IBM ലിനക്സിനായി ഹോമോമോർഫിക് എൻക്രിപ്ഷൻ ടൂൾകിറ്റ് തുറക്കുന്നു

ഐബിഎം കമ്പനി പ്രഖ്യാപിച്ചു ടൂൾകിറ്റിന്റെ സോഴ്സ് ടെക്സ്റ്റുകൾ തുറക്കുന്നതിനെക്കുറിച്ച് FHE (IBM ഫുള്ളി ഹോമോമോർഫിക് എൻക്രിപ്ഷൻ) സിസ്റ്റം നടപ്പിലാക്കൽ പൂർണ്ണ ഹോമോമോഫിക് എൻക്രിപ്ഷൻ എൻക്രിപ്റ്റ് ചെയ്ത രൂപത്തിൽ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിന്. രഹസ്യാത്മക കമ്പ്യൂട്ടിംഗിനായി സേവനങ്ങൾ സൃഷ്ടിക്കാൻ FHE നിങ്ങളെ അനുവദിക്കുന്നു, അതിൽ ഡാറ്റ എൻക്രിപ്റ്റ് ചെയ്താണ് പ്രോസസ്സ് ചെയ്യുന്നത് കൂടാതെ ഒരു ഘട്ടത്തിലും തുറന്ന രൂപത്തിൽ ദൃശ്യമാകില്ല. ഫലവും എൻക്രിപ്റ്റ് ചെയ്താണ് ജനറേറ്റ് ചെയ്യുന്നത്. കോഡ് C++ ൽ എഴുതിയിരിക്കുന്നു വിതരണം ചെയ്തത് MIT ലൈസൻസിന് കീഴിൽ. Linux-നുള്ള പതിപ്പിന് പുറമേ, സമാനമായ ടൂൾകിറ്റുകൾ മാക്ഒഎസിലെസഫാരി и ഐഒഎസ്, ഒബ്ജക്റ്റീവ്-സിയിൽ എഴുതിയിരിക്കുന്നു. എന്നതിനായുള്ള ഒരു പതിപ്പിന്റെ പ്രസിദ്ധീകരണം ആൻഡ്രോയിഡ്.

FHE പിന്തുണയ്ക്കുന്നു നിറഞ്ഞു എൻക്രിപ്റ്റ് ചെയ്ത ഡാറ്റയുടെ കൂട്ടിച്ചേർക്കലും ഗുണനവും നടത്താൻ നിങ്ങളെ അനുവദിക്കുന്ന ഹോമോമോർഫിക് പ്രവർത്തനങ്ങൾ (അതായത്, നിങ്ങൾക്ക് ഏതെങ്കിലും അനിയന്ത്രിതമായ കണക്കുകൂട്ടലുകൾ നടപ്പിലാക്കാൻ കഴിയും) കൂടാതെ ഔട്ട്പുട്ടിൽ ഒരു എൻക്രിപ്റ്റ് ചെയ്ത ഫലം ലഭിക്കും, ഇത് യഥാർത്ഥ ഡാറ്റ കൂട്ടിച്ചേർക്കുന്നതിനോ ഗുണിക്കുന്നതിനോ ഉള്ള ഫലം എൻക്രിപ്റ്റ് ചെയ്യുന്നതിന് സമാനമാണ്. എൻഡ്-ടു-എൻഡ് എൻക്രിപ്ഷന്റെ വികസനത്തിന്റെ അടുത്ത ഘട്ടമായി ഹോമോമോർഫിക് എൻക്രിപ്ഷൻ കണക്കാക്കാം - ഡാറ്റാ ട്രാൻസ്മിഷൻ പരിരക്ഷിക്കുന്നതിന് പുറമേ, ഡാറ്റ ഡീക്രിപ്റ്റ് ചെയ്യാതെ തന്നെ പ്രോസസ്സ് ചെയ്യാനുള്ള കഴിവ് ഇത് നൽകുന്നു.

