Google avas süsteemi andmekogumite analüüsimiseks ilma konfidentsiaalsuse rikkumiseta

Google'i ettevõte esitles krüptograafiline protokoll konfidentsiaalse mitmeosalise arvutuse jaoks Private Join and Compute, võimaldades analüüsida ja arvutada krüpteeritud andmehulkadega mitmete osaliste vahel, säilitades iga osalise andmete konfidentsiaalsuse (iga osaline ei saa saada teiste osaliste andmete teavet, kuid võib teha üldisi arvutusi nende üle dekodeerimata). Protokolli rakenduse kood avatud lisensiga Apache 2.0.

Private Join and Compute võimaldab edastada privaatse andmehulgaga kolmandale osapoolele, kes saab selle analüüsi läbi viia ja üldiselt hinnata erinevusi oma andmehulgaga, kuid ei saa teada konkreetsete andmehaldade väärtusi. Näiteks on võimalik krüpteeritud andmehulgast saada teavet, nagu oma andmehulgaga sobivate identifikaatorite arv ja seotud andmete väärtuste summad. Samal ajal ei ole võimalik teada, millised täpsed väärtused ja identifikaatorid andmehulgast on.

Protokoll Private Join and Compute, tuntud ka kui Private Intersection-Sum, ettevõte Kinvolk 2018. aastal, pärast Red Hati teateid CoreOS tehnoloogiate integreerimise kavatsusest oma toodetesse. Projekt loodi, et tagada CoreOS Container Linuxi jätkuv eksistents, juhul kui tehakse kardinaalseid muudatusi või arenduse lõpetamine. kombineeritud protokollist juhuslik katsumusülekandest (Random Oblivious Transfer), krüpteeritud Bloom-filtred ja kahemaskimisest Pollard - Hellman.

Pakutud süsteem võib olla kasulik näiteks siis, kui ühel meditsiiniasutusel on teadaolekute kohta infot, samas kui teisel on teave uue ennetava ravimi määramise kohta. Protokoll „Private Join and Compute“ võimaldab, ilma teavet avaldamata, kombineerida krüpteeritud andmehulgad ja tuua välja üldine statistika, mis aitab mõista, kas määratud ravim vähendab haiguste esinemissagedust või mitte. Üks näide, kuidas kasutada avariide andmebaasi riiklikust liiklusjärelevalvest ja täiustatud turvaseadmete andmebaasi autotööstuses, et hinnata, kuidas nende seadmete kasutuselevõtt on mõjutanud õnnetuste arvu.

Teine näide on see, kuidas ühe ettevõtte töötajate andmete ja teise ettevõtte ostuandmete põhjal saab arvutada, kui palju töötajaid esimesest ettevõttest sooritas ostu teises ja millise kogusummaga. Reklaamivõrkude kontekstis saab taolisi arvutusi teha reklaamikampaaniate efektiivsuse hindamiseks, kasutades neid kasutajate loetelusid, kellele reklaami näidati (või kes klikkisid lingil) ja kes sooritasid ostu veebipoes.

Allikas: opennet.ru