זהו פוסט משותף שנכתב על ידי Leidos ו-AWS. Leidos היא מובילת פתרונות מדע וטכנולוגיה של FORTUNE 500 הפועלת כדי להתמודד עם כמה מהאתגרים הקשים בעולם בשווקי ההגנה, המודיעין, ביטחון המולדת, האזרחים והבריאות.
Leidos שיתפה פעולה עם AWS כדי לפתח גישה ליצירת מודלים של למידת מכונה סודית (ML) לשמירה על הפרטיות, שבה אתה בונה צינורות מוצפנים התומכים בענן.
הצפנה הומומורפית היא גישה חדשה להצפנה המאפשרת להפעיל חישובים ופונקציות אנליטיות על נתונים מוצפנים, ללא צורך תחילה לפענח אותם, על מנת לשמור על הפרטיות במקרים בהם יש לך מדיניות שקובעת שאסור לפענח נתונים. הצפנה הומומורפית מלאה (FHE) היא הרעיון החזק ביותר של סוג זה של גישה, והיא מאפשרת לך לפתוח את הערך של הנתונים שלך כאשר אפס אמון הוא המפתח. דרישת הליבה היא שהנתונים צריכים להיות מסוגלים להיות מיוצגים עם מספרים באמצעות טכניקת קידוד, אותה ניתן ליישם על מערכי נתונים מספריים, טקסטואליים ותמונה מבוססי. הנתונים המשתמשים ב-FHE גדולים יותר בגודלם, ולכן יש לבצע בדיקות עבור יישומים הדורשים ביצוע מסקנות כמעט בזמן אמת או עם מגבלות גודל. חשוב גם לנסח את כל החישובים כמשוואות ליניאריות.
בפוסט זה, אנו מראים כיצד להפעיל תחזיות ML המשמרות פרטיות עבור הסביבות המוסדרות ביותר. התחזיות (ההסקה) משתמשות בנתונים מוצפנים והתוצאות מפוענחות רק על ידי צרכן הקצה (צד הלקוח).
כדי להדגים זאת, אנו מציגים דוגמה להתאמה אישית של אמזון SageMaker מיכל למידה עמוקה של Scikit-learn, קוד פתוח כדי לאפשר לנקודת קצה פרוסה לקבל בקשות הסקה מוצפנות בצד הלקוח. למרות שדוגמה זו מראה כיצד לבצע זאת עבור פעולות מסקנות, אתה יכול להרחיב את הפתרון לאימון ולשלבי ML אחרים.
נקודות הקצה נפרסות בכמה לחיצות או שורות קוד באמצעות SageMaker, מה שמפשט את התהליך עבור מפתחים ומומחי ML לבנות ולהכשיר מודלים של ML ולמידה עמוקה בענן. לאחר מכן ניתן לפרוס מודלים שנבנו באמצעות SageMaker נקודות קצה בזמן אמת, שהוא קריטי עבור עומסי עבודה מסקנתיים שבהם יש לך דרישות זמן אמת, מצב יציב, זמן אחזור נמוך. יישומים ושירותים יכולים להתקשר ישירות לנקודת הקצה הפרוסה או דרך שרת ללא שרת פרוס שער API של אמזון ארכיטקטורה. למידע נוסף על שיטות עבודה מומלצות ארכיטקטוניות בזמן אמת של נקודות קצה, עיין ב יצירת REST API המופעל על ידי למידה באמצעות תבניות מיפוי של Amazon API Gateway ו- Amazon SageMaker. האיור הבא מציג את שתי הגרסאות של דפוסים אלה.
בשני הדפוסים הללו, הצפנה במעבר מספקת סודיות כאשר הנתונים זורמים דרך השירותים לביצוע פעולת ההסקה. כאשר מתקבלים על ידי נקודת הקצה של SageMaker, הנתונים מפוענחים בדרך כלל כדי לבצע את פעולת ההסקה בזמן ריצה, ואינם נגישים לכל קוד ותהליכים חיצוניים. כדי להשיג רמות נוספות של הגנה, FHE מאפשר לפעולת ההסקה ליצור תוצאות מוצפנות שעבורן ניתן לפענח את התוצאות על ידי אפליקציה או לקוח מהימן.
