌های ریسک مالکیتی** می‌شوند. یک مدل اشتراک‌گذاری ساده می‌تواند قوانین حفاظت از داده‌ها ([GDPR](https://gdpr.eu/)، CCPA، [HIPAA](https://www.hhs.gov/hipaa/index.html)) را نقض کند.  

ZTFPM این مسأله را با **ادغام اصول صفر‌اعتماد** در هر لایه حل می‌کند: **تأیید هویت، اجرا بر پایه گواهی‌نامه و جداسازی رمزنگاری‌شده**.

---

## ۲. ستون‌های معماری اصلی  

| ستون | عملکرد | فناوری‌های کلیدی |
|------|--------|-------------------|
| **اجرای درخواست فدرال** | اجرای درخواست‌ها روی سیلوهای داده محلی در حالی که فقط متادیتای مستقل از مدل به اشتراک گذاشته می‌شود. | یادگیری فدرال (FL)، محاسبه چند‑طرفه امن (SMPC) |
| **هویت‌ساز صفر‌اعتماد و گواهی‌نامه** | هر شرکت‌کننده و هر درخواست را پیش از اجرا تأیید می‌کند. | شناسه‌های غیرمتمرکز (DIDs)، مدارک قابل تأیید (VCs)، گواهی‌نامهٔ راه دور (TEE) |
| **زمان‌بندی تطبیقی درخواست** | به‌صورت پویا مناسب‌ترین نسخهٔ درخواست را بر اساس زمینه و محدودیت‌های تاخیر انتخاب می‌کند. | زمان‌بند تقویت یادگیری (RL)، تعبیه‌های آگاه به زمینه |
| **دفتر ثبت ردیابی آماده برای حسابرسی** | رکورد غیرقابل تغییر از استفادهٔ درخواست، ریشهٔ داده‌ها و بررسی‌های انطباق. | بلاکچین مجوزدار، درختان مرکل |
| **حفاظت‌های حریم خصوصی تفاضلی** | اطمینان از این که خروجی‌های تجمیعی نمی‌توانند برای استخراج داده‌های خام معکوس شوند. | تزریق نویز DP، حساب‌گذاری بودجهٔ حریم خصوصی |

### ۲.۱ اجرای درخواست فدرال  

به‌جای ارسال داده‌های خام به یک LLM مرکزی، هر شرکت **یک گرهٔ استنتاج سبک** (معمولاً یک LLM کم‌حجم یا یک ترنسفورمر روی دستگاه) میزبانی می‌کند. بازارچه یک **توصیف‌گر درخواست** توزیع می‌کند که شامل:

* قالب درخواست (مثلاً «خلاصهٔ انطباقی داده‑نگهداری مطابق با [GDPR](https://gdpr.eu/) برای {entity} تولید کنید»).  
* پیکربندی بازیابی (نقطهٔ انتهایی فروشگاه برداری، معیار شباهت).  
* قوانین پس‌پردازش (حذف، ماسک‌گذاری سطح‑توکن).  

گرهٔ محلی **درخواست را به‌صورت داخلی اجرا** می‌کند، شواهد بازیابی شده را ترکیب می‌نماید و تنها **روایت نهایی** به‌همراه **اثبات رمزنگاری شدهٔ اجرا** (مثلاً یک zk‑SNARK که نشان می‌دهد نسخهٔ صحیح درخواست استفاده شده است) را برمی‌گرداند.

### ۲.۲ هویت‌ساز صفر‌اعتماد و گواهی‌نامه  

هر بازیگر (ارائه‌دهنده، مصرف‌کننده، ناظر) یک **DID** بر روی دفتر ثبت مجوزدار ثبت می‌کند. هنگام درخواست یک درخواست:

1. مصرف‌کننده یک **مدرک قابل تأیید** ارائه می‌دهد که انطباق با چارچوب نظارتی خاصی را ثابت می‌کند.  
2. گرهٔ ارائه‌دهنده یک **گواهی‌نامهٔ راه دور مبتنی بر TEE** انجام می‌دهد تا تضمین شود محیط اجرای درخواست دستکاری نشده است.  
3. بازارچه هر دو اثبات را پیش از اجازهٔ تراکنش اعتبارسنجی می‌کند.

### ۲.۳ زمان‌بندی تطبیقی درخواست  

زمینه‌های انطباقی به‌صورت پویا تغییر می‌کنند—قوانین مختلف قضایی، انتشار محصولات یا واکنش به حوادث ممکن است سبک‌های روایت متفاوتی را طلب کنند. یک **زمان‌بند مبتنی بر RL** مشاهدات زیر را جمع‌آوری می‌کند:

* تاخیر اجراهای قبلی.  
* معیارهای موفقیت (مثلاً نرخ پذیرش توسط ناظر).  
* تعبیه‌های زمینه‌ای استخراج‌شده از درخواست ورودی.  