പ്രായോഗിക വശത്ത്, രഹസ്യാത്മക ക്ലൗഡ് കമ്പ്യൂട്ടിംഗ്, ഇലക്ട്രോണിക് വോട്ടിംഗ് സിസ്റ്റങ്ങളിൽ, അജ്ഞാത റൂട്ടിംഗ് പ്രോട്ടോക്കോളുകളിൽ, ഒരു ഡിബിഎംഎസിലെ അന്വേഷണങ്ങൾ എൻക്രിപ്റ്റ് ചെയ്ത പ്രോസസ്സിംഗിന്, മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളുടെ രഹസ്യാത്മക പരിശീലനത്തിന്, ചട്ടക്കൂട് ഉപയോഗപ്രദമാകും. നിർദ്ദിഷ്ട രോഗികളെ തിരിച്ചറിയാൻ കഴിയുന്ന വിവരങ്ങളിലേക്ക് ഇൻഷുറൻസ് കമ്പനിക്ക് പ്രവേശനം ലഭിക്കാതെ ഇൻഷുറൻസ് കമ്പനികളിലെ മെഡിക്കൽ സ്ഥാപനങ്ങളിലെ രോഗികളെക്കുറിച്ചുള്ള വിവരങ്ങളുടെ വിശകലനം ഓർഗനൈസേഷനാണ് എഫ്എച്ച്ഇയുടെ പ്രയോഗത്തിന്റെ ഒരു ഉദാഹരണം. കൂടാതെ പരാമർശിച്ചു എൻക്രിപ്റ്റ് ചെയ്ത അജ്ഞാത സാമ്പത്തിക ഇടപാടുകളുടെ പ്രോസസ്സിംഗ് അടിസ്ഥാനമാക്കി ക്രെഡിറ്റ് കാർഡുകൾ ഉപയോഗിച്ചുള്ള വഞ്ചനാപരമായ ഇടപാടുകൾ കണ്ടെത്തുന്നതിനുള്ള മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളുടെ വികസനം.

ടൂൾകിറ്റിൽ ഒരു ലൈബ്രറി ഉൾപ്പെടുന്നു ഹെലിബ് നിരവധി ഹോമോമോർഫിക് എൻക്രിപ്ഷൻ സ്കീമുകൾ നടപ്പിലാക്കുന്നതിലൂടെ, ഒരു സംയോജിത വികസന അന്തരീക്ഷം (ഒരു ബ്രൗസറിലൂടെയാണ് ജോലി ചെയ്യുന്നത്) കൂടാതെ ഒരു കൂട്ടം ഉദാഹരണങ്ങളും. വിന്യാസം ലളിതമാക്കാൻ, CentOS, Fedora, Ubuntu എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള റെഡിമെയ്ഡ് ഡോക്കർ ഇമേജുകൾ തയ്യാറാക്കിയിട്ടുണ്ട്. സോഴ്സ് കോഡിൽ നിന്ന് ടൂൾകിറ്റ് കൂട്ടിച്ചേർക്കുന്നതിനും ലോക്കൽ സിസ്റ്റത്തിൽ ഇൻസ്റ്റാൾ ചെയ്യുന്നതിനുമുള്ള നിർദ്ദേശങ്ങളും ലഭ്യമാണ്.

2009 മുതൽ ഈ പ്രോജക്റ്റ് വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്നു, എന്നാൽ ഇത് പ്രായോഗികമായി ഉപയോഗിക്കാൻ അനുവദിക്കുന്ന സ്വീകാര്യമായ പ്രകടന സൂചകങ്ങൾ നേടാൻ ഇപ്പോൾ മാത്രമേ സാധിച്ചിട്ടുള്ളൂ. FHE ഹോമോമോഫിക് കണക്കുകൂട്ടലുകൾ എല്ലാവർക്കും പ്രാപ്യമാക്കുന്നുവെന്നത് ശ്രദ്ധിക്കപ്പെടുന്നു; എഫ്എച്ച്ഇയുടെ സഹായത്തോടെ, സാധാരണ കോർപ്പറേറ്റ് പ്രോഗ്രാമർമാർക്ക് അക്കാദമിക് ബിരുദമുള്ള വിദഗ്ധരെ ഉൾപ്പെടുത്തുമ്പോൾ മുമ്പ് മണിക്കൂറുകളും ദിവസങ്ങളും ആവശ്യമായ അതേ ജോലി ഒരു മിനിറ്റിനുള്ളിൽ ചെയ്യാൻ കഴിയും.

