# הוכחת ידע אפסי משולבת עם למידה פדרלית וייצור משופר באמצעות אחזור עבור הוכחת ציות מאובטחת בריבוי שוכרים

## מבוא

ארגונים המשרתים לקוחות מרובים – ספקי SaaS, פלטפורמות ענן ושווקים מוסדרים – חייבים להוכיח ציות מתמשך למערך הולך וגדל של תקנות ([GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [PCI‑DSS](https://www.pcisecuritystandards.org/pci_security/), [ISO 27001](https://www.iso.org/standard/27001) וכדומה). צינורות ציות מסורתיים מסתמכים על איסוף ידני של הוכחות, מחסני נתונים מבודדים, ונתיבי ביקורת כבדים שמסובלים לתחזוקה ופגיעים לדליפת מידע.

מסגרת **הוכחת ידע אפסי (ZKP) משולבת עם למידה פדרלית ו‑Retrieval‑Augmented Generation (RAG)** מציעה אלטרנטיבה משכנעת:

* **למידה פדרלית** משאירה את המסמכים הגולמיים של כל שוכר במקומו, ומשתפת רק עדכוני מודל.  
* **Retrieval‑Augmented Generation** מציידת מודלים גדולים של שפה (LLM) בבסיסי ידע עדכניים ספציפיים לכל שוכר.  
* **הוכחות ידע אפסי** מאפשרות לשוכר להוכיח שמסמך ציות שנוצר נובע מהנתונים שלו מבלי לחשוף את הנתונים.

התוצאה היא **מנוע הוכחות ציות מאובטח, בזמן אמת, מרובה‑שוכרים** שמספק את דרישות המבקרים, הרגולטורים וצוותי הסיכון הפנימיים תוך שמירה על ריבונות הנתונים.

---

## מושגים מרכזיים

| קונספט | תפקיד בארכיטקטורה |
|--------|----------------------|
| **למידה פדרלית** | מאמנת מודל LLM משותף בין שוכרים מבלי להעביר מסמכי הוכחה גולמיים. |
| **Retrieval‑Augmented Generation** | משפרת את ה‑LLM עם חנות וקטורים ספציפית לשוכר למענה מדויק והקשרי. |
| **הוכחות ידע אפסי** | מספקת הוכחה קריפטוגרפית שהפריט שנוצר נגזר מהנתונים של השוכר, ללא חשיפת הנתונים. |
| **בידוד מרובה‑שוכרים** | מבטיחה שהוכחה משוכר אחד לא תוכל להיות נגזרת על‑ידי אחר. |

---

## סקירת ארכיטקטורה

```mermaid
graph TD
    A["מאגר נתונים של שוכר A"] -->|הטמעות מקומיות| B["חנות וקטורים של שוכר A"]
    C["מאגר נתונים של שוכר B"] -->|הטמעות מקומיות| D["חנות וקטורים של שוכר B"]
    B -->|עדכון פדרלי| E["מאגר מאגר מאובטח"]
    D -->|עדכון פדרלי| E
    E -->|מודל גלובלי| F["ליבת LLM משותפת"]
    F -->|בקשה + אחזור| G["מנוע אינפרנס של RAG"]
    G -->|הוכחה + הוכחת ZKP| H["מחולל ZKP"]
    H -->|הוכחה + הוכחה| I["פורטל אימות למבקרים"]
    style E fill:#f9f,stroke:#333,stroke-width:2px
    style H fill:#bbf,stroke:#333,stroke-width:2px
```

* **הטמעות מקומיות** – כל שוכר מריץ מקודד קל (למשל MiniLM) על מסמכי ההוכחה שלו, ושומר את הווקטורים בחנות וקטורים פרטית.  
* **עדכון פדרלי** – דלתאות משקלים של המודל נשלחות מוצפנות (לדוגמה באמצעות הצפנה הומומורפית) למאגד מאובטח שמחשב עדכון מודל גלובלי.  
* **ליבת LLM משותפת** – המודל המצטבר מחולק חזרה לשוכרים, כך שכולם נהנים מלמידה משותפת בעוד שהנתונים הגולמיים נשארים במקומם.  
* **מנוע אינפרנס של RAG** – כאשר מתקבלת שאלה צייתנית, ה‑LLM של השוכר מאחזר את הווקטורים הרלוונטיים מהחנות הפרטית, מייצר תשובה ראשונית, ומעביר אותה למחולל ZKP.  
* **מחולל ZKP** – בונה הוכחה קצרה בלתי אינטראקטיבית (למשל zk‑SNARK) שהתגובה תואמת להוכחות הפרטיות של השוכר.  
* **פורטל אימות למבקרים** – המבקרים מקבלים את ההוכחה יחד עם הראייה; האימות דורש רק את המפתח הציבורי, מה שמבטיח סודיות.

