Google Kryptografisches Protokoll für vertrauliches mehrseitiges Berechnen , das die Analyse und Berechnungen an verschlüsselten Datensätzen von mehreren Teilnehmern ermöglicht, während die Vertraulichkeit der Daten jedes Teilnehmers gewahrt bleibt (jeder Teilnehmer hat keine Möglichkeit, Informationen über die Daten anderer Teilnehmer zu erhalten, kann jedoch allgemeine Berechnungen durchführen, ohne diese zu entschlüsseln). Der Implementierungscode des Protokolls unter der Apache 2.0-Lizenz.
Private Join and Compute ermöglicht es, einen privaten Datensatz an eine dritte Partei zu übergeben, die eine Analyse durchführen und in allgemeiner Form Unterschiede zu ihrem eigenen Datensatz bewerten kann, ohne die jeweiligen Werte spezifischer Datensätze zu erfahren. So können beispielsweise in einem verschlüsselten Datensatz Informationen wie die Anzahl übereinstimmender Identifikatoren und die Summen der Werte übereinstimmender Datensätze erhalten werden. Dabei ist es nicht möglich, die genauen Werte und Identifikatoren zu erfahren, die im Datensatz vorhanden sind.
Das Protokoll Private Join and Compute, auch bekannt als Private Intersection-Sum, basiert auf der Kombination des Protokolls (Random Oblivious Transfer), verschlüsselte und doppelte Maskierung .
Das vorgeschlagene System kann nützlich sein, wenn beispielsweise eine medizinische Einrichtung Informationen über den Gesundheitszustand der Patienten hat, während eine andere Daten über die Verschreibung eines neuen prophylaktischen Medikaments besitzt. Das Protokoll „Private Join and Compute“ ermöglicht es, verschlüsselte Datensätze zu kombinieren, ohne Informationen preiszugeben, und gemeinsame Statistiken zu erstellen, die zeigen, ob das verschriebene Medikament die Erkrankungsraten senkt oder nicht. Ein weiteres Beispiel könnte die Auswertung von Daten aus einem Unfallbericht der Verkehrspolizei und einer Datenbank zu modernen Sicherheitsmitteln in Fahrzeugen sein, um den Einfluss dieser Mittel auf die Anzahl der Unfälle zu bewerten.
Ein weiteres Beispiel wäre, basierend auf den Mitarbeiterdaten eines Unternehmens und den Kaufdaten eines anderen Unternehmens zu berechnen, wie viele Mitarbeiter des ersten Unternehmens Käufe im zweiten Unternehmen getätigt haben und in welcher Höhe. Im Kontext von Werbenetzwerken können solche Berechnungen gemacht werden, um die Effektivität von Werbekampagnen zu bewerten, indem man Listen von Nutzern verwendet, denen die Werbung angezeigt wurde (oder die auf den Link geklickt haben) und die Käufe im Online-Shop getätigt haben.
Quelle: opennet.ru