עוד על הצפנה הומומורפית מלאה
FHE מאפשרת למערכות לבצע חישובים על נתונים מוצפנים. החישובים המתקבלים, כשהם מפוענחים, קרובים באופן שליטה לאלו שנוצרו ללא תהליך ההצפנה. FHE יכול לגרום לחוסר דיוק מתמטי קטן, בדומה לשגיאת נקודה צפה, עקב רעש המוזרק לחישוב. זה נשלט על ידי בחירת פרמטרי הצפנת FHE מתאימים, שהוא פרמטר מכוון ספציפי לבעיה. למידע נוסף, בדוק את הסרטון איך תסביר הצפנה הומומורפית?
התרשים הבא מספק דוגמה ליישום של מערכת FHE.
במערכת זו, אתה או הלקוח המהימן שלך יכולים לעשות את הפעולות הבאות:
- הצפין את הנתונים באמצעות סכימת מפתח ציבורי FHE. ישנן כמה תוכניות מקובלות שונות; בדוגמה זו, אנו משתמשים בסכימת CKKS. למידע נוסף על תהליך הצפנת המפתח הציבורי של FHE שבחרנו, עיין CKKS הסביר.
- שלח נתונים מוצפנים בצד הלקוח לספק או לשרת לצורך עיבוד.
- לבצע הסקת מודל על נתונים מוצפנים; עם FHE, אין צורך בפענוח.
- תוצאות מוצפנות מוחזרות למתקשר ולאחר מכן מפוענחות כדי לחשוף את התוצאה שלך באמצעות מפתח פרטי שזמין רק לך או למשתמשים המהימנים שלך בתוך הלקוח.
השתמשנו בארכיטקטורה הקודמת כדי להגדיר דוגמה באמצעות נקודות קצה של SageMaker, פיפל כמעטפת FHE API המפשטת את האינטגרציה עם יישומי ML, וכן חותם בתור ערכת הכלים הבסיסית להצפנת FHE.
סקירת פתרונות
בנינו דוגמה של צינור FHE ניתן להרחבה ב-AWS באמצעות SK למד רגרסיה לוגיסטית מיכל למידה עמוקה עם ה מערך איריס. אנו מבצעים חקר נתונים והנדסת תכונות באמצעות מחברת SageMaker, ולאחר מכן מבצעים אימון מודלים באמצעות א עבודת הדרכה של SageMaker. המודל המתקבל הוא פרס לנקודת קצה של SageMaker בזמן אמת לשימוש על ידי שירותי לקוחות, כפי שמוצג בתרשים הבא.
בארכיטקטורה זו, רק יישום הלקוח רואה נתונים לא מוצפנים. הנתונים המעובדים באמצעות המודל להסקת מסקנות נשארים מוצפנים לאורך כל מחזור החיים שלו, אפילו בזמן ריצה בתוך המעבד במבודד AWS Nitro Enclave. בסעיפים הבאים, אנו עוברים על הקוד לבניית צינור זה.
תנאים מוקדמים
כדי לעקוב, אנו מניחים שהשקת א מחברת SageMaker עם AWS זהות וניהול גישה (IAM) תפקיד עם ה AmazonSageMakerFullAccess מדיניות מנוהלת.
הרכבת הדגם
התרשים הבא ממחיש את זרימת העבודה של אימון המודל.
הקוד הבא מראה כיצד אנו מכינים תחילה את הנתונים לאימון באמצעות מחברות SageMaker על ידי שליפת מערך ההדרכה שלנו, ביצוע פעולות הניקוי הדרושות ולאחר מכן העלאת הנתונים ל- שירות אחסון פשוט של אמזון דלי (Amazon S3). בשלב זה, ייתכן שתצטרך גם לבצע הנדסת תכונות נוספת של מערך הנתונים שלך או לשלב עם חנויות תכונות לא מקוונות שונות.
בדוגמה זו אנו משתמשים מצב סקריפט על מסגרת נתמכת באופן מקורי בתוך SageMaker (סקיקיט-לימוד), שבו אנו מייצרים את מעריך ברירת המחדל של SageMaker SKLearn עם סקריפט הדרכה מותאם אישית לטיפול בנתונים המוצפנים במהלך ההסקה. כדי לראות מידע נוסף על מסגרות נתמכות מקוריות ומצב סקריפט, עיין ב השתמש במסגרות למידת מכונה, Python ו-R עם Amazon SageMaker.