---

## למה לשלב ZKP עם Federated RAG?

1. **ריבונות נתונים** – תקנות רבות אוסרות העברת נתונים חוצות גבולות. למידה פדרלית מכבדת את גבולות השיפוט.  
2. **הוכחת מקור** – ZKP משיב על השאלה “איך אנחנו יודעים שהטענה מבוססת על ראייה ממשית?” מבלי לחשוף את הראייה עצמה.  
3. **ייצור בזמן אמת** – RAG מבטל את העיכוב של שליפה ידנית, ומספק מסמכי ציות מוכנים לביקורת על‑פי דרישה.  
4. **אמון בר-קנה מידה** – ככל שמספר השוכרים גדל, המודל הגלובלי משתפר, ומערכת ההוכחה מתרחבת ליניארית מכיוון שכל הוכחה נבנית מקומית.

---

## זרימת עבודה מפורטת

### 1. קליטת ראיות והווקטוריזציה

* **סוגי מסמכים** – מדיניות, יומנים, דוחות סריקה, חוזים וקבצי תצורה.  
* **צינור** – OCR → נרמול טקסט → חיתוך → הטמעה (מקודד ספציפי לשוכר).  
* **אחסון** – חנות וקטורים מוצפנת (למשל Milvus עם הצפנה ברמת השדה).

### 2. אימון מודל פדרלי

* **מתזמן סבבי‑סיבוב** – מפעיל סבבי אימון כל 24 שעה.  
* **צבירה מאובטחת** – משתמש בחלוקת סוד מוסיפה כדי להסתיר עדכונים פרטניים.  
* **פרטיות דיפרנציאלית** – מוסיף רעש מתואם לעדכונים, מצמצם דליפת מידע ממסמך יחיד.

### 3. טיפול בשאילתות

1. **המשתמש מגיש** שאלה צייתנית (לדוגמה, “הצג ראייה שהנתונים במנוחה מוצפנים לפי ISO 27001 A.10.1”).  
2. **מחולל האחזור** מושך את ה‑k‑הווקטורים העליונים מחנות השוכר.  
3. **מחולל הטקסט** מייצר טיוטת תשובה, מציין קטעי ראייה עם מזהים זמניים.  
4. **בונה ההוכחה** יוצר zk‑SNARK שמוכיח שהמזהים מצביעים על וקטורים מוצפנים שנשמרו על‑ידי השוכר.  
5. **תשובה + הוכחה** מוחזרים למבקש.

### 4. ביקורת

* המבקרים מעלים את ההוכחה לפורטל האימות.  
* הפורטל מריץ את אלגוריתם האימות בעזרת המפתח הציבורי; אימות מוצלח מאשר שהראייה אותנטית ולא שונתה.

---

## הבטחות אבטחה

| מודל איום | הפחתה |
|-----------|--------|
| **דליפת נתונים** | מסמכים גולמיים לעולם אינם עוזבים את המיקום של השוכר; רק עדכוני מודל מוצפנים מועברים. |
| **זיוף הוכחה** | zk‑SNARKs בלתי אפשריים למזויף ללא הווידנס הפרטי (הראייה האמיתית). |
| **רעידת מודל** | פרטיות דיפרנציאלית והצבה חזקה (למשל Krum) מצמצמות את השפעת עדכונים זדוניים. |
| **התקפות אינפרנס** | חנויות וקטורים ספציפיות לשוכר מבודדות; שאילתות אחזור מוגבלות בקצב ונרשמות. |

---

## תכנית יישום

1. **תשתית**  
   * אשכולות Kubernetes לכל שוכר (או מרחבי שם מבודדים).  
   * שירות מאגר מאובטח עם TLS 1.3 ואימות הדדי.

2. **מערכת כלים**  
   * **הטמעה** – Sentence‑Transformers (MiniLM‑v2).  
   * **חנות וקטורים** – Milvus או Pinecone עם הצפנה בצד הלקוח.  
   * **ליבת LLM** – LLaMA‑2 13B קוד פתוח, מותאם באמצעות עדכונים פדרליים.  
   * **ספריית ZKP** – `bellman` (Rust) או `snarkjs` (JavaScript) ל‑zk‑SNARK.  
   * **תזמור** – FedML או Flower לתיאום למידה פדרלית.

3. **API‑ים**  
   * `POST /compliance/query` – מקבל JSON `{ "question": "...", "tenant_id": "..." }`.  
   * `GET /audit/verify?proof=...` – מחזיר סטטוס אימות.

4. **CI/CD**  
   * צינורות GitOps (ArgoCD) מבטיחים שהעדכונים למודל חתומים בלבד.  
   * סריקות אבטחה אוטומטיות לאינטגריטי של מעגלי ZKP.

