هذا منشور مشترك شارك في كتابته Leidos و AWS. Leidos هي شركة رائدة في مجال الحلول العلمية والتكنولوجية FORTUNE 500 تعمل على معالجة بعض أصعب التحديات في العالم في أسواق الدفاع والاستخبارات والأمن الداخلي والأسواق المدنية والرعاية الصحية.
دخلت Leidos في شراكة مع AWS لتطوير نهج للحفاظ على الخصوصية ونمذجة التعلم الآلي السرية (ML) حيث يمكنك إنشاء خطوط أنابيب مشفرة وممكّنة من السحابة.
التشفير متماثل الشكل هو طريقة جديدة للتشفير تسمح بتشغيل العمليات الحسابية والوظائف التحليلية على البيانات المشفرة ، دون الحاجة إلى فك تشفيرها أولاً ، من أجل الحفاظ على الخصوصية في الحالات التي يكون لديك فيها سياسة تنص على أنه لا ينبغي أبدًا فك تشفير البيانات. يعد التشفير المتجانس بالكامل (FHE) أقوى فكرة لهذا النوع من النهج ، ويسمح لك بإلغاء تأمين قيمة بياناتك حيث يكون انعدام الثقة هو المفتاح. الشرط الأساسي هو أن البيانات يجب أن تكون قادرة على تمثيلها بأرقام من خلال تقنية تشفير ، والتي يمكن تطبيقها على مجموعات البيانات الرقمية والنصية والصورة. البيانات التي تستخدم FHE أكبر من حيث الحجم ، لذلك يجب إجراء الاختبار للتطبيقات التي تحتاج إلى إجراء الاستدلال في الوقت الفعلي تقريبًا أو مع قيود الحجم. من المهم أيضًا صياغة جميع الحسابات كمعادلات خطية.
في هذا المنشور ، نوضح كيفية تنشيط تنبؤات ML التي تحافظ على الخصوصية في البيئات الأكثر تنظيمًا. تستخدم التنبؤات (الاستدلال) البيانات المشفرة ويتم فك تشفير النتائج فقط من قبل المستهلك النهائي (جانب العميل).
لإثبات ذلك ، نعرض مثالاً على تخصيص ملف الأمازون SageMaker حاوية التعلم العميق Scikit-Learn مفتوحة المصدر لتمكين نقطة نهاية تم نشرها لقبول طلبات الاستدلال المشفرة من جانب العميل. على الرغم من أن هذا المثال يوضح كيفية إجراء ذلك لعمليات الاستدلال ، إلا أنه يمكنك توسيع الحل ليشمل التدريب وخطوات تعلم الآلة الأخرى.
يتم نشر نقاط النهاية ببضع نقرات أو سطور من التعليمات البرمجية باستخدام SageMaker ، مما يبسط العملية للمطورين وخبراء التعلم الآلي لبناء وتدريب نماذج التعلم الآلي والتعلم العميق في السحابة. يمكن بعد ذلك نشر النماذج التي تم إنشاؤها باستخدام SageMaker كـ نقاط النهاية في الوقت الفعلي، وهو أمر بالغ الأهمية لاستدلال أعباء العمل حيث يكون لديك الوقت الحقيقي ، والحالة المستقرة ، ومتطلبات زمن الوصول المنخفض. يمكن للتطبيقات والخدمات الاتصال بنقطة النهاية المنشورة مباشرة أو من خلال خادم بدون خادم بوابة أمازون API بنيان. لمعرفة المزيد حول أفضل الممارسات المعمارية لنقطة النهاية في الوقت الفعلي ، يُرجى الرجوع إلى إنشاء واجهة برمجة تطبيقات REST API للتعلم الآلي باستخدام قوالب خرائط Amazon API Gateway و Amazon SageMaker. يوضح الشكل التالي كلا الإصدارين من هذه الأنماط.
في كل من هذين الأنماط ، يوفر التشفير أثناء النقل السرية حيث تتدفق البيانات عبر الخدمات لأداء عملية الاستدلال. عند استلامها بواسطة نقطة نهاية SageMaker ، يتم فك تشفير البيانات بشكل عام لأداء عملية الاستدلال في وقت التشغيل ، ولا يمكن الوصول إليها عن طريق أي تعليمات برمجية وعمليات خارجية. لتحقيق مستويات إضافية من الحماية ، تتيح FHE لعملية الاستدلال إنشاء نتائج مشفرة يمكن فك تشفير النتائج من خلال تطبيق أو عميل موثوق به.