לבסוף, אנו מאמנים את המודל שלנו על מערך הנתונים ופורסים את המודל המאומן שלנו לסוג המופע שנבחר.
בשלב זה, אימנו מודל SKLearn FHE מותאם אישית ופרסנו אותו לנקודת קצה של SageMaker בזמן אמת שמוכנה לקבל נתונים מוצפנים.
הצפנה ושלח נתוני לקוח
התרשים הבא ממחיש את זרימת העבודה של הצפנה ושליחה של נתוני לקוח למודל.
ברוב המקרים, המטען של השיחה לנקודת הקצה המסקנת מכיל את הנתונים המוצפנים במקום לשמור אותם באמזון S3 תחילה. אנו עושים זאת בדוגמה זו מכיוון שצירפנו יחד מספר רב של רשומות לשיחת ההסקה. בפועל, גודל אצווה זה יהיה קטן יותר או במקום זאת ישתמשו בהמרת אצווה. שימוש ב-Amazon S3 כמתווך אינו נדרש עבור FHE.
כעת, לאחר שהוגדרה נקודת הסיום, אנו יכולים להתחיל לשלוח נתונים. בדרך כלל אנו משתמשים במערך נתונים שונים של בדיקות והדרכה, אך עבור דוגמה זו אנו משתמשים באותו מערך אימון.
ראשית, אנו טוענים את מערך הנתונים של Iris בצד הלקוח. לאחר מכן, הגדרנו את הקשר FHE באמצעות Pyfhel. בחרנו ב-Pyfhel לתהליך זה מכיוון שהוא פשוט להתקנה ולעבודה איתו, כולל סכימות FHE פופולריות, ומסתמך על הטמעת הצפנה מהימנה במקור פתוח חותם. בדוגמה זו, אנו שולחים את הנתונים המוצפנים, יחד עם מידע מפתחות ציבוריים עבור ערכת FHE זו, לשרת, מה שמאפשר לנקודת הקצה להצפין את התוצאה כדי לשלוח לצדה עם פרמטרי ה-FHE הדרושים, אך לא נותן לה את היכולת לפענח את הנתונים הנכנסים. המפתח הפרטי נשאר רק אצל הלקוח, שיש לו את היכולת לפענח את התוצאות.
לאחר שהצפינו את הנתונים שלנו, הרכבנו מילון נתונים מלא - כולל המפתחות הרלוונטיים ונתונים מוצפנים - שיישמר ב-Amazon S3. לאחר מכן, המודל מבצע את התחזיות שלו על הנתונים המוצפנים מהלקוח, כפי שמוצג בקוד הבא. שימו לב שאנחנו לא משדרים את המפתח הפרטי, כך שהמארח של הדגם לא יכול לפענח את הנתונים. בדוגמה זו, אנו מעבירים את הנתונים כאובייקט S3; לחלופין, הנתונים הללו עשויים להישלח ישירות לנקודת הקצה של Sagemaker. כנקודת קצה בזמן אמת, המטען מכיל את פרמטר הנתונים בגוף הבקשה, המוזכר ב- תיעוד SageMaker.
צילום המסך הבא מציג את התחזית המרכזית בפנים fhe_train.py
(הנספח מציג את כל תסריט ההדרכה).
אנו מחשבים את התוצאות של הרגרסיה הלוגיסטית המוצפנת שלנו. קוד זה מחשב מוצר סקלרי מוצפן עבור כל מחלקה אפשרית ומחזיר את התוצאות ללקוח. התוצאות הן הלוגיטים החזויים עבור כל מחלקה בכל הדוגמאות.
הלקוח מחזיר תוצאות מפוענחות
התרשים הבא ממחיש את זרימת העבודה של הלקוח המאחזר את התוצאה המוצפנת שלו ומפענח אותה (עם המפתח הפרטי שרק לו יש גישה אליו) כדי לחשוף את תוצאת ההסקה.
בדוגמה זו, התוצאות מאוחסנות באמזון S3, אך בדרך כלל זה יוחזר דרך המטען של נקודת הקצה בזמן אמת. שימוש ב-Amazon S3 כמתווך אינו נדרש עבור FHE.
