IBM Unternehmen über die Veröffentlichung des Quellcodes des Toolkits (IBM Fully Homomorphic Encryption) mit der Implementierung des Systems zur Verarbeitung von Daten in verschlüsselter Form. FHE ermöglicht die Erstellung von Diensten für vertrauliche Berechnungen, bei denen Daten verschlüsselt verarbeitet werden und zu keinem Zeitpunkt in offener Form vorliegen. Das Ergebnis wird ebenfalls verschlüsselt erzeugt. Der Code ist in C++ geschrieben und unter der MIT-Lizenz. Neben der Version für Linux werden parallel ähnliche Toolkits für und , geschrieben in Objective-C, entwickelt. In naher Zukunft wird die Veröffentlichung einer Version für .
FHE unterstützt homomorphe Operationen, die es ermöglichen, verschlüsselte Daten zu addieren und zu multiplizieren (d.h. beliebige Berechnungen durchzuführen) und ein verschlüsseltes Ergebnis zu erhalten, das dem Verschlüsselungsergebnis der Addition oder Multiplikation der Ausgangsdaten entspricht. Die homomorphe Verschlüsselung kann als nächste Entwicklungsstufe der End-to-End-Verschlüsselung angesehen werden – neben dem Schutz der Datenübertragung wird die Möglichkeit zur Verarbeitung von Daten ohne deren Entschlüsselung bereitgestellt.
Aus praktischer Sicht kann das Framework nützlich sein für die Organisation vertraulicher Cloud-Computing-Anwendungen, in elektronischen Abstimmungssystemen, in anonymisierten Routing-Protokollen, für die verschlüsselte Verarbeitung von Anfragen in Datenbanksystemen, für das vertrauliche Training von Maschinenlernsystemen. Ein Beispiel für die Anwendung von FHE ist die Analyse von Patienteninformationen von medizinischen Einrichtungen durch Versicherungsunternehmen, ohne dass das Versicherungsunternehmen Zugang zu Informationen erhält, die spezifische Patienten identifizieren könnten. Ebenso die Entwicklung von Maschinenlernsystemen zur Erkennung von Betrugsoperationen mit Kreditkarten auf der Grundlage der Verarbeitung verschlüsselter anonymisierter Finanztransaktionen.
Das Toolkit enthält die Bibliothek mit der Implementierung mehrerer homomorpher Verschlüsselungsschemata, eine integrierte Entwicklungsumgebung (die Arbeit erfolgt über den Browser) und eine Reihe von Beispielen. Zur Vereinfachung der Bereitstellung wurden fertige Docker-Images auf Basis von CentOS, Fedora und Ubuntu erstellt. Es stehen auch Anleitungen zum Zusammenstellen des Toolkits aus dem Quellcode und zur Installation auf einem lokalen System zur Verfügung.
Das Projekt entwickelt sich seit 2009, doch es gelang erst jetzt, akzeptable Leistungskennzahlen zu erreichen, die eine praktische Anwendung ermöglichen. Es wird festgestellt, dass FHE homomorphe Berechnungen für alle Interessierten zugänglich macht; mit FHE können gewöhnliche Unternehmensprogrammierer in einer Minute die gleiche Arbeit erledigen, die zuvor Stunden oder Tage unter Zuhilfenahme von Experten mit akademischem Grad erforderte.
Von anderen Entwicklungen im Bereich der vertraulichen Berechnungen kann man erwähnen mit der Implementierung von Methoden , die mit ausreichend hoher Genauigkeit statistische Operationen auf Datensätzen ermöglichen, ohne dass die Identifizierung einzelner Aufzeichnungen möglich ist. Das Projekt wird gemeinsam von Forschern der Firma Microsoft und der Harvard University entwickelt. Die Implementierung ist in Rust und Python verfasst und unterliegt der MIT-Lizenz.
Die Analyse unter Verwendung von Methoden der differenziellen Privatsphäre ermöglicht es Organisationen, analytische Stichproben aus statistischen Datenbanken zu erstellen, ohne dass spezifische Merkmale einzelner Personen aus den Gesamtdaten herausgefiltert werden können. Beispielsweise können den Forschern Informationen zur Verfügung gestellt werden, die den Vergleich der durchschnittlichen Aufenthaltsdauer von Patienten in Krankenhäusern ermöglichen, während die Vertraulichkeit der Patienten gewahrt bleibt und keine Informationen über sie preisgegeben werden.
Zum Schutz identifizierbarer persönlicher oder vertraulicher Informationen kommen zwei Mechanismen zum Einsatz: 1. Die Hinzufügung eines geringen statistischen "Rauschens" zu jedem Ergebnis, das die Genauigkeit der extrahierten Daten nicht beeinträchtigt, jedoch den Beitrag einzelner Datenelemente verschleiert.
2. Die Nutzung eines Datenschutzbudgets, das den Umfang der für jede Anfrage bereitgestellten Daten begrenzt und zusätzliche Anfragen, die die Vertraulichkeit gefährden könnten, nicht zulässt.
Quelle: opennet.ru
