راهکار MemPrivacy برای تأمین حریم خصوصی حافظه ابری با جایگزین‌های نوع‌بندی‌شده

هرچه یک عامل (Agent) جزئیات بیشتری از شما به خاطر بسپارد، ریسک نشت داده‌های حساس افزایش می‌یابد. این تضاد میان «شخصی‌سازی» و «امنیت»، نقطه ضعف اصلی حافظه‌های ابری در سیستم‌های هوش مصنوعی است.

در استقرار مدل‌های لبه-ابر (Edge-Cloud)، داده‌های خام معمولاً برای پردازش به سرور منتقل می‌شوند که طبق گزارش‌های فنی، نرخ موفقیت حملات حافظه در این حالت تا ۷۵٪ است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت لایه‌های حافظه در مدل‌های زبانی اشاره کردیم، روش‌های سنتی مانند ماسک‌گذاری (Masking) با جایگزینی داده‌ها با ستاره (***)، معنای معنایی (Semantic) را از بین می‌برند و کارایی مدل را مختل می‌کنند.

چارچوب MemPrivacy که توسط MemTensor، HONOR و دانشگاه Tongji توسعه یافته، این مشکل را با «نام مستعارسازی بازگشت‌پذیر محلی» حل می‌کند.

این فرآیند در سه مرحله اجرا می‌شود: حساس‌زدایی در uplink، پردازش در ابر و بازگردانی در downlink. یک مدل سبک روی دستگاه، بخش‌های حساس را شناسایی کرده و آن‌ها را با جایگزین‌های نوع‌بندی‌شده (Typed Placeholders) مانند <Health_Info_1> یا <Email_1> جایگزین می‌کند که در یک پایگاه داده محلی و امن ذخیره می‌شوند. عامل ابری با استفاده از این توصیف‌گرها استدلال می‌کند و در نهایت، دستگاه محلی مقادیر اصلی را پیش از نمایش به کاربر بازمی‌گرداند.

برای استانداردسازی این محافظت، تیم پژوهشی یک تاکسونومی چهارسطحی برای حریم خصوصی تعریف کرده است:

• PL1: ترجیحات عمومی (بدون محافظت).
• PL2: اطلاعات شناسایی شخصی (PII) مانند نام و ایمیل.
• PL3: داده‌های حساس بالا (سوابق پزشکی، حساب‌های بانکی).
• PL4: اسرار حیاتی (رمز عبور، کلیدهای API).

بر اساس مستندات فنی، مدل MemPrivacy-4B-RL که از Qwen3 با تنظیم دقیق (Fine-tuning) شده است، در بنچمارک MemPrivacy-Bench به امتیاز F1 معادل ۸۵.۹۷٪ رسید و از Gemini-3.1-Pro (۷۸.۴۱٪) پیشی گرفت. نکته کلیدی این است که در محافظت از سطوح PL2 تا PL4، افت کاربرد حافظه (Utility Loss) در سیستم‌هایی مثل Mem0 و LangMem کمتر از ۱.۶٪ بود، در حالی که ماسک‌گذاری بازگشت‌ناپذیر باعث کاهش دقت تا ۴۱.۸۷٪ می‌شد.

این رویکرد فرض بنیادین «تاثیر منفی حریم خصوصی بر کارایی» را می‌شکند. با جداسازی ساختار معنایی از مقادیر واقعی، توسعه‌دهندگان می‌توانند عامل‌هایی بسازند که به‌جای محدودیت، «ذاتاً امن» (Secure by Design) باشند. استفاده از مدل‌های کوچک (۰.۶ تا ۴ میلیارد پارامتر) نیز تضمین می‌کند که این فرآیند تأخیر (Latency) ناچیزی به تجربه کاربر اضافه کند.

گام بعدی شما

• بررسی ادغام این چارچوب در لایه‌های حافظه متن‌باز برای تبدیل نام مستعارسازی محلی به استاندارد جدید.
• ارزیابی مدل‌های ۰.۶ تا ۴ میلیارد پارامتری برای بهینه‌سازی سرعت استقرار محلی.
• تحلیل اثر این معماری بر کاهش هزینه‌های استنتاج (Inference) در مقیاس وسیع، که در گزارش‌های آتی بررسی خواهیم کرد.