IBM ಕಂಪನಿ ಟೂಲ್‌ಕಿಟ್‌ನ ಮೂಲ ಪಠ್ಯಗಳನ್ನು ತೆರೆಯುವ ಬಗ್ಗೆ (IBM ಸಂಪೂರ್ಣ ಹೋಮೋಮಾರ್ಫಿಕ್ ಎನ್‌ಕ್ರಿಪ್ಶನ್) ಸಿಸ್ಟಮ್ ಅಳವಡಿಕೆಯೊಂದಿಗೆ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಿದ ರೂಪದಲ್ಲಿ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು. ಗೌಪ್ಯ ಕಂಪ್ಯೂಟಿಂಗ್‌ಗಾಗಿ ಸೇವೆಗಳನ್ನು ರಚಿಸಲು FHE ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ, ಇದರಲ್ಲಿ ಡೇಟಾವನ್ನು ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಯಾವುದೇ ಹಂತದಲ್ಲಿ ತೆರೆದ ರೂಪದಲ್ಲಿ ಕಾಣಿಸುವುದಿಲ್ಲ. ಫಲಿತಾಂಶವನ್ನು ಸಹ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಲಾಗಿದೆ. ಕೋಡ್ ಅನ್ನು C ++ ನಲ್ಲಿ ಬರೆಯಲಾಗಿದೆ ಮತ್ತು MIT ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ. Linux ಗಾಗಿ ಆವೃತ್ತಿಯ ಜೊತೆಗೆ, ಇದೇ ರೀತಿಯ ಟೂಲ್‌ಕಿಟ್‌ಗಳು и , ಆಬ್ಜೆಕ್ಟಿವ್-ಸಿ ನಲ್ಲಿ ಬರೆಯಲಾಗಿದೆ. ಒಂದು ಆವೃತ್ತಿಯ ಪ್ರಕಟಣೆ .
FHE ಬೆಂಬಲಿಸುತ್ತದೆ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಲಾದ ಡೇಟಾದ ಸೇರ್ಪಡೆ ಮತ್ತು ಗುಣಾಕಾರವನ್ನು ನಿರ್ವಹಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುವ ಹೋಮೋಮಾರ್ಫಿಕ್ ಕಾರ್ಯಾಚರಣೆಗಳು (ಅಂದರೆ, ನೀವು ಯಾವುದೇ ಅನಿಯಂತ್ರಿತ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು) ಮತ್ತು ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಿದ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯಬಹುದು, ಇದು ಮೂಲ ಡೇಟಾವನ್ನು ಸೇರಿಸುವ ಅಥವಾ ಗುಣಿಸುವ ಫಲಿತಾಂಶವನ್ನು ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಲು ಹೋಲುತ್ತದೆ. ಹೋಮೋಮಾರ್ಫಿಕ್ ಎನ್‌ಕ್ರಿಪ್ಶನ್ ಅನ್ನು ಎಂಡ್-ಟು-ಎಂಡ್ ಎನ್‌ಕ್ರಿಪ್ಶನ್ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಮುಂದಿನ ಹಂತವೆಂದು ಪರಿಗಣಿಸಬಹುದು - ಡೇಟಾ ಪ್ರಸರಣವನ್ನು ರಕ್ಷಿಸುವುದರ ಜೊತೆಗೆ, ಡೇಟಾವನ್ನು ಡೀಕ್ರಿಪ್ಟ್ ಮಾಡದೆಯೇ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಇದು ಒದಗಿಸುತ್ತದೆ.
