IBM sur l'ouverture des textes sources du toolkit (IBM Fully Homomorphic Encryption) avec la mise en œuvre d'un système pour le traitement de données sous forme chiffrée. Le FHE permet de créer des services pour des calculs confidentiels, où les données sont traitées sous forme chiffrée et ne figurent sous aucune forme ouverte à aucune étape. Le résultat est également généré sous forme chiffrée. Le code est écrit en C++ et sous licence MIT. En plus de la version pour Linux, des toolkits similaires sont également en cours de développement et , écrits en Objective-C. Une version pour .
FHE prend en charge des opérations homomorphes permettant d'effectuer des additions et des multiplications sur des données chiffrées (c'est-à-dire qu'il est possible de réaliser n'importe quel calcul arbitraire) et d'obtenir en sortie un résultat chiffré analogue au chiffrement du résultat de l'addition ou de la multiplication des données sources. Le chiffrement homomorphe peut être considéré comme la prochaine étape dans l'évolution du chiffrement de bout en bout – en plus de protéger la transmission des données, il offre la possibilité de traiter les données sans déchiffrement.
D'un point de vue pratique, le framework peut s'avérer utile pour organiser des calculs cloud confidentiels, dans des systèmes de vote électronique, dans des protocoles de routage anonymisés, pour le traitement chiffré des requêtes dans des bases de données, pour l'entraînement confidentiel de systèmes d'apprentissage automatique. À titre d'exemple d'application du FHE, on peut mentionner l'organisation de l'analyse des informations sur les patients des établissements de santé dans les compagnies d'assurance sans que celles-ci aient accès aux informations pouvant identifier des patients spécifiques. De plus, le développement de systèmes d'apprentissage automatique pour identifier des opérations frauduleuses avec des cartes de crédit sur la base du traitement de transactions financières anonymes chiffrées.
Le toolkit comprend une bibliothèque avec la mise en œuvre de plusieurs schémas de chiffrement homomorphe, un environnement de développement intégré (le travail se fait via le navigateur) et un ensemble d'exemples. Pour faciliter le déploiement, des images Docker prêtes à l'emploi basées sur CentOS, Fedora et Ubuntu ont été préparées. Des instructions pour la construction du toolkit à partir des textes sources et l'installation sur un système local sont également disponibles.
Le projet est en développement depuis 2009, mais il n'a réussi à atteindre des performances acceptables pour une utilisation pratique qu'à présent. Il est noté que le FHE rend les calculs homomorphes accessibles à tous. Grâce au FHE, les programmeurs d'entreprise ordinaires pourront réaliser en une minute le même travail qui nécessitait auparavant des heures et des jours avec l'aide d'experts ayant un diplôme universitaire.
Parmi les autres travaux dans le domaine du calcul confidentiel, on peut mentionner avec la mise en œuvre de méthodes , permettant d'effectuer des opérations statistiques sur un ensemble de données avec une précision suffisamment élevée sans permettre l'identification de certains enregistrements. Le projet est développé en collaboration par des chercheurs de Microsoft et de l'Université de Harvard. La mise en œuvre est écrite en Rust et Python et sous licence MIT.
L'analyse utilisant des méthodes de confidentialité différentielle permet aux organisations de réaliser des échantillons analytiques à partir de bases de données statistiques, sans permettre de distinguer des paramètres spécifiques de personnes individuelles. Par exemple, pour identifier des différences dans les soins aux patients, les chercheurs peuvent accéder à des informations permettant de comparer la durée moyenne de séjour des patients à l'hôpital, tout en préservant la confidentialité des patients et en empêchant l'identification d'informations les concernant.
Deux mécanismes sont utilisés pour protéger les informations personnelles identifiables ou confidentielles : 1. L'ajout d'un léger 'bruit' statistique à chaque résultat, n'impactant pas la précision des données extraites, mais masquant la contribution d'éléments de données individuels.
2. L'utilisation d'un budget de confidentialité, limitant le volume de données renvoyées pour chaque requête et empêchant des requêtes supplémentaires qui pourraient compromettre la confidentialité.
Source : opennet.ru
