Empresa IBM sobre la publicación de los códigos fuente del kit de herramientas (IBM Fully Homomorphic Encryption) con la implementación del sistema para procesar datos en forma cifrada. FHE permite crear servicios para cálculos confidenciales, en los que los datos son procesados cifrados y no aparecen en forma abierta en ninguna de las etapas. El resultado también se genera cifrado. El código está escrito en C++ y bajo licencia MIT. Además de la versión para Linux, se desarrollan paralelamente kits de herramientas similares para y , escritos en Objective-C. Se espera la publicación de una versión para .
FHE soporta homomórficas completas, que permiten realizar sumas y multiplicaciones de datos cifrados (es decir, se pueden realizar cálculos arbitrarios) y obtener como resultado un cifrado que sería equivalente a cifrar el resultado de la suma o multiplicación de los datos originales. El cifrado homomórfico puede verse como la siguiente etapa en la evolución del cifrado de extremo a extremo — además de proteger la transmisión de datos, se proporciona la posibilidad de procesar datos sin descifrarlos.
Desde un punto de vista práctico, el marco puede resultar útil para la organización de cálculos en la nube confidenciales, en sistemas de votación electrónica, en protocolos de enrutamiento anonimizados, para el procesamiento cifrado de consultas en bases de datos, y para el entrenamiento confidencial de sistemas de machine learning. Un ejemplo de aplicación de FHE se menciona en la organización del análisis de información sobre pacientes de instituciones médicas en compañías de seguros sin que la compañía de seguros tenga acceso a información que pudiera identificar a pacientes específicos. Asimismo, el desarrollo de sistemas de machine learning para detectar operaciones fraudulentas con tarjetas de crédito basadas en el procesamiento de transacciones financieras anónimas cifradas.
El kit de herramientas incluye una biblioteca con la implementación de varios esquemas de cifrado homomórfico, un entorno de desarrollo integrado (el trabajo se realiza a través del navegador) y un conjunto de ejemplos. Para facilitar la implementación, se han preparado imágenes de docker listas basadas en CentOS, Fedora y Ubuntu. También están disponibles instrucciones para compilar el kit de herramientas a partir de los códigos fuente e instalarlo en un sistema local.
El proyecto ha estado en desarrollo desde 2009, pero solo ahora se han logrado indicadores de rendimiento aceptables que permiten su uso práctico. Se destaca que FHE hace que los cálculos homomórficos sean accesibles para todos, permitiendo que los programadores corporativos comunes realicen en un minuto el mismo trabajo que antes requería horas y días al involucrar a expertos con un título universitario.
Entre otros desarrollos en el campo de los cálculos confidenciales, se puede mencionar con la implementación de métodos , que permiten realizar operaciones estadísticas sobre conjuntos de datos con una alta precisión sin la posibilidad de identificar registros individuales en ellos. El proyecto se desarrolla en colaboración con investigadores de Microsoft y de la Universidad de Harvard. La implementación está escrita en Rust y Python y bajo licencia MIT.
El análisis utilizando métodos de privacidad diferencial permite a las organizaciones realizar muestreos analíticos de bases de datos estadísticas, sin permitir que se extraigan de la información general los datos de personas específicas. Por ejemplo, para identificar diferencias en la atención a los pacientes, se puede proporcionar a los investigadores información que permita comparar el tiempo promedio de estancia de los pacientes en los hospitales, pero manteniendo la confidencialidad de estos y evitando la divulgación de datos sobre ellos.
Para proteger la información personal identifiable o confidencial, se aplican dos mecanismos: 1. Añadir un pequeño 'ruido' estadístico a cada resultado, que no afecta la precisión de los datos extraídos, pero oculta la contribución de elementos de datos individuales.
2. Utilización de un presupuesto de privacidad, que limita la cantidad de datos dados para cada consulta y previene solicitudes adicionales que puedan comprometer la confidencialidad.
Fuente: opennet.ru