ಪ್ರಾಯೋಗಿಕ ಭಾಗದಲ್ಲಿ, ಗೌಪ್ಯ ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಅನ್ನು ಸಂಘಟಿಸಲು, ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಮತದಾನ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, ಅನಾಮಧೇಯ ರೂಟಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್‌ಗಳಲ್ಲಿ, DBMS ನಲ್ಲಿ ಪ್ರಶ್ನೆಗಳ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಿದ ಪ್ರಕ್ರಿಯೆಗೆ, ಯಂತ್ರ ಕಲಿಕೆಯ ವ್ಯವಸ್ಥೆಗಳ ಗೌಪ್ಯ ತರಬೇತಿಗಾಗಿ ಫ್ರೇಮ್‌ವರ್ಕ್ ಉಪಯುಕ್ತವಾಗಬಹುದು. ನಿರ್ದಿಷ್ಟ ರೋಗಿಗಳನ್ನು ಗುರುತಿಸುವ ಮಾಹಿತಿಗೆ ವಿಮಾ ಕಂಪನಿಯು ಪ್ರವೇಶವನ್ನು ಪಡೆಯದೆ ವಿಮಾ ಕಂಪನಿಗಳಲ್ಲಿನ ವೈದ್ಯಕೀಯ ಸಂಸ್ಥೆಗಳ ರೋಗಿಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿಯ ವಿಶ್ಲೇಷಣೆಯ ಸಂಘಟನೆಯು FHE ಯ ಅನ್ವಯದ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ಅಲ್ಲದೆ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಿದ ಅನಾಮಧೇಯ ಹಣಕಾಸು ವಹಿವಾಟುಗಳ ಪ್ರಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್‌ಗಳೊಂದಿಗಿನ ಮೋಸದ ವಹಿವಾಟುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿ.
ಟೂಲ್ಕಿಟ್ ಗ್ರಂಥಾಲಯವನ್ನು ಒಳಗೊಂಡಿದೆ ಹಲವಾರು ಹೋಮೋಮಾರ್ಫಿಕ್ ಎನ್‌ಕ್ರಿಪ್ಶನ್ ಸ್ಕೀಮ್‌ಗಳ ಅನುಷ್ಠಾನದೊಂದಿಗೆ, ಸಮಗ್ರ ಅಭಿವೃದ್ಧಿ ಪರಿಸರ (ಕೆಲಸವನ್ನು ಬ್ರೌಸರ್ ಮೂಲಕ ನಡೆಸಲಾಗುತ್ತದೆ) ಮತ್ತು ಉದಾಹರಣೆಗಳ ಸೆಟ್. ನಿಯೋಜನೆಯನ್ನು ಸರಳಗೊಳಿಸಲು, CentOS, Fedora ಮತ್ತು Ubuntu ಆಧಾರಿತ ಸಿದ್ಧ-ಸಿದ್ಧ ಡಾಕರ್ ಚಿತ್ರಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಲಾಗಿದೆ. ಮೂಲ ಕೋಡ್‌ನಿಂದ ಟೂಲ್ಕಿಟ್ ಅನ್ನು ಜೋಡಿಸಲು ಮತ್ತು ಅದನ್ನು ಸ್ಥಳೀಯ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಸ್ಥಾಪಿಸಲು ಸೂಚನೆಗಳು ಸಹ ಲಭ್ಯವಿದೆ.
ಈ ಯೋಜನೆಯು 2009 ರಿಂದ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿದೆ, ಆದರೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಬಳಸಲು ಅನುಮತಿಸುವ ಸ್ವೀಕಾರಾರ್ಹ ಕಾರ್ಯಕ್ಷಮತೆ ಸೂಚಕಗಳನ್ನು ಸಾಧಿಸಲು ಈಗ ಮಾತ್ರ ಸಾಧ್ಯವಾಗಿದೆ. FHE ಸಮರೂಪದ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಎಲ್ಲರಿಗೂ ಪ್ರವೇಶಿಸುವಂತೆ ಮಾಡುತ್ತದೆ ಎಂದು ಗಮನಿಸಲಾಗಿದೆ; FHE ಸಹಾಯದಿಂದ, ಸಾಮಾನ್ಯ ಕಾರ್ಪೊರೇಟ್ ಪ್ರೋಗ್ರಾಮರ್‌ಗಳು ಒಂದು ನಿಮಿಷದಲ್ಲಿ ಅದೇ ಕೆಲಸವನ್ನು ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಶೈಕ್ಷಣಿಕ ಪದವಿಯೊಂದಿಗೆ ತಜ್ಞರನ್ನು ಒಳಗೊಂಡಿರುವಾಗ ಈ ಹಿಂದೆ ಗಂಟೆಗಳು ಮತ್ತು ದಿನಗಳು ಬೇಕಾಗುತ್ತವೆ.