תוצאת ההסקה תהיה קרובה בשליטה לתוצאות כאילו חישבו אותה בעצמם, מבלי להשתמש ב-FHE.
לנקות את
אנו מסיימים תהליך זה על ידי מחיקת נקודת הקצה שיצרנו, כדי לוודא שאין שום מחשוב שאינו בשימוש לאחר תהליך זה.
תוצאות ושיקולים
אחד החסרונות הנפוצים של שימוש ב-FHE על גבי מודלים הוא שהוא מוסיף תקורה חישובית, מה שהופך את המודל המתקבל לאיטי מדי עבור מקרי שימוש אינטראקטיביים. אבל, במקרים בהם הנתונים רגישים ביותר, ייתכן שכדאי לקבל את הפשרה הזו. עם זאת, עבור הרגרסיה הלוגיסטית הפשוטה שלנו, אנו מסוגלים לעבד 140 דגימות נתוני קלט תוך 60 שניות ולראות ביצועים ליניאריים. התרשים הבא כולל את הזמן הכולל מקצה לקצה, כולל הזמן שבוצע על ידי הלקוח כדי להצפין את הקלט ולפענח את התוצאות. הוא משתמש גם ב-Amazon S3, שמוסיף חביון ואינו נדרש במקרים אלה.
אנו רואים קנה מידה ליניארי כאשר אנו מגדילים את מספר הדוגמאות מ-1 ל-150. זה צפוי מכיוון שכל דוגמה מוצפנת באופן עצמאי זו מזו, ולכן אנו מצפים לעלייה ליניארית בחישוב, עם עלות התקנה קבועה.
זה גם אומר שאתה יכול להרחיב את צי ההסקנות שלך בצורה אופקית עבור תפוקת בקשות גדולה יותר מאחורי נקודת הקצה של SageMaker שלך. אתה יכול להשתמש אמזון SageMaker Inference Recommend כדי לייעל את הצי שלך בהתאם לצרכים העסקיים שלך.
סיכום
והנה: הצפנה הומומורפית מלאה עבור מודל רגרסיה לוגיסטי SKLearn שתוכל להגדיר עם כמה שורות קוד. עם קצת התאמה אישית, אתה יכול ליישם את אותו תהליך הצפנה עבור סוגי מודלים ומסגרות שונות, ללא תלות בנתוני ההדרכה.
אם תרצה ללמוד עוד על בניית פתרון ML המשתמש בהצפנה הומומורפית, פנה לצוות חשבון AWS או לשותף שלך, Leidos, כדי ללמוד עוד. אתה יכול גם לעיין במשאבים הבאים לקבלת דוגמאות נוספות:
התוכן והדעות בפוסט זה מכילים אלה של מחברי צד שלישי ו-AWS אינה אחראית לתוכן או לדיוק של פוסט זה.
נספח
תסריט ההדרכה המלא הוא כדלקמן:
על הכותבים
ליב ד'אליברטי הוא חוקר ב-Leidos AI/ML Accelerator תחת המשרד לטכנולוגיה. המחקר שלהם מתמקד בלמידת מכונה משמרת הפרטיות.
מנביר גולאטי הוא חוקר ב-Leidos AI/ML Accelerator תחת המשרד לטכנולוגיה. המחקר שלו מתמקד בהצטלבות של אבטחת סייבר ואיומי AI מתעוררים.
ג'ו קובבה הוא מוביל תרגול של מרכז ענן למצוינות בתוך מאיץ המודרניזציה הדיגיטלית של Leidos תחת משרד הטכנולוגיה. בזמנו הפנוי הוא נהנה לשפוט משחקי כדורגל ולשחק סופטבול.
בן סניוולי הוא אדריכל פתרונות מומחה במגזר הציבורי. הוא עובד עם לקוחות ממשלתיים, ללא מטרות רווח וחינוך על ביג דאטה ופרויקטים אנליטיים, ועוזר להם לבנות פתרונות באמצעות AWS. בזמנו הפנוי, הוא מוסיף חיישני IoT בכל ביתו ומפעיל עליהם אנליטיקה.
