IBM Linux માટે હોમોમોર્ફિક એન્ક્રિપ્શન ટૂલકિટ ખોલે છે

IBM કંપની જાહેરાત કરી ટૂલકીટના સ્ત્રોત પાઠો ખોલવા વિશે FHE (IBM સંપૂર્ણપણે હોમોમોર્ફિક એન્ક્રિપ્શન) સિસ્ટમ અમલીકરણ સાથે સંપૂર્ણ હોમોમોર્ફિક એન્ક્રિપ્શન એન્ક્રિપ્ટેડ સ્વરૂપમાં ડેટાની પ્રક્રિયા કરવા માટે. FHE તમને ગોપનીય કમ્પ્યુટિંગ માટે સેવાઓ બનાવવાની મંજૂરી આપે છે, જેમાં ડેટાને એન્ક્રિપ્ટેડ પ્રોસેસ કરવામાં આવે છે અને તે કોઈપણ તબક્કે ખુલ્લા સ્વરૂપમાં દેખાતું નથી. પરિણામ પણ એનક્રિપ્ટેડ જનરેટ થાય છે. કોડ C++ અને માં લખાયેલ છે દ્વારા વિતરિત MIT લાયસન્સ હેઠળ. Linux માટે આવૃત્તિ ઉપરાંત, માટે સમાન ટૂલકીટ MacOS и iOS, ઉદ્દેશ્ય-C માં લખાયેલ છે. માટે સંસ્કરણનું પ્રકાશન , Android.

FHE આધાર આપે છે સંપૂર્ણ હોમોમોર્ફિક ઑપરેશન્સ કે જે તમને એન્ક્રિપ્ટેડ ડેટાના ઉમેરા અને ગુણાકાર કરવા દે છે (એટલે ​​​​કે, તમે કોઈપણ મનસ્વી ગણતરીઓ અમલમાં મૂકી શકો છો) અને આઉટપુટ પર એનક્રિપ્ટેડ પરિણામ પ્રાપ્ત કરી શકો છો, જે મૂળ ડેટા ઉમેરવા અથવા ગુણાકાર કરવાના પરિણામને એન્ક્રિપ્ટ કરવા જેવું જ હશે. હોમોમોર્ફિક એન્ક્રિપ્શનને એન્ડ-ટુ-એન્ડ એન્ક્રિપ્શનના વિકાસમાં આગળના તબક્કા તરીકે ગણી શકાય - ડેટા ટ્રાન્સમિશનને સુરક્ષિત કરવા ઉપરાંત, તે ડેટાને ડિક્રિપ્ટ કર્યા વિના પ્રક્રિયા કરવાની ક્ષમતા પ્રદાન કરે છે.

વ્યવહારુ બાજુએ, ફ્રેમવર્ક ગોપનીય ક્લાઉડ કમ્પ્યુટિંગ, ઇલેક્ટ્રોનિક વોટિંગ સિસ્ટમ્સમાં, અનામી રૂટીંગ પ્રોટોકોલમાં, DBMSમાં ક્વેરીઝની એન્ક્રિપ્ટેડ પ્રોસેસિંગ માટે, મશીન લર્નિંગ સિસ્ટમ્સની ગોપનીય તાલીમ માટે ઉપયોગી થઈ શકે છે. FHE એપ્લિકેશનનું ઉદાહરણ વીમા કંપનીમાં તબીબી સંસ્થાઓના દર્દીઓ વિશેની માહિતીના વિશ્લેષણનું સંગઠન છે, જેમાં વીમા કંપની ચોક્કસ દર્દીઓને ઓળખી શકે તેવી માહિતીની ઍક્સેસ મેળવે છે. પણ ઉલ્લેખ કર્યો છે એન્ક્રિપ્ટેડ અનામી નાણાકીય વ્યવહારોની પ્રક્રિયાના આધારે ક્રેડિટ કાર્ડ સાથેના કપટપૂર્ણ વ્યવહારોને શોધવા માટે મશીન લર્નિંગ સિસ્ટમનો વિકાસ.