ಗೌಪ್ಯ ಕಂಪ್ಯೂಟಿಂಗ್ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಇತರ ಬೆಳವಣಿಗೆಗಳ ನಡುವೆ, ಇದನ್ನು ಗಮನಿಸಬಹುದು ವಿಧಾನಗಳ ಅನುಷ್ಠಾನದೊಂದಿಗೆ , ಅದರಲ್ಲಿ ವೈಯಕ್ತಿಕ ದಾಖಲೆಗಳನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯವಿಲ್ಲದೆ ಸಾಕಷ್ಟು ಹೆಚ್ಚಿನ ನಿಖರತೆಯೊಂದಿಗೆ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಈ ಯೋಜನೆಯನ್ನು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಮತ್ತು ಹಾರ್ವರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರು ಜಂಟಿಯಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾರೆ. ಅನುಷ್ಠಾನವನ್ನು ರಸ್ಟ್ ಮತ್ತು ಪೈಥಾನ್ ಮತ್ತು ನಲ್ಲಿ ಬರೆಯಲಾಗಿದೆ MIT ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ.
ಡಿಫರೆನ್ಷಿಯಲ್ ಗೌಪ್ಯತೆ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವಿಶ್ಲೇಷಣೆಯು ಸಂಸ್ಥೆಗಳಿಗೆ ಸಾಮಾನ್ಯ ಮಾಹಿತಿಯಿಂದ ನಿರ್ದಿಷ್ಟ ವ್ಯಕ್ತಿಗಳ ನಿಯತಾಂಕಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಅನುಮತಿಸದೆ, ಅಂಕಿಅಂಶಗಳ ಡೇಟಾಬೇಸ್‌ಗಳಿಂದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಮಾದರಿಗಳನ್ನು ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ರೋಗಿಗಳ ಆರೈಕೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಗುರುತಿಸಲು, ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿ ರೋಗಿಗಳ ಸರಾಸರಿ ಅವಧಿಯನ್ನು ಹೋಲಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಮಾಹಿತಿಯನ್ನು ಸಂಶೋಧಕರಿಗೆ ಒದಗಿಸಬಹುದು, ಆದರೆ ಇನ್ನೂ ರೋಗಿಯ ಗೌಪ್ಯತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ರೋಗಿಯ ಮಾಹಿತಿಯನ್ನು ಹೈಲೈಟ್ ಮಾಡುವುದಿಲ್ಲ.
ಗುರುತಿಸಬಹುದಾದ ವೈಯಕ್ತಿಕ ಅಥವಾ ಗೌಪ್ಯ ಮಾಹಿತಿಯನ್ನು ರಕ್ಷಿಸಲು ಎರಡು ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ: 1. ಪ್ರತಿ ಫಲಿತಾಂಶಕ್ಕೆ ಸಣ್ಣ ಪ್ರಮಾಣದ ಅಂಕಿಅಂಶಗಳ "ಶಬ್ದ" ಅನ್ನು ಸೇರಿಸುವುದು, ಇದು ಹೊರತೆಗೆಯಲಾದ ಡೇಟಾದ ನಿಖರತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ, ಆದರೆ ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಂಶಗಳ ಕೊಡುಗೆಯನ್ನು ಮರೆಮಾಚುತ್ತದೆ.
2. ಗೌಪ್ಯತೆ ಬಜೆಟ್ ಅನ್ನು ಬಳಸುವುದು ಪ್ರತಿ ವಿನಂತಿಗಾಗಿ ಉತ್ಪಾದಿಸಲಾದ ಡೇಟಾದ ಪ್ರಮಾಣವನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಉಲ್ಲಂಘಿಸಬಹುದಾದ ಹೆಚ್ಚುವರಿ ವಿನಂತಿಗಳನ್ನು ಅನುಮತಿಸುವುದಿಲ್ಲ.
ಮೂಲ: opennet.ru