סמי הודה הוא אדריכל פתרונות בכיר בחטיבת הייעוץ Partners המכסה את המגזר הציבורי העולמי. סמי נלהב מפרויקטים שבהם חלקים שווים יכולים לשמש חשיבה עיצובית, חדשנות ואינטליגנציה רגשית כדי לפתור בעיות ולהשפיע על אנשים נזקקים.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/enable-fully-homomorphic-encryption-with-amazon-sagemaker-endpoints-for-secure-real-time-inferencing/
- :הוא
- ][עמ'
- $ למעלה
- 1
- 10
- 100
- 11
- 7
- a
- יכולת
- יכול
- אודות
- מאיץ
- לְקַבֵּל
- קביל
- גישה
- חֶשְׁבּוֹן
- דיוק
- להשיג
- לרוחב
- נוסף
- כתובת
- מוסיף
- לאחר
- AI
- AI / ML
- תעשיות
- מאפשר
- למרות
- אמזון בעברית
- שער API של אמזון
- אמזון SageMaker
- אנליטית
- ניתוח
- ו
- API
- בקשה
- יישומים
- יישומית
- גישה
- מתאים
- אדריכלי
- ארכיטקטורה
- ARE
- AS
- At
- מחברים
- זמין
- AWS
- BE
- כי
- מאחור
- הטוב ביותר
- שיטות עבודה מומלצות
- הטיה
- גָדוֹל
- נתונים גדולים
- גוּף
- לִבנוֹת
- בִּניָן
- נבנה
- עסקים
- by
- שיחה
- שיחה
- CAN
- מקרים
- מרכז
- מרכז המצוינות
- מֶרכָּזִי
- האתגרים
- תרשים
- לבדוק
- בחירה
- בחר
- בכיתה
- ניקוי
- CLF
- לקוחות
- סְגוֹר
- ענן
- קוד
- Common
- להשלים
- חישוב
- חישובים
- לחשב
- מחשוב
- סודיות
- לבנות
- ייעוץ
- צרכן
- מכולה
- מכיל
- תוכן
- הקשר
- נשלט
- ליבה
- עלות
- זוג
- כיסוי
- נוצר
- קריטי
- מנהג
- לקוחות
- התאמה אישית
- אבטחת סייבר
- נתונים
- מערכי נתונים
- פענוח
- עמוק
- למידה עמוקה
- בְּרִירַת מֶחדָל
- גופי בטחון
- להפגין
- תלוי
- לפרוס
- פרס
- עיצוב
- חשיבת תכנון
- לפתח
- מפתחים
- DICT
- אחר
- דיגיטלי
- ישירות
- ספריות
- חטיבה
- לא
- לא
- חסרונות
- בְּמַהֲלָך
- כל אחד
- חינוך
- מתעורר
- לאפשר
- מאפשר
- מוצפן
- הצף
- מקצה לקצה
- נקודת קצה
- הנדסה
- שלם
- כניסה
- סביבות
- משוואות
- שגיאה
- אֲפִילוּ
- דוגמה
- דוגמאות
- אקסלנס
- לצפות
- צפוי
- מומחים
- להסביר
- חקירה
- להאריך
- חיצוני
- תמצית
- מאפיין
- מעטים
- תרשים
- ראשון
- מתאים
- קבוע
- צי
- צף
- זורם
- מתמקד
- לעקוב
- הבא
- כדלקמן
- כדורגל
- בעד
- הון עתק
- מסגרת
- מסגרות
- חופשי
- החל מ-
- מלא
- לגמרי
- פונקציות
- משחקים
- שער כניסה
- בדרך כלל
- ליצור
- לקבל
- לתת
- ממשלה
- יותר
- לטפל
- יש
- יש
- בריאות
- עזרה
- מאוד
- מולדת
- הביטחון מולד
- המארח
- בית
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- זהות
- פְּגִיעָה
- ליישם
- הפעלה
- לייבא
- חשוב
- in
- לא נגיש
- כולל
- כולל
- נכנס
- להגדיל
- עצמאי
- באופן עצמאי
- מידע
- חדשנות
- קלט
- להתקין
- למשל
- במקום
- לשלב
- השתלבות
- מוֹדִיעִין
- אינטראקטיבי
- מתווך
- הִצטַלְבוּת
- IOT
- מְבוּדָד