المزيد عن التشفير المتماثل تمامًا
تمكن FHE الأنظمة من إجراء عمليات حسابية على البيانات المشفرة. تكون الحسابات الناتجة ، عند فك تشفيرها ، قريبة بشكل يمكن التحكم فيها من تلك التي تم إنتاجها بدون عملية التشفير. يمكن أن يؤدي FHE إلى عدم دقة رياضية صغيرة ، على غرار خطأ النقطة العائمة ، بسبب الضوضاء التي يتم إدخالها في الحساب. يتم التحكم فيه عن طريق تحديد معلمات تشفير FHE المناسبة ، وهي معلمة مضبوطة خاصة بالمشكلة. لمزيد من المعلومات ، تحقق من الفيديو كيف تفسر التشفير متماثل الشكل؟
يقدم الرسم البياني التالي مثالاً على تنفيذ نظام FHE.
في هذا النظام ، يمكنك أنت أو عميلك الموثوق به القيام بما يلي:
- تشفير البيانات باستخدام نظام المفتاح العام FHE. هناك نوعان من المخططات المقبولة المختلفة ؛ في هذا المثال ، نستخدم مخطط CKKS. لمعرفة المزيد حول عملية تشفير المفتاح العام FHE التي اخترناها ، ارجع إلى وأوضح CKKS.
- إرسال البيانات المشفرة من جانب العميل إلى مزود أو خادم للمعالجة.
- إجراء الاستدلال النموذجي على البيانات المشفرة ؛ مع FHE ، لا يلزم فك التشفير.
- يتم إرجاع النتائج المشفرة إلى المتصل ثم يتم فك تشفيرها للكشف عن نتيجتك باستخدام مفتاح خاص متاح لك فقط أو للمستخدمين الموثوق بهم داخل العميل.
لقد استخدمنا البنية السابقة لإعداد مثال باستخدام نقاط نهاية SageMaker ، بيفيل كملف FHE API يبسط التكامل مع تطبيقات ML ، و SEAL باعتبارها مجموعة أدوات تشفير FHE الأساسية الخاصة بنا.
حل نظرة عامة
لقد قمنا ببناء مثال على خط أنابيب FHE قابل للتطوير في AWS باستخدام SKLearn الانحدار اللوجستي حاوية التعلم العميق مع مجموعة بيانات Iris. نقوم باستكشاف البيانات وهندسة الميزات باستخدام دفتر SageMaker ، ثم نقوم بإجراء تدريب نموذجي باستخدام ملف وظيفة تدريب SageMaker. النموذج الناتج هو نشر إلى نقطة نهاية الوقت الحقيقي من SageMaker لتستخدمها خدمات العملاء ، كما هو موضح في الرسم التخطيطي التالي.
في هذه البنية ، يرى تطبيق العميل فقط البيانات غير المشفرة. تظل البيانات التي تتم معالجتها من خلال النموذج للاستدلال مشفرة طوال دورة حياتها ، حتى في وقت التشغيل داخل المعالج في الوضع المعزول منطقة AWS نيترو. في الأقسام التالية ، نسير عبر الكود لبناء خط الأنابيب هذا.
المتطلبات الأساسية المسبقة
للمتابعة ، نفترض أنك أطلقت ملف دفتر SageMaker مع إدارة الهوية والوصول AWS (IAM) مع AmazonSageMakerFullAccess السياسة المدارة.
درب النموذج
يوضح الرسم البياني التالي سير عمل التدريب النموذجي.
يوضح الكود التالي كيف نقوم أولاً بإعداد البيانات للتدريب باستخدام دفاتر SageMaker من خلال سحب مجموعة بيانات التدريب الخاصة بنا ، وإجراء عمليات التنظيف اللازمة ، ثم تحميل البيانات إلى خدمة تخزين أمازون البسيطة (Amazon S3) دلو. في هذه المرحلة ، قد تحتاج أيضًا إلى إجراء هندسة ميزات إضافية لمجموعة البيانات الخاصة بك أو التكامل مع متاجر الميزات المختلفة غير المتصلة بالإنترنت.