سپس **بهینه‌ترین نسخهٔ درخواست** (یا زنجیره‌ای از درخواست‌ها) را که تعادل بین **سرعت**، **دقت** و **بودجهٔ حریم خصوصی** را برقرار می‌کند، انتخاب می‌نماید.

### ۲.۴ دفتر ثبت ردیابی آماده برای حسابرسی  

تمام فراخوانی‌های درخواست بر روی یک **بلاکچین مجوزدار** ثبت می‌شوند. هر بلوک شامل:

* شناسهٔ درخواست و هش نسخه.  
* هش رمزنگاری‌شدهٔ شواهد ورودی (هرگز دادهٔ خام).  
* اثبات اجرا (zk‑SNARK).  
* هش خروجی (روایت).  

حسابرسان می‌توانند بعداً تأیید کنند که یک روایت خاص دقیقاً همان‌گونه که ادعا شده تولید شده است، بدون دسترسی به داده‌های محرمانهٔ زیرین.

### ۲.۵ حفاظت‌های حریم خصوصی تفاضلی  

قبل از خروج روایت از محفظهٔ شرکت‌کننده، یک **موتور DP** نویز کالیبره‌شده‌ای به هر **تجمع آماری** (مثلاً «متوسط دورهٔ نگهداری داده‌ها در تمام بخش‌ها») اضافه می‌کند. بودجهٔ حریم خصوصی برای هر مستأجر پیگیری می‌شود تا اطمینان حاصل شود با سیاست‌های **DP‑as‑a‑service** مطابقت دارد.

---

## ۳. جریان کار انتها به انتها  

در زیر یک جریان کار معمول برای یک ارائه‌دهنده SaaS که باید یک **روایت انطباقی زمان واقعی [GDPR](https://gdpr.eu/)** برای درخواست onboarding مشتری جدید تولید کند، نشان داده شده است.

```mermaid
flowchart TD
    A["درخواست onboarding مشتری"] --> B["سرویس انطباق (مصرف‌کننده)"]
    B --> C["دریافت مدرک قابل تأیید (VC)"]
    C --> D["پرس‌و‌جو به بازارچه ZTFPM"]
    D --> E["بازارچه VC را اعتبارسنجی می‌کند و درخواست را انتخاب می‌کند"]
    E --> F["توصیف‌گر درخواست به گرهٔ استنتاج مصرف‌کننده ارسال می‌شود"]
    F --> G["بازیابی محلی شواهد (پایگاه برداری)"]
    G --> H["اجرای درخواست داخل TEE"]
    H --> I["تولید روایت + اثبات zk‑SNARK"]
    I --> J["اعمال حریم خصوصی تفاضلی (در صورت نیاز)"]
    J --> K["بازگشت روایت + اثبات به بازارچه"]
    K --> L["بازارچه تراکنش را در دفتر ثبت می‌کند"]
    L --> M["مصرف‌کننده روایت را به مشتری تحویل می‌دهد"]
```

### توضیح گام به گام  

1. **صدور مدرک** – ارائه‌دهنده SaaS یک VC از یک ناظر معتبر دریافت می‌کند که گواهی‌نامهٔ **[GDPR](https://gdpr.eu/)** آن را تأیید می‌کند.  
2. **پرس‌و‌جو به بازارچه** – ارائه‌دهنده درخواست شامل VC و هدف کلی («خلاصهٔ نگهداری داده‌ها را تولید کنید») می‌فرستد.  
3. **انتخاب درخواست** – زمان‌بند RL بازارچه «GDPR‑Retention‑Prompt v3.2» که با حوزه قضایی و محدودیت‌های تاخیر مطابقت دارد، انتخاب می‌کند.  
4. **اجرای امن** – گرهٔ استنتاج ارائه‌دهنده داخل یک **محیط اجرای امن (TEE)** اجرا می‌شود و تضمین می‌کند کد و داده‌ها به‌صورت خارجی قابل مشاهده نیستند.  
5. **تولید اثبات** – یک **اثبات zk‑SNARK** صادر می‌شود که به‌صورت رمزنگاری شده نسخهٔ درخواست، هش شواهد و روایت خروجی را به‌هم پیوند می‌دهد.  
6. **حفاظت‌های حریم خصوصی** – اگر روایت شامل معیارهای تجمیعی باشد، موتور DP نویز کالیبره‌شده‌ای اضافه می‌کند که بودجهٔ حریم خصوصی مستأجر را رعایت می‌کند.  
7. **ثبت در دفتر** – بازارچه تراکنش را لاگ می‌کند تا غیرقابل تغییر و قابل حسابرسی باشد.  
8. **تحویل** – روایت نهایی به ارائه‌دهنده SaaS بازگردانده می‌شود که می‌تواند یک بیانیه انطباقی **تأیید‌شده توسط صفر‌اعتماد** به مشتری ارائه دهد.