- IT
- שֶׁלָה
- משותף
- מפתח
- מפתחות
- גָדוֹל
- גדול יותר
- חֶבִיוֹן
- הושק
- עוֹפֶרֶת
- מנהיג
- לִלמוֹד
- למידה
- רמות
- מעגל החיים
- כמו
- מגבלות
- קווים
- לִטעוֹן
- באופן מקומי
- נמוך
- מכונה
- למידת מכונה
- לעשות
- עושה
- הצליח
- מיפוי
- שוקי
- מתימטי
- אומר
- מוּזְכָּר
- מיקרוסופט
- יכול
- ML
- מצב
- מודל
- מודלים
- יותר
- רוב
- הכרחי
- צורך
- צרכי
- חדש
- הבא
- Nitro
- רעש
- ללא כוונת רווח
- בדרך כלל
- מחברה
- רעיון
- מספר
- מספרים
- קהות
- אובייקט
- of
- Office
- לא מחובר
- on
- לפתוח
- מבצע
- תפעול
- דעות
- מטב
- להזמין
- OS
- אחר
- תפוקה
- דובי פנדה
- פרמטר
- פרמטרים
- שותף
- שותף
- שותפים
- חלקים
- חולף
- לוהט
- נתיב
- דפוסי
- אֲנָשִׁים
- לְבַצֵעַ
- ביצועים
- ביצוע
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- נקודה
- מדיניות
- פופולרי
- אפשרי
- הודעה
- פוטנציאל
- תרגול
- פרקטיקות
- לחזות
- חזה
- נבואה
- התחזיות
- חיזוי
- להכין
- פְּרָטִיוּת
- פְּרָטִי
- מפתח פרטי
- בעיות
- תהליך
- מעובד
- תהליכים
- תהליך
- מעבד
- מיוצר
- המוצר
- פרויקטים
- .
- ספק
- מספק
- ציבורי
- מפתח ציבורי
- מפתחות ציבוריים
- מושך
- גם
- פיתון
- במקום
- לְהַגִיעַ
- מוכן
- ממשי
- זמן אמת
- קיבלו
- רשום
- מוסדר
- רלוונטי
- שְׂרִידִים
- מיוצג
- לבקש
- בקשות
- נדרש
- דרישה
- דרישות
- מחקר
- חוקר
- משאבים
- תגובה
- אחראי
- REST
- תוצאה
- וכתוצאה מכך
- תוצאות
- לַחֲזוֹר
- החזרות
- לגלות
- תפקיד
- שׁוּרָה
- הפעלה
- בעל חכמים
- SageMaker Inference
- אותו
- שמור
- להרחבה
- סולם
- דרוג
- תכנית
- תוכניות
- מדע
- מדע וטכנולוגיה
- שניות
- סעיפים
- מגזר
- לבטח
- אבטחה
- רואה
- נבחר
- בחירה
- שליחה
- לחצני מצוקה לפנסיונרים
- רגיש
- חיישנים
- ללא שרת
- שירותים
- סט
- התקנה
- צריך
- לְהַצִיג
- הראה
- הופעות
- צד
- דומה
- פָּשׁוּט
- מפשט
- מידה
- להאט
- קטן
- קטן יותר
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- מומחה
- התמחות
- התחלה
- מדינה
- הברית
- יציב
- צעדים
- אחסון
- חנות
- מאוחסן
- חנויות
- אחסון
- נתמך
- מערכת
- מערכות
- יעד
- נבחרת
- טכנולוגיה
- תבניות
- מבחן
- בדיקות
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- עצמם
- אלה
- חושב
- צד שלישי
- איומים
- דרך
- בכל
- תפוקה
- זמן
- ל
- יַחַד
- גַם
- ארגז כלים
- חלק עליון
- סה"כ
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- מעבר
- לְהַעֲבִיר
- מהימן
- סוגים
- תחת
- בְּסִיסִי
- לפתוח
- לא בשימוש
- העלאה
- להשתמש
- משתמשים
- ערך
- וִידֵאוֹ
- אשר
- יצטרך
- עם
- בתוך
- לְלֹא
- תיק עבודות
- עובד
- עובד
- של העולם
- עולמי
- כדאי
- היה
- אתה
- YouTube
- זפירנט