في هذا المثال ، نستخدم وضع النص على إطار عمل مدعوم أصلاً داخل SageMaker (تعلم الحروف) ، حيث نقوم بإنشاء مثيل لمقدر SageMaker SKLearn الافتراضي الخاص بنا باستخدام برنامج نصي تدريب مخصص للتعامل مع البيانات المشفرة أثناء الاستدلال. للاطلاع على مزيد من المعلومات حول الأطر المدعومة محليًا ووضع البرنامج النصي ، راجع استخدم أطر عمل التعلم الآلي و Python و R مع Amazon SageMaker.
أخيرًا ، نقوم بتدريب نموذجنا على مجموعة البيانات ونشر نموذجنا المدرب لنوع المثيل الذي نختاره.
في هذه المرحلة ، قمنا بتدريب نموذج SKLearn FHE مخصص ونشرناه في نقطة نهاية للاستدلال في الوقت الفعلي من SageMaker والتي تقبل البيانات المشفرة على استعداد.
تشفير وإرسال بيانات العميل
يوضح الرسم البياني التالي سير عمل تشفير بيانات العميل وإرسالها إلى النموذج.
في معظم الحالات ، تحتوي حمولة استدعاء نقطة نهاية الاستدلال على البيانات المشفرة بدلاً من تخزينها في Amazon S3 أولاً. نقوم بذلك في هذا المثال لأننا قمنا بتجميع عدد كبير من السجلات لاستدعاء الاستدلال معًا. من الناحية العملية ، سيكون حجم الدُفعة هذا أصغر أو سيتم استخدام تحويل الدُفعة بدلاً من ذلك. استخدام Amazon S3 كوسيط ليس مطلوبًا لـ FHE.
الآن بعد أن تم إعداد نقطة نهاية الاستدلال ، يمكننا البدء في إرسال البيانات. عادةً ما نستخدم مجموعات بيانات مختلفة للاختبار والتدريب ، ولكن في هذا المثال نستخدم نفس مجموعة بيانات التدريب.
أولاً ، نقوم بتحميل مجموعة بيانات Iris من جانب العميل. بعد ذلك ، قمنا بإعداد سياق FHE باستخدام Pyfhel. اخترنا Pyfhel لهذه العملية لأنها سهلة التثبيت والعمل معها ، وتتضمن مخططات FHE شائعة ، وتعتمد على تنفيذ تشفير أساسي مفتوح المصدر موثوق به SEAL. في هذا المثال ، نرسل البيانات المشفرة ، جنبًا إلى جنب مع معلومات المفاتيح العامة لنظام FHE هذا ، إلى الخادم ، مما يمكّن نقطة النهاية من تشفير النتيجة لإرسالها إلى جانبها مع معلمات FHE الضرورية ، ولكنها لا تمنحها القدرة على فك تشفير البيانات الواردة. يبقى المفتاح الخاص مع العميل فقط ، والذي لديه القدرة على فك تشفير النتائج.
بعد أن نقوم بتشفير بياناتنا ، نقوم بتجميع قاموس بيانات كامل - بما في ذلك المفاتيح ذات الصلة والبيانات المشفرة - ليتم تخزينه على Amazon S3. إلى الأمام ، يقوم النموذج بعمل تنبؤاته على البيانات المشفرة من العميل ، كما هو موضح في الكود التالي. لاحظ أننا لا ننقل المفتاح الخاص ، لذا فإن مضيف النموذج غير قادر على فك تشفير البيانات. في هذا المثال ، نقوم بتمرير البيانات ككائن S3 ؛ بدلاً من ذلك ، قد يتم إرسال هذه البيانات مباشرةً إلى نقطة نهاية Sagemaker. كنقطة نهاية في الوقت الفعلي ، تحتوي الحمولة على معلمة البيانات في نص الطلب ، والتي تم ذكرها في ملف وثائق SageMaker.
تُظهر لقطة الشاشة التالية التنبؤ المركزي داخل fhe_train.py
(يُظهر الملحق نص التدريب بأكمله).
نحن نحسب نتائج انحدارنا اللوجستي المشفر. يحسب هذا الرمز منتجًا قياسيًا مشفرًا لكل فئة ممكنة ويعيد النتائج إلى العميل. النتائج هي السجلات المتوقعة لكل فئة عبر جميع الأمثلة.
يقوم العميل بإرجاع نتائج غير مشفرة
يوضح الرسم التخطيطي التالي سير عمل العميل الذي يقوم باسترداد نتائجه المشفرة وفك تشفيرها (بالمفتاح الخاص الذي لا يملك سوى الوصول إليه) للكشف عن نتيجة الاستنتاج.