---

## ۴. تضمین‌های امنیتی به‌صورت جزئی  

| مدل تهدید | کاهش توسط ZTFPM |
|-----------|-----------------|
| **نشت داده** – کارمند مخرب سعی می‌کند شواهد خام را کپی کند. | شواهد هرگز از محفظهٔ محلی خارج نمی‌شوند؛ فقط تعهدات هش‌شده در دفتر ثبت ذخیره می‌شوند. |
| **دستکاری درخواست** – مهاجم درخواست را تغییر می‌دهد تا محتوای مخرب وارد کند. | توصیف‌گرهای درخواست توسط DID ارائه‌دهنده امضا می‌شوند؛ هر تغییری امضا را نامعتبر می‌کند. |
| **حملات بازپخش** – استفاده مجدد از یک اثبات قدیمی برای ادعای وضعیت انطباق جدید. | هر اثبات شامل **nonce** و **timestamp** است؛ دفتر ثبت نسخه‌بندی یکنواخت را اعمال می‌کند. |
| **نشت از طریق مدل** – حملات جانبی بر روی LLM. | اجرا داخل **TEE** حافظه را ایزوله می‌کند؛ هسته‌های استنتاج با زمان ثابت برای کاهش نشت زمان اجرا استفاده می‌شوند. |
| **عدم انطباق قانونی** – روایت تولید شده قوانین محلی را نقض می‌کند. | بازارچه **قوانین‑به‑صورت‑کد** را پیش از انتشار درخواست اجرا می‌کند؛ ناظران می‌توانند مجموعهٔ قوانین اجباری را به‌صورت قراردادهای هوشمند منتشر کنند. |

---

## ۵. مزایا برای ذینفعان  

| ذینفع | مزیت اصلی |
|--------|------------|
| **شرکت‌ها** | استفاده مجدد از درخواست‌های با کیفیت بدون افشای داده‌های مالکیتی؛ کاهش زمان انطباق از هفته‌ها به ثانیه‌ها. |
| **ناظران** | تأیید روایت‌های انطباقی از طریق شواهد غیرقابل تغییر؛ اعمال به‌روزرسانی‌های سیاست به‌صورت مرکزی. |
| **ارائه‌دهندگان درخواست** | قابلیت کسب درآمد از دارایی‌های درخواست با مجوزهای مبتنی بر استفاده، در حالی که کنترل مالکیت فکری حفظ می‌شود. |
| **حسابرسان** | دسترسی به زنجیرهٔ شواهدی که دقیقاً نشان می‌دهد یک روایت چگونه تولید شده است. |
| **توسعه‌دهندگان** | SDKهای آماده برای اجرا فدرال، گواهی‌نامه و ادغام DP. |

---

## ۶. طرح پیاده‌سازی  

در زیر یک **SDK شبه‑پایتون** minimal نشان داده شده است که نحوهٔ تعامل یک مصرف‌کننده با بازارچه را نشان می‌دهد. توابع جایگزین برای عملیات رمزنگاری در محیط تولید باید توسط کتابخانه‌هایی مانند **PyDID**، **OpenMined PySyft** و **قراردادهای هوشمند سازگار با اتریوم** پشتیبانی شوند.

```goat
# pseudo‑sdk.py
class ZTFPMClient:
    def __init__(self, did, vc, node_endpoint):
        self.did = did                # شناسهٔ غیرمتمرکز
        self.vc = vc                  # مدرک قابل تأیید
        self.endpoint = node_endpoint # URL گرهٔ استنتاج محلی

    def request_prompt(self, intent, context):
        # 1️⃣ ارسال هدف + VC به بازارچه
        payload = {
            "did": self.did,
            "vc": self.vc,
            "intent": intent,
            "context": context
        }
        resp = http.post("https://ztfpm.market/api/v1/prompt", json=payload)
        resp.raise_for_status()
        return resp.json()   # شامل prompt_id، descriptor، نکات زمان‌بند

    def execute_prompt(self, descriptor, evidence):
        # 2️⃣ اجرای درخواست به‌صورت محلی داخل TEE
        exec_req = {
            "descriptor": descriptor,
            "evidence": evidence
        }
        exec_resp = http.post(f"{self.endpoint}/execute", json=exec_req)
        exec_resp.raise_for_status()
        return exec_resp.json()   # روایت، zk_proof، dp_metadata

    def submit_result(self, result):
        # 3️⃣ ارسال روایت + اثبات به بازارچه برای ثبت در دفتر
        commit_payload = {
            "prompt_id": result["prompt_id"],
            "narrative_hash": hash(result["narrative"]),
            "zk_proof": result["zk_proof"],
            "dp_metadata": result["dp_metadata"]
        }
        commit_resp = http.post("https://ztfpm.market/api/v1/commit", json=commit_payload)
        commit_resp.raise_for_status()
        return commit_resp.json()   # رسید تراکنش دفتر
```

