Журнал "Information Security/ Информационная безопасность" #3, 2026

Архитектура совместного обучения не предполагает передачу исходных персо- нальных данных между юри- дическими лицами: обез- личивание выполняется до загрузки информации в кон- тур обучения. Банковский сектор стал первой отраслью, где дове- ренные вычисления начали применяться на практике. Причина проста: скоринго- вые модели напрямую влияют на кредитный риск, а даже небольшое повыше- ние точности прогноза поз- воляет сократить объем про- блемной задолженности. Практический вопрос для банков – выбор источников, которые действительно улучшают модель. Для этого оценивается вклад каждого поставщика через метрики качества на обучении и валидации. Любая отрасль, где необходимо совместно ана- лизировать чувствительные данные, но невозможно передавать их между орга- низациями, может использо- вать доверенные вычисле- ния для обучения более точ- ных моделей Ценность такого подхода заключается не только в том, что данные остаются внутри организаций. Главное преиму- щество состоит в возможности обучать модель на значительно более полном наборе признаков без нарушения требований кон- фиденциальности. При этом исходные данные не раскры- ваются: каждый участник полу- чает доступ только к результа- там совместного обучения, но не к записям и признакам дру- гих организаций. Программная изоляция и шифрование Безопасность совместного обучения обеспечивается сразу на нескольких уровнях. Первый – программная изоляция на уровне ядра. Каждый участник работает в собственном защи- щенном контуре, поэтому дру- гие организации не имеют доступа к его данным ни во время хранения, ни в процессе подготовки, ни в ходе обучения модели. Второй уровень – криптогра- фическая защита. Данные в хра- нилище находятся в зашифро- ванном виде, а обмен между участниками выполняется по защищенным каналам с использованием TLS. Посколь- ку платформа разворачивается в инфраструктуре банка (on- prem), информация не покидает его периметр, а все вычисления выполняются на внутренних ресурсах организации. Важно соблюдение регуля- торных требований. Архитекту- ра совместного обучения не предполагает передачу исход- ных персональных данных между юридическими лицами: обезличивание выполняется до загрузки информации в контур обучения. Развертывание на площадке заказчика позволяет выполнить требования 152-ФЗ, избежать проблем с локализа- цией данных и обеспечить соот- ветствие требованиям Банка России. Дополнительный уровень защиты обеспечивает разгра- ничение прав доступа. Загрузка данных, настройка процесса обучения, запуск вычислений и получение результатов раз- делены между разными роля- ми. Поставщик данных не полу- чает доступ к итоговой модели или результатам анализа, а заказчик не может извлечь исходные записи других участ- ников. Такой подход отличается от двух других распространен- ных вариантов организации совместного обучения – феде- ративного обучения и безопас- ных многосторонних вычисле- ний. В федеративном обуче- нии (Federated Learning, FL) участники не передают исход- ные данные, однако регулярно обмениваются параметрами или градиентами модели. Хотя такой механизм считается без- опаснее централизованного сбора данных, исследования показывают, что в отдельных случаях по этим параметрам можно восстановить часть исходной информации или провести атаки на модель. Поэтому федеративное обуче- ние требует дополнительных механизмов защиты и конт- роля. Другой подход основан на безопасных многосторонних вычислениях (Secure Multi-Party Computation, SMPC) и гомо- морфном шифровании. Эти технологии обеспечивают более высокий уровень крип- тографической защиты, но тре- буют значительно больших вычислительных ресурсов, уве- личивают время обучения модели и заметно усложняют внедрение и сопровождение системы в промышленной экс- плуатации. Программная изоляция на уровне ядра занимает проме- жуточное положение между этими подходами. Она не тре- бует обмена параметрами моде- ли между участниками и не накладывает характерных для криптографических методов вычислительных затрат, сохра- няя при этом высокий уровень защиты данных. Поэтому для практических внедрений такой подход часто оказывается наи- более сбалансированным с точки зрения безопасности, про- изводительности и сложности эксплуатации. Банки – первый и наиболее проработанный сценарий Банковский сектор стал пер- вой отраслью, где доверенные вычисления начали применять- ся на практике. Причина проста: скоринговые модели напрямую влияют на кредитный риск, а даже небольшое повышение точности прогноза позволяет сократить объем проблемной задолженности и повысить эффективность бизнеса. При этом каждая кредитная органи- зация располагает лишь собст- венной историей клиентов, тогда как объединение данных нескольких банков потенциаль- но позволяет построить более точные модели. Практический вопрос для бан- ков – выбор источников, кото- рые действительно улучшают модель. Для этого оценивается вклад каждого поставщика через метрики качества на обучении и валидации. Если добавление внешних признаков не поднимает целевой показа- тель, объединение не имеет смысла. Помимо финансового секто- ра, доверенные вычисления применимы и в других отрас- лях. В медицине доверенные вычисления позволяют обучать диагностические модели на данных нескольких клиник без передачи историй болезни и другой персональной инфор- мации. Это особенно важно при работе с редкими заболе- ваниями, когда в распоряже- нии одной медицинской орга- низации просто недостаточно наблюдений для обучения качественной модели. В государственном секторе такой подход открывает воз- можности для межведомствен- ной аналитики. Данные из раз- ных государственных инфор- мационных систем могут использоваться совместно без раскрытия исходных записей и передачи персональной информации между ведомства- ми. Аналогичные задачи воз- никают и в страховании, где объединение данных страхов- щиков, банков или медицин- ских организаций способно повысить качество оценки рис- ков, не требуя обмена клиент- скими базами. Пока наиболее зрелые внед- рения сосредоточены именно в банковской сфере. Однако сама технология не привязана к финансовому сектору. Любая отрасль, где необходимо совместно анализировать чув- ствительные данные, но невоз- можно передавать их между организациями, может исполь- зовать доверенные вычисления для обучения более точных моделей без нарушения требо- ваний безопасности и законо- дательства. l • 85 ИИ-АССИСТЕНТЫ ДЛЯ ИБ www.itsec.ru Ваше мнение и вопросы присылайте по адресу is@groteck.ru