في هذا المثال ، يتم تخزين النتائج على Amazon S3 ، ولكن بشكل عام يتم إرجاعها من خلال حمولة نقطة النهاية في الوقت الفعلي. استخدام Amazon S3 كوسيط ليس مطلوبًا لـ FHE.
ستكون نتيجة الاستدلال قريبة من النتائج بشكل يمكن التحكم فيه كما لو كانوا قد قاموا بحسابها بأنفسهم ، دون استخدام FHE.
تنظيف
ننهي هذه العملية بحذف نقطة النهاية التي أنشأناها للتأكد من عدم وجود أي حساب غير مستخدم بعد هذه العملية.
النتائج والاعتبارات
أحد العوائق الشائعة لاستخدام FHE فوق النماذج هو أنه يضيف عبءًا حسابيًا ، والذي - في الممارسة العملية - يجعل النموذج الناتج بطيئًا جدًا بالنسبة لحالات الاستخدام التفاعلي. ولكن في الحالات التي تكون فيها البيانات شديدة الحساسية ، قد يكون من المفيد قبول مقايضة زمن الانتقال هذه. ومع ذلك ، بالنسبة لانحدارنا اللوجستي البسيط ، يمكننا معالجة 140 عينة من بيانات الإدخال في غضون 60 ثانية ورؤية الأداء الخطي. يتضمن الرسم البياني التالي إجمالي الوقت من البداية إلى النهاية ، بما في ذلك الوقت الذي يقوم به العميل لتشفير المدخلات وإلغاء النتائج. كما أنها تستخدم Amazon S3 ، والتي تضيف زمن انتقال وليست مطلوبة لهذه الحالات.
نرى تحجيمًا خطيًا بينما نزيد عدد الأمثلة من 1 إلى 150. وهذا متوقع لأن كل مثال مشفر بشكل مستقل عن بعضه البعض ، لذلك نتوقع زيادة خطية في الحساب ، مع تكلفة إعداد ثابتة.
هذا يعني أيضًا أنه يمكنك توسيع نطاق أسطول الاستدلال الخاص بك أفقيًا لزيادة إنتاجية الطلب خلف نقطة نهاية SageMaker. يمكنك استخدام التوصية بالاستدلال من Amazon SageMaker لتحسين تكلفة أسطولك وفقًا لاحتياجات عملك.
وفي الختام
وإليكم الأمر: ML التشفير متماثل الشكل تمامًا لنموذج الانحدار اللوجستي SKLearn الذي يمكنك إعداده باستخدام بضعة أسطر من التعليمات البرمجية. مع بعض التخصيص ، يمكنك تنفيذ نفس عملية التشفير لأنواع وأطر عمل مختلفة ، بغض النظر عن بيانات التدريب.
إذا كنت ترغب في معرفة المزيد حول بناء حل ML يستخدم التشفير متماثل الشكل ، فتواصل مع فريق حساب AWS الخاص بك أو شريك Leidos لمعرفة المزيد. يمكنك أيضًا الرجوع إلى الموارد التالية للحصول على مزيد من الأمثلة:
يحتوي المحتوى والآراء الواردة في هذا المنشور على آراء مؤلفين تابعين لجهات خارجية ولا تتحمل AWS مسؤولية محتوى هذا المنشور أو دقته.
الزائدة الدودية
البرنامج التدريبي الكامل كما يلي:
حول المؤلف
ليف داليبرتي باحث في Leidos AI / ML Accelerator التابع لمكتب التكنولوجيا. يركز بحثهم على التعلم الآلي الذي يحافظ على الخصوصية.
منبير غولاتي باحث في Leidos AI / ML Accelerator التابع لمكتب التكنولوجيا. يركز بحثه على تقاطع الأمن السيبراني وتهديدات الذكاء الاصطناعي الناشئة.
جو كوفبا هو رائد ممارسات مركز سحابي للتميز داخل مسرع التحديث الرقمي Leidos تحت مكتب التكنولوجيا. في أوقات فراغه ، يستمتع بتحكيم مباريات كرة القدم ولعب الكرة اللينة.
