Die IBM Corporation über die Veröffentlichung des Quellcodes des Toolsets (IBM Fully Homomorphic Encryption) mit der Implementierung eines Systems zur Verarbeitung von Daten in verschlüsselter Form. FHE ermöglicht die Erstellung von Diensten für vertrauliche Berechnungen, bei denen Daten verschlüsselt verarbeitet werden und während keiner Phase offen sichtbar sind. Das Ergebnis wird ebenfalls in verschlüsselter Form erzeugt. Der Code ist in C++ geschrieben und steht unter der MIT-Lizenz. Neben der Version für Linux werden parallel ähnliche Toolsets für und , die in Objective-C geschrieben sind, entwickelt. In naher Zukunft wird eine Variante für .
FHE unterstützt Homomorphe Operationen ermöglichen das Ausführen von Addition und Multiplikation verschlüsselter Daten (d.h. beliebige Berechnungen können durchgeführt werden), wodurch ein verschlüsseltes Ergebnis erhalten wird, das der Verschlüsselung des Ergebnisses der Addition oder Multiplikation der Ausgangsdaten entspricht. Homomorphes Verschlüsseln kann als der nächste Schritt in der Entwicklung der Ende-zu-Ende-Verschlüsselung betrachtet werden – neben dem Schutz der Übertragung von Daten bietet es die Möglichkeit, Daten ohne deren Entschlüsselung zu verarbeiten.
Praktisch gesehen kann das Framework nützlich sein für die Organisation von vertraulichen Cloud-Computing-Lösungen, in Systemen für elektronische Abstimmungen, in anonymisierten Routing-Protokollen, für die verschlüsselte Verarbeitung von Anfragen in Datenbanksystemen und für vertrauliches Training von Machine-Learning-Systemen. Ein Beispiel für die Anwendung von FHE ist die Analyse von Informationen über Patienten in medizinischen Einrichtungen durch Versicherungsunternehmen, ohne dass das Versicherungsunternehmen Zugang zu Informationen erhält, die bestimmte Patienten identifizieren könnten. Auch Entwicklung von Machine-Learning-Systemen zur Erkennung von betrügerischen Kreditkartentransaktionen auf Basis der Verarbeitung verschlüsselter anonymer Finanztransaktionen.
Das Toolkit umfasst eine Bibliothek mit mehreren Implementierungen von homomorphen Verschlüsselungsschemata, einer integrierten Entwicklungsumgebung (die über den Browser funktioniert) und einer Sammlung von Beispielen. Für die vereinfachte Bereitstellung sind vorgefertigte Docker-Images auf Basis von CentOS, Fedora und Ubuntu verfügbar. Zudem gibt es Anleitungen zum Zusammenstellen des Toolkits aus dem Quellcode und zur Installation auf dem lokalen System.
Das Projekt wird seit 2009 weiterentwickelt, aber akzeptable Leistungswerte, die eine praktische Anwendung ermöglichen, konnten erst jetzt erreicht werden. Es wird festgestellt, dass FHE homomorphe Berechnungen für jedermann zugänglich macht; mit FHE können gewöhnliche Unternehmensprogrammierer in einer Minute dieselbe Arbeit erledigen, die früher Stunden und Tage in Anspruch nahm, wenn Experten mit akademischen Abschlüssen hinzugezogen wurden.
Andere Entwicklungen im Bereich vertrauliche Berechnungen umfassen mit der Implementierung von Methoden , die es ermöglichen, statistische Operationen mit hoher Genauigkeit auf Datensätzen durchzuführen, ohne einzelne Datensätze identifizierbar zu machen. Das Projekt wird gemeinsam von Forschern der Microsoft Corporation und der Harvard-Universität entwickelt. Die Implementierung erfolgt in Rust und Python und unter der MIT-Lizenz.
Die Analyse unter Anwendung von Methoden der differenziellen Privatsphäre erlaubt es Organisationen, analytische Stichproben aus statistischen Datenbanken zu erstellen, ohne dass die Parameter bestimmter Personen aus den allgemeinen Informationen hervorgehen können. So könnten beispielsweise Forscher Informationen erhalten, die es ermöglichen, die durchschnittliche Aufenthaltsdauer von Patienten in Krankenhäusern zu vergleichen, während gleichzeitig die Vertraulichkeit der Patienten gewahrt bleibt und keine spezifischen Daten über sie herausgegeben werden.
Zum Schutz identifizierbarer persönlicher oder vertraulicher Informationen kommen zwei Mechanismen zum Einsatz: 1. Die Hinzufügung eines kleinen statistischen „Rauschens“ zu jedem Ergebnis, das die Genauigkeit der ausgelesenen Daten nicht beeinträchtigt, aber den Beitrag einzelner Datenelemente maskiert.
2. Die Verwendung eines Datenschutzbudgets, das die Menge der für jede Anfrage bereitgestellten Daten begrenzt und keine zusätzlichen Anfragen zulässt, die die Vertraulichkeit gefährden könnten.
Quelle: opennet.ru
