پرش به محتوای اصلی
پرش به محتوای مقاله

آیا ایندکس‌های کور می‌توانند خواندن داده‌های AI توسط سرور را متوقف کنند؟

·۶ شهریور ۱۴۰۵۲ دقیقه مطالعه
پایگاه داده رمزگذاری‌شده بدون سرور برای هوش مصنوعی خصوصی
پایگاه داده رمزگذاری‌شده بدون سرور برای هوش مصنوعی خصوصی
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

اجباری شدن رمزنگاری سخت در نسخه ۱.۳.۱؛ برخلاف نسخه‌های قبلی، اکنون دیگر امکان غیرفعال کردن قوانین امنیتی هسته وجود ندارد و حریم خصوصی از حالت «اختیاری» به «پیش‌فرض» تبدیل شده است.

تصور کنید حافظهٔ هوش مصنوعی شما مجموعه‌ای از پاکت‌های مهروموم‌شده باشد که هیچ‌کس جز شما کلیدشان را ندارد. در حالی که داده‌ها معمولاً برای ارائه‌دهندگان سرویس مانند یک کتاب باز هستند، flash-zk تضمین می‌کند که سرور هرگز اسناد شما را به‌صورت متن ساده نبیند.

بسیاری از سامانه‌های تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — به تامین‌کنندگانی متکی هستند که در لحظهٔ پرس‌وجو، دسترسی به متن ساده دارند. این موضوع یک شکاف امنیتی بزرگ ایجاد می‌کند؛ چراکه ارائه‌دهنده زیرساخت می‌تواند تمام اسناد حساسی را که برای مبنی‌سازی (Grounding) یک عامل (Agent) استفاده شده، بخواند. برای حل این مشکل، flash-zk معماری «سرور-کور» را پیاده کرده است که در آن کلید رمزنگاری هرگز دستگاه کاربر را ترک نمی‌کند. این رویکرد تکامل‌یافته‌ای از راهکارهای ترکیب رمزنگاری و هوش مصنوعی برای پرس‌وجوهای محرمانه است که پیش‌تر بررسی کرده بودیم.

طبق مستندات فنی منتشرشده در ۲۸ اوت ۲۰۲۶، آخرین نسخه از flash-zk (نسخه ۱.۳.۱) بر پیش‌فرض‌های امنیتی سخت‌گیرانه تمرکز دارد. این سامانه از مکانیزم‌های زیر استفاده می‌کند:

  • ایندکس‌های کور (Blind Indexes): به پایگاه‌داده اجازه می‌دهد داده‌های مرتبط را بدون دانستن محتوای واقعی آن‌ها پیدا کند.
  • مدیریت کلید در سمت کاربر: تضمین می‌کند که سرور نسبت به محتوایی که ذخیره می‌کند، «کور» باقی بماند.
  • اجبار در پیش‌فرض‌ها: نسخه ۱.۳.۱ امکان غیرفعال کردن قوانین امنیتی هسته را که در نسخه ۱.۳.۰ اختیاری بود، حذف کرد.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، حذف اعتماد به تامین‌کننده، تنها راه دستیابی به حریم خصوصی واقعی است. برای توسعه‌دهندگان، این یعنی تولید بازیابی‌افزا و حافظهٔ عامل (Agent Memory) را می‌توان بدون به خطر انداختن محرمانگی، روی زیرساخت‌های شخص ثالث قرار داد. این متدولوژی در راستای تلاشاتی است که در سیستم PISIGuard برای ماسک‌گذاری محلی داده‌های حساس پیش از ارسال به سرور مشاهده شد. دیگر نیازی نیست به وعدهٔ «رمزنگاری در حالت استراحت» (Encryption at Rest) تامین‌کنندگان اعتماد کنید؛ وعده‌هایی که اغلب شامل درهای پشتی عملیاتی یا زمان‌بندی‌های اجرای نامشخص هستند.

به گزارش منابع فنی، این تغییر، صنعت را از حریم خصوصی «مبتنی بر اعتماد» به سمت حریم خصوصی «مبتنی بر تایید» سوق می‌دهد. flash-zk با تبدیل رمزنگاری سخت به یک قانون غیرقابل مذاکره، استانداردی را تعریف می‌کند که در آن موتور پایگاه‌داده از نظر ریاضی قادر به جاسوسی از کاربر نیست. این سطح از کنترل، گامی فراتر از استفاده از درگاه‌های حریم خصوصی برای حذف اطلاعات شخصی است، زیرا به جای حذف داده، بر رمزنگاری ساختاری آن‌ها تکیه می‌کند.

گام بعدی شما

  • توسعه‌دهندگان می‌توانند با اجرای دستور npm install flash-zk نصب را آغاز کنند.
  • برای مدیریت مسیرهای ذخیره‌سازی محلی، از کلاس FlashClient استفاده کنید.
  • تنظیمات امنیتی نسخه ۱.۳.۱ را با نسخه‌های قدیمی مقایسه کنید تا از فعال بودن پیش‌فرض‌های جدید مطمئن شوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این فناوری با تکیه بر اعتبار ریاضیات رمزنگاری، وابستگی توسعه‌دهندگان به صداقت تامین‌کنندگان ابری را از بین می‌برد. در نتیجه، سازمان‌های حساس می‌توانند بدون ترس از جاسوسی زیرساختی، از حافظه‌های ابری برای AI استفاده کنند.

تأثیر برای ایران

توسعه‌دهندگان ایرانی که به‌دلیل تحریم‌ها از زیرساخت‌های ابری متنوع و گاه غیررسمی استفاده می‌کنند، می‌توانند با این ابزار امنیت داده‌های کاربران خود را بدون نیاز به اعتماد به تامین‌کننده تضمین کنند.

·نگاه ما
تحریریه دات‌هوش

انتقال از مدل‌های Trust-based به Verification-based در لایه ذخیره‌سازی، نقطه پایان دوران «اعتماد به قراردادهای SLA» است. وقتی محدودیت دسترسی از سطح مدیریتی به سطح ریاضی منتقل شود، ریسک نشت داده‌های سازمانی در RAG به‌طور بنیادی حذف می‌شود. این رویکرد احتمالاً به استانداردی برای حافظه‌های بلندمدت در عامل‌های هوش مصنوعی تبدیل خواهد شد.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.