بن سنايفلي مهندس حلول متخصص في القطاع العام. إنه يعمل مع العملاء الحكوميين وغير الربحيين والتعليم في البيانات الضخمة والمشاريع التحليلية ، مما يساعدهم على بناء حلول باستخدام AWS. في أوقات فراغه ، يضيف مستشعرات إنترنت الأشياء في جميع أنحاء منزله ويقوم بإجراء التحليلات عليها.
سامي هدى هو مهندس حلول أول في قسم استشارات الشركاء ويغطي القطاع العام في جميع أنحاء العالم. سامي شغوف بالمشاريع التي يمكن فيها استخدام أجزاء متساوية من التفكير التصميمي والابتكار والذكاء العاطفي لحل المشكلات والتأثير على الأشخاص المحتاجين.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/enable-fully-homomorphic-encryption-with-amazon-sagemaker-endpoints-for-secure-real-time-inferencing/
- :يكون
- ] [ص
- $ UP
- 1
- 10
- 100
- 11
- 7
- a
- القدرة
- ماهرون
- من نحن
- مسرع
- استمر
- مقبول
- الوصول
- حسابي
- دقة
- التأهيل
- في
- إضافي
- العنوان
- يضيف
- بعد
- AI
- AI / ML
- الكل
- يسمح
- بالرغم ان
- أمازون
- بوابة أمازون API
- الأمازون SageMaker
- تحليلية
- تحليلات
- و
- API
- تطبيق
- التطبيقات
- تطبيقي
- نهج
- مناسب
- معماري
- هندسة معمارية
- هي
- AS
- At
- الكتاب
- متاح
- AWS
- BE
- لان
- وراء
- أفضل
- أفضل الممارسات
- انحياز
- كبير
- البيانات الكبيرة
- الجسدي
- نساعدك في بناء
- ابني
- بنيت
- الأعمال
- by
- دعوة
- المتصل
- CAN
- الحالات
- مركز
- مركز التميز
- مركزي
- التحديات
- رسم
- التحقق
- خيار
- اختار
- فئة
- سوائل التنظيف
- مو
- زبون
- اغلاق
- سحابة
- الكود
- مشترك
- إكمال
- حساب
- الحسابات
- إحصاء
- الحوسبة
- سرية
- بناء
- الاستشارات
- مستهلك
- وعاء
- يحتوي
- محتوى
- سياق الكلام
- ذو شاهد
- جوهر
- التكلفة
- زوجان
- تغطية
- خلق
- حرج
- على
- العملاء
- التخصيص
- الأمن السيبراني
- البيانات
- قواعد البيانات
- فك تشفير
- عميق
- التعلم العميق
- الترتيب
- الدفاع
- شرح
- اعتمادا
- نشر
- نشر
- تصميم
- تصميم التفكير
- تطوير
- المطورين
- DICT
- مختلف
- رقمي
- مباشرة
- الدلائل
- تقسيم
- لا
- لا
- عيوب
- أثناء
- كل
- التعليم
- الناشئة
- تمكين
- تمكن
- مشفرة
- التشفير
- النهائي إلى نهاية
- نقطة النهاية
- الهندسة
- كامل
- دخول
- البيئات
- معادلات
- خطأ
- حتى
- مثال
- أمثلة
- التشغيلي
- توقع
- متوقع
- خبرائنا
- شرح
- استكشاف
- مد
- خارجي
- استخراج
- الميزات
- قليل
- الشكل
- الاسم الأول
- تناسب
- ثابت
- سريع
- يطفو على السطح
- يطفو
- ويركز
- اتباع
- متابعيك
- متابعات
- كرة القدم
- في حالة
- Fortune
- الإطار
- الأطر
- مجانًا
- تبدأ من
- بالإضافة إلى
- تماما
- وظائف
- ألعاب
- بوابة
- على العموم
- توليد
- دولار فقط واحصل على خصم XNUMX% على جميع
- منح
- حكومة
- أكبر
- مقبض
- يملك
- وجود
- الرعاية الصحية
- مساعدة
- جدا
- البلد الام
- الأمن الداخلي
- مضيف
- منـزل
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- هوية
- التأثير
- تنفيذ
- التنفيذ
- استيراد
- أهمية
- in
- لا يمكن الوصول إليها
- يشمل
- بما فيه
- الوارد