ટૂલકીટમાં પુસ્તકાલયનો સમાવેશ થાય છે હેલિબ ઘણી હોમોમોર્ફિક એન્ક્રિપ્શન યોજનાઓના અમલીકરણ સાથે, એક સંકલિત વિકાસ પર્યાવરણ (બ્રાઉઝર દ્વારા કાર્ય હાથ ધરવામાં આવે છે) અને ઉદાહરણોનો સમૂહ. જમાવટને સરળ બનાવવા માટે, CentOS, Fedora અને Ubuntu પર આધારિત તૈયાર ડોકર છબીઓ તૈયાર કરવામાં આવી છે. સ્ત્રોત કોડમાંથી ટૂલકીટને એસેમ્બલ કરવા અને તેને સ્થાનિક સિસ્ટમ પર ઇન્સ્ટોલ કરવા માટેની સૂચનાઓ પણ ઉપલબ્ધ છે.

આ પ્રોજેક્ટ 2009 થી વિકસિત થઈ રહ્યો છે, પરંતુ તે ફક્ત સ્વીકાર્ય પ્રદર્શન સૂચકાંકો પ્રાપ્ત કરવાનું શક્ય બન્યું છે જે તેને વ્યવહારમાં ઉપયોગમાં લેવાની મંજૂરી આપે છે. એ નોંધ્યું છે કે FHE હોમોમોર્ફિક ગણતરીઓને દરેક માટે સુલભ બનાવે છે; FHE ની મદદથી, સામાન્ય કોર્પોરેટ પ્રોગ્રામર્સ એક મિનિટમાં તે જ કાર્ય કરી શકશે જે અગાઉ શૈક્ષણિક ડિગ્રી ધરાવતા નિષ્ણાતોને સામેલ કરતી વખતે કલાકો અને દિવસોની જરૂર હતી.

ગોપનીય કમ્પ્યુટિંગના ક્ષેત્રમાં અન્ય વિકાસમાં, તે નોંધી શકાય છે પ્રોજેક્ટનું પ્રકાશન ઓપનડીપી પદ્ધતિઓના અમલીકરણ સાથે વિભેદક ગોપનીયતા, તેમાં વ્યક્તિગત રેકોર્ડ્સને ઓળખવાની ક્ષમતા વિના પૂરતી ઊંચી ચોકસાઈ સાથે ડેટા સેટ પર આંકડાકીય કામગીરી કરવાની મંજૂરી આપે છે. આ પ્રોજેક્ટ માઈક્રોસોફ્ટ અને હાર્વર્ડ યુનિવર્સિટીના સંશોધકો દ્વારા સંયુક્ત રીતે વિકસાવવામાં આવી રહ્યો છે. અમલીકરણ રસ્ટ અને પાયથોનમાં લખાયેલ છે અને પૂરી પાડવામાં MIT લાયસન્સ હેઠળ.

વિભેદક ગોપનીયતા પદ્ધતિઓનો ઉપયોગ કરીને વિશ્લેષણ સંસ્થાઓને આંકડાકીય ડેટાબેઝમાંથી વિશ્લેષણાત્મક નમૂનાઓ બનાવવાની મંજૂરી આપે છે, તેમને સામાન્ય માહિતીમાંથી વિશિષ્ટ વ્યક્તિઓના પરિમાણોને અલગ કરવાની મંજૂરી આપ્યા વિના. ઉદાહરણ તરીકે, દર્દીની સંભાળમાં તફાવતોને ઓળખવા માટે, સંશોધકોને માહિતી પ્રદાન કરી શકાય છે જે તેમને હોસ્પિટલોમાં દર્દીઓના રોકાણની સરેરાશ લંબાઈની તુલના કરવાની મંજૂરી આપે છે, પરંતુ તેમ છતાં દર્દીની ગુપ્તતા જાળવી રાખે છે અને દર્દીની માહિતીને પ્રકાશિત કરતા નથી.

ઓળખી શકાય તેવી વ્યક્તિગત અથવા ગોપનીય માહિતીને સુરક્ષિત રાખવા માટે બે પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે: 1. દરેક પરિણામમાં થોડી માત્રામાં આંકડાકીય "અવાજ" ઉમેરવું, જે એક્સ્ટ્રેક્ટ કરેલા ડેટાની ચોકસાઈને અસર કરતું નથી, પરંતુ વ્યક્તિગત ડેટા ઘટકોના યોગદાનને માસ્ક કરે છે.
2. ગોપનીયતા બજેટનો ઉપયોગ કરવો જે દરેક વિનંતી માટે ઉત્પાદિત ડેટાની માત્રાને મર્યાદિત કરે છે અને ગોપનીયતાનું ઉલ્લંઘન કરી શકે તેવી વધારાની વિનંતીઓને મંજૂરી આપતું નથી.

સોર્સ: opennet.ru