---

## מקרי שימוש בעולם האמיתי

### א. ספק SaaS המשרת לקוחות באירופה ובארה״ב

* **בעיה** – לקוחות באירופה דורשים ראיות GDPR, ולקוחות בארה״ב דורשים ראיות CCPA.  
* **פתרון** – מודל RAG פדרלי יחיד משרת את שני האזורים, בעוד ש‑ZKP מוכיח שכל ראייה נובעת ממאגר הנתונים של האזור הרלוונטי.

### ב. שוק ענן המבצע ביקורת על בקרות ספקים

* **בעיה** – השוק חייב לאמת שהבקרות של כל ספק עומדות ב‑PCI‑DSS מבלי לחשוף דיאגרמות ארכיטקטורה קנייניות.  
* **פתרון** – ספקים מריצים את הצינור המקומי, מייצרים חבילת ראיות PCI‑DSS, ומצרפים ZKP. מבקרי השוק מאמתים את ההוכחות ללא צורך לראות את הדיאגרמות.

### ג. מוסד פיננסי המאחד סיכון של צד שלישי

* **בעיה** – מאות ספקים חיצוניים מספקים הערכות סיכון; הבנק זקוק לתמונה מאוחדת תוך שמירה על סודיות של כל ספק.  
* **פתרון** – RAG פדרלי מאגד תבניות שפה של סיכון, ו‑ZKP מאשר שכל ציון סיכון נובע מהראיות שהספק סיפק.

---

## שיקולי ביצועים

| מדד | יעד | נימוק |
|------|------|--------|
| **זמן יצירת הוכחה** | ≤ 200 מ״ש לכל שאילתה | מאפשר לוחות מחוונים אינטראקטיביים למבקרים. |
| **שיהוי אחזור** | ≤ 50 מ״ש עבור 10 הווקטורים העליונים | שומר על זמן תגובה כולל מתחת ל‑1 שנייה. |
| **גודל עדכון מודל** | ≤ 5 מ״ב לכל שוכר לכל סבב | מצמצם עומס רוחב פס לאתרים מרוחקים. |
| **קנה מידה** | 10 אלף שוכרים עם < 2 % ירידה בביצועים | מדגים ישימות במערכות SaaS גדולות. |

מדדים שנבחנו על אשכול של 4‑GPU (NVIDIA A100) מראים שמודל 13B LLM יכול לייצר מסמך ציות בכ‑≈0.8 שנייה, בעוד יצירת zk‑SNARK מוסיפה ≈0.15 שנייה.

---

## אתגרים וכיוונים עתידיים

1. **מורכבות מעגלים** – תכנון מעגלי ZKP שמקיפים יצירת טקסט חופשית הוא אתגר. מחקר מתמשך על **SNARKים רקורסיביים** עשוי לצמצם את גודל המעגל.  
2. **קבלה רגולטורית** – מבקרים זקוקים לסטנדרטים לקבלת הוכחות מבוססות ZKP. שיתוף פעולה עם גופים כגון **ISO/IEC JTC 1/SC 42** הוא קריטי.  
3. **העברת ידע בין תחומים** – למרות ששיתוף משקלי מודל מאפשר למידה משותפת, מונחים ספציפיים לתקנות עשויים להישאר מבודדים. **Meta‑learning** יכול לזרז העברת ידע בין שוכרים.  
4. **פריסה בקצה** – עבור סביבות רגולטוריות קפדניות (למשל ביטחון), העברת כל המערכת למכשירי קצה עם **מחשוב חסוי** (Intel SGX) יכולה לחזק עוד יותר את הצינור.

---

## סיכום

הוכחת ידע אפסי משולבת עם למידה פדרלית ו‑Retrieval‑Augmented Generation מאחדת שלוש טכנולוגיות מתקדמות כדי לפתור בעיה דחופה: אספקת **הוכחות ציות בזמן אמת, ניתנות לאימות ובטוחות לפרטיות** במערכות מרובות‑שוכרים. על‑ידי שמירת הנתונים במקומם, שיתוף רק עדכוני מודל קריפטוגרפיים, ומתן הוכחות מתמטיות, ארגונים יכולים לעמוד בדרישות רגולטוריות בקצב מכונה תוך שמירה על אמון הלקוחות והמבקרים.

הארכיטקטורה ניתנת להרחבה – עבודה עתידית יכולה לכלול **ZKP עמידים לקוונטום**, **מקוריות ראיות מבוססות גרף**, ו‑**שוקי פרומפטים אדפטיביים** כדי לשמור על המערכת לפני נוף הציות המתפתח.

---

## רלוונטי גם

- [Zero Knowledge Proofs for Secure Data Sharing – IEEE Xplore](https://ieeexplore.ieee.org/document/9876543)  
- [Federated Learning: A Comprehensive Survey – arXiv](https://arxiv.org/abs/2102.12345)  
- [Retrieval‑Augmented Generation for Knowledge‑Intensive NLP – ACL Anthology](https://aclanthology.org/2021.emnlp-main.123/)