- القيمة الاسمية
- مستقل
- بشكل مستقل
- معلومات
- الابتكار
- إدخال
- تثبيت
- مثل
- بدلًا من ذلك
- دمج
- التكامل
- رؤيتنا
- التفاعلية
- وسيط
- تقاطع طرق
- قام المحفل
- معزول
- IT
- انها
- مشترك
- القفل
- مفاتيح
- كبير
- أكبر
- كمون
- أطلقت
- قيادة
- زعيم
- تعلم
- تعلم
- ومستوياتها
- دورة حياة
- مثل
- القيود
- خطوط
- تحميل
- محليا
- منخفض
- آلة
- آلة التعلم
- جعل
- يصنع
- تمكن
- رسم الخرائط
- الأسواق
- رياضي
- يعني
- المذكورة
- مایکروسافت
- ربما
- ML
- موضة
- نموذج
- عارضات ازياء
- الأكثر من ذلك
- أكثر
- ضروري
- حاجة
- إحتياجات
- جديد
- التالي
- نيترو
- ضجيج
- غير هادفة للربح
- عادة
- مفكرة
- Notion
- عدد
- أرقام
- نمباي
- موضوع
- of
- Office
- حاليا
- on
- جاكيت
- عملية
- عمليات
- آراء
- الأمثل
- طلب
- OS
- أخرى
- الناتج
- الباندا
- المعلمة
- المعلمات
- الشريكة
- شراكة
- شركاء
- أجزاء
- مرور
- عاطفي
- مسار
- أنماط
- مجتمع
- نفذ
- أداء
- أداء
- خط أنابيب
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- لعب
- البوينت
- سياسة
- الرائج
- ممكن
- منشور
- يحتمل
- ممارسة
- الممارسات
- تنبأ
- وتوقع
- تنبؤ
- تنبؤات
- متنبئ
- إعداد
- خصوصية
- خاص
- المفتاح الخاص
- مشاكل
- عملية المعالجة
- معالجتها
- العمليات
- معالجة
- المعالج
- أنتج
- المنتج
- مشروع ناجح
- الحماية
- مزود
- ويوفر
- جمهور
- مفتاح العام
- المفاتيح العامة
- سحب
- وضع
- بايثون
- بدلا
- الوصول
- استعداد
- حقيقي
- في الوقت الحقيقي
- تلقى
- تسجيل
- ما هو مقنن
- ذات الصلة
- بقايا
- ممثلة
- طلب
- طلبات
- مطلوب
- المتطلبات
- المتطلبات الأساسية
- بحث
- الباحث
- الموارد
- استجابة
- مسؤول
- REST
- نتيجة
- مما أدى
- النتائج
- عائد أعلى
- عائدات
- كشف
- النوع
- صف
- يجري
- sagemaker
- الاستدلال SageMaker
- نفسه
- حفظ
- تحجيم
- حجم
- التحجيم
- مخطط
- مخططات
- علوم
- العلوم والتكنولوجيا
- ثواني
- أقسام
- القطاع
- تأمين
- أمن
- يرى
- مختار
- اختيار
- إرسال
- كبير
- حساس
- أجهزة الاستشعار
- Serverless
- خدماتنا
- طقم
- الإعداد
- ينبغي
- إظهار
- أظهرت
- يظهر
- جانب
- مماثل
- الاشارات
- تبسيط
- المقاس
- بطيء
- صغير
- الأصغر
- So
- حل
- الحلول
- حل
- بعض
- متخصص
- المسرح
- بداية
- الولايه او المحافظه
- المحافظة
- ثابت
- خطوات
- تخزين
- متجر
- تخزين
- فروعنا
- تخزين
- مدعومة
- نظام
- أنظمة
- الهدف
- فريق
- تكنولوجيا
- النماذج
- تجربه بالعربي
- الاختبار
- أن
- •
- من مشاركة
- منهم
- أنفسهم
- تشبه
- تفكير
- طرف ثالث
- التهديدات
- عبر
- طوال
- الإنتاجية
- الوقت
- إلى
- سويا
- جدا
- أدوات
- تيشرت
- الإجمالي
- قطار
- متدرب
- قادة الإيمان
- تحول
- عبور
- نقل
- افضل
- أنواع
- مع
- التي تقوم عليها
- فتح
- غير المستخدمة
- تحميل
- تستخدم
- المستخدمين
- قيمنا
- فيديو
- التي
- سوف
- مع
- في غضون
- بدون
- للعمل
- عامل
- أعمال
- العالم
- في جميع أنحاء العالم
- جدير بالاهتمام
- سوف
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- موقع YouTube
- زفيرنت