Безпечне багатостороннє обчислення: Обчислення спільного результату без розкриття ваших секретів

Що насправді гарантує MPC

В основі себе безпечне множинне обчислення дозволяє групі учасників кожен тримати приватний вхід і спільно обчислювати узгоджену функцію цих входів, таку як сума, середнє значення, порівняння або щось набагато складніше, не даючи жодному учаснику дізнатися нічого про вхід іншої сторони, окрім того, що це передбачає вихід. Гарантія є точною і часто формалізована математично: після завершення протоколу кожен учасник дізнається лише кінцевий результат, наприклад «ви багатіший» або «середній заробіток 74 000», і нічого більше. Якщо вихід сам дозволяє комусь зробити конкретний висновок про вхід іншої сторони, це вважається прийнятним, оскільки той самий висновок був би можливий з виходу незалежно від того, як він обчислювався. MPC запобігає будь-якому додатковому витоку під час самого процесу обчислення, тобто жодна сторона не може поглянути на проміжні значення, мережевий трафік або на необроблені цифри іншої сторони. Це фундаментально відрізняється від звичайного обчислення, де той, хто запускає розрахунок, обов’язково бачить усі входи. Протоколи MPC досягають цього за допомогою таких інструментів, як спільне використання секретів, безглузде передавання, гомоморфне шифрування, часто поєднаних з криптографічними доказами того, що учасники чесно дотримувалися протоколу, щоб гарантія конфіденційності зберігалася навіть проти уважних або частково недбалих учасників.

Yao’s Millionaires’ Problem

The canonical motivating example for MPC comes from computer scientist Andrew Yao, who in 1982 posed a deceptively simple puzzle: two millionaires meet on the street and want to know who is richer, but neither wants to reveal their actual net worth to the other, and certainly not to any outside observer. At first glance this seems paradoxical. How can you compare two numbers without at least one party learning something about the other’s value? Yao showed that it is indeed possible using cryptographic protocols, and the millionaires’ problem became the founding thought experiment for the entire field of secure multiparty computation. The elegance of the example is that it captures the essence of the challenge in the simplest possible setting: a single comparison between two private numbers, with only one bit of output, who is greater. Modern MPC protocols generalize this same idea far beyond two parties and simple comparisons, enabling joint computation of sums, averages, statistical models, auction outcomes, and even complex machine learning tasks across many mutually distrustful participants, all while preserving the same fundamental privacy property that made the millionaires’ comparison possible in the first place.

A Building Block: Additive Secret Sharing

One of the simplest and most widely used tools inside MPC protocols is additive secret sharing. Suppose a participant has a private number and wants to contribute it to a joint computation without ever revealing it. Instead of sending the number directly, they split it into several random-looking pieces, called shares, that add up to the original value. For example, a secret number can be split into three shares by picking two random numbers and setting the third share so that all three sum back to the original secret. Each share on its own looks like meaningless random noise and reveals nothing about the original number, even to someone who sees just one or two of the shares below the required threshold. These shares are then distributed among the participants performing the computation. The clever part is that ordinary arithmetic, like addition, can be performed directly on the shares themselves: if everyone adds up the shares they received, the sum of those partial results equals the sum of the original secret numbers, once all the result-shares are combined at the end. Multiplication requires more elaborate techniques, but the same basic principle holds: the computation proceeds on scrambled fragments the entire time, and only the final combination step ever reconstructs a meaningful answer, never the intermediate private inputs.

Чому не просто найняти довірену третю сторону?

Зрозуміло запитати, чому використовувати всю цю криптографічну складність, коли можна просто найняти довірену третю сторону, дати їй всім свіжі дані, дозволити їй обчислити відповідь і попросити її повідомити лише результат. У практиці цей підхід нестійкий і часто юридично або практично неможливий. Для кожного учасника потрібно повністю довіряти одній організації, ця організація стає надзвичайно привабливою ціллю для хакерів, внутрішніх загроз, судових позовів або просто людської помилки, а в багатьох реаліях, таких як банки чи лікарні, передача свіжих даних клієнтів або пацієнтів сторонній організації може порушувати правила повністю, незалежно від того, наскільки довіреною є ця організація. MPC усуває цю єдину точку неспроможності та єдину довіру. За допомогою належним чином розробленого протоколу жодна окрема сторона, і критично, жоден підмножина співучасних сторін нижче визнаного рівня безпеки, ніколи не зможе відновити оригінальний секретний вхід іншої сторони, навіть якщо вони об'єднують все, що вони окремо спостерігали під час протоколу. Немає центрального сервера, який містить свіжі дані у будь-який момент часу, тому немає нічого централізованого, щоб зламати, подати на судовий позов або зловживати ним. Довіра переходить від довіри цієї конкретної організації до довіри математики та чесного більшості учасників, що є фундаментально сильнішим і більш аудиторським гарантією.

Real-World Applications

MPC has moved well beyond academic curiosity into genuine deployment. One prominent use case is private salary and wage-gap benchmarking, where companies in an industry want to compare compensation, such as computing average or median salaries by role and gender, without any single company revealing its individual employees’ pay to competitors or even to the organizer of the benchmark. Boston Women’s Workforce Council famously used MPC for exactly this purpose.

In scientific research, MPC enables privacy-preserving statistics across institutions, letting hospitals or research labs jointly compute aggregate health or genomic statistics without pooling sensitive patient records into one exposed database.

Secure auctions are another strong fit: bidders submit encrypted or secret-shared bids, and the protocol determines the winner and clearing price without revealing losing bids to anyone, including the auctioneer.

Perhaps most strikingly, financial institutions have begun deploying MPC for collaborative fraud detection, allowing banks that are legally barred from sharing raw customer transaction data to jointly identify suspicious patterns, such as accounts linked across institutions in a fraud ring, by computing only on secret-shared or encrypted representations of their data, satisfying both security needs and strict data-protection regulations simultaneously.

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Secure Multiparty Computation: Computing a Shared Answer Without Sharing Your Secrets і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.