**نکات کلیدی SDK**  

* **صفر‌اعتماد** – کلاینت هرگز دادهٔ خام را ارسال نمی‌کند؛ فقط هش‌های رمزنگاری‌شده عبور می‌کنند.  
* **گواهی‌نامه** – بازارچه قبل از پذیرش نتیجه، گواهی‌نامهٔ TEE را اعتبارسنجی می‌کند.  
* **قابلیت حسابرسی** – هر گام یک سند امضا‌شده تولید می‌کند که می‌تواند برای حسابرسی‌های انطباقی بازپخش شود.

---

## ۷. ملاحظات عملکرد  

| معیار | محدودهٔ مورد انتظار | تکنیک‌های بهینه‌سازی |
|-------|--------------------|----------------------|
| **تاخیر (درخواست → روایت)** | ۲۰۰ ms – ۱ s (بسته به اندازهٔ مدل) | کمینه‌سازی مدل، کش‌گذاری محلی بردارها |
| **توان خروجی (روایت‌ها / ثانیه)** | ۵۰ – ۲۰۰ در هر گره | استنتاج دسته‌ای، تولید غیرهمزمان شواهد |
| **اندازهٔ اثبات (zk‑SNARK)** | حدود ۲۰۰ KB | zk‑SNARKهای بازگشتی، تجمیع اثبات |
| **مصرف بودجهٔ حریم خصوصی** | ۰.۱ – ۰.۵ ε در هر روایت | بودجهٔ DP تطبیقی بر پایه سطح ریسک |

آزمایش‌های میدانی (مثلاً خط لوله گزارش‌گری AML یک بانک اروپایی) نشان داده‌اند که **تولید روایت زیر یک ثانیه** امکان‌پذیر است در حالی که **بودجهٔ حریم خصوصی زیر ۱ ε در روز** برای هر مستأجر حفظ می‌شود.

---

## ۸. مسیرهای آینده  

1. **گواهی‌نامه‌های مقاوم در برابر کوانتوم** – جایگزینی امضای منحنی بیضوی فعلی با طرح‌های مبتنی بر شبکه‌های لاطی برای آینده‌نگری بازارچه.  
2. **قابلیت انتقال درخواست بین حوزه‌ها** – امکان تبدیل ایمن درخواست‌های آموزش‌دیده برای **[HIPAA](https://www.hhs.gov/hipaa/index.html)** به درخواست‌های **[GDPR](https://gdpr.eu/)** از طریق **لایه‌های نگاشت معنایی**.  
3. **تکامل خودکار درخواست‌ها** – استفاده از عوامل متا‑یادگیری که به‌صورت خودکار نسخه‌های جدید درخواست را بر پایه الگوهای استفاده در بازارچه پیشنهاد می‌دهند، به شرط تأیید انسانی.  
4. **حاکمیت غیرمتمرکز** – معرفی رأی‌گیری به‑سبک DAO برای حذف نسخه‌ها، شرایط مجوز و به‌روزرسانی‌های سیاست‑به‑صورت‑کد.

---

## ۹. نتیجه‌گیری  

**بازارچهٔ درخواست فدرال صفر‌اعتماد** نحوهٔ همکاری سازمان‌ها در تولید روایت‌های انطباقی را بازتعریف می‌کند. با ترکیب **اجرای فدرال**، **گواهی‌نامهٔ رمزنگاری‌شده** و **زمان‌بندی تطبیقی**، این سامانه:

* **امنیت** – هیچ دادهٔ خامی از محفظهٔ مالک خارج نمی‌شود و هر روایت به‌صورت قابل اثبات تولید می‌شود.  
* **سرعت** – تولید زمان واقعی پاسخگوی نیازهای onboarding SaaS و واکنش به حوادث می‌باشد.  
* **قابلیت استفاده مجدد** – دارایی‌های درخواست به‌صورت کالای مقیاس‌پذیر تبدیل می‌شوند و انطباق را در صنایع مختلف تسریع می‌کنند.  

همزمانی که چارچوب‌های نظارتی ادامه به تحول می‌دهند، یک بازارچه که بتواند **به‌سرعت سازگار شود** در حالی که **تضمین‌های صفر‌اعتماد** را حفظ می‌کند، تبدیل به یک دارایی استراتژیک برای هر سازمان متمرکز بر انطباق می‌شود.

---

## منابع مرتبط  

- Federated Learning: Collaborative Machine Learning without Centralized Data – Kairouz et al., 2021  
- Differential Privacy in Practice – Dwork & Roth, 2020