രഹസ്യാത്മക കമ്പ്യൂട്ടിംഗ് മേഖലയിലെ മറ്റ് സംഭവവികാസങ്ങളിൽ, ഇത് ശ്രദ്ധിക്കാവുന്നതാണ് പദ്ധതിയുടെ പ്രസിദ്ധീകരണം ഓപ്പൺഡിപി രീതികൾ നടപ്പിലാക്കുന്നതിനൊപ്പം ഡിഫറൻഷ്യൽ സ്വകാര്യത, വ്യക്തിഗത റെക്കോർഡുകൾ തിരിച്ചറിയാനുള്ള കഴിവില്ലാതെ മതിയായ ഉയർന്ന കൃത്യതയോടെ ഒരു ഡാറ്റ സെറ്റിൽ സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രവർത്തനങ്ങൾ നടത്താൻ അനുവദിക്കുന്നു. മൈക്രോസോഫ്റ്റിലെയും ഹാർവാർഡ് സർവകലാശാലയിലെയും ഗവേഷകർ സംയുക്തമായാണ് പദ്ധതി വികസിപ്പിക്കുന്നത്. നടപ്പാക്കൽ റസ്റ്റ്, പൈത്തൺ എന്നിവയിൽ എഴുതിയിരിക്കുന്നു വിതരണം ചെയ്തു MIT ലൈസൻസിന് കീഴിൽ.

ഡിഫറൻഷ്യൽ പ്രൈവസി രീതികൾ ഉപയോഗിച്ചുള്ള വിശകലനം, സാധാരണ വിവരങ്ങളിൽ നിന്ന് നിർദ്ദിഷ്ട വ്യക്തികളുടെ പാരാമീറ്ററുകൾ വേർതിരിച്ചെടുക്കാൻ അനുവദിക്കാതെ, സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡാറ്റാബേസുകളിൽ നിന്ന് അനലിറ്റിക്കൽ സാമ്പിളുകൾ നിർമ്മിക്കാൻ ഓർഗനൈസേഷനുകളെ അനുവദിക്കുന്നു. ഉദാഹരണത്തിന്, രോഗി പരിചരണത്തിലെ വ്യത്യാസങ്ങൾ തിരിച്ചറിയുന്നതിന്, ആശുപത്രികളിലെ രോഗികളുടെ ശരാശരി ദൈർഘ്യം താരതമ്യം ചെയ്യാൻ അനുവദിക്കുന്ന വിവരങ്ങൾ ഗവേഷകർക്ക് നൽകാം, പക്ഷേ ഇപ്പോഴും രോഗിയുടെ രഹസ്യസ്വഭാവം നിലനിർത്തുകയും രോഗിയുടെ വിവരങ്ങൾ ഹൈലൈറ്റ് ചെയ്യാതിരിക്കുകയും ചെയ്യുന്നു.

തിരിച്ചറിയാവുന്ന വ്യക്തിഗതമോ രഹസ്യാത്മകമോ ആയ വിവരങ്ങൾ പരിരക്ഷിക്കുന്നതിന് രണ്ട് മെക്കാനിസങ്ങൾ ഉപയോഗിക്കുന്നു: 1. ഓരോ ഫലത്തിലും ഒരു ചെറിയ അളവിലുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ "ശബ്ദം" ചേർക്കുന്നു, ഇത് വേർതിരിച്ചെടുത്ത ഡാറ്റയുടെ കൃത്യതയെ ബാധിക്കില്ല, എന്നാൽ വ്യക്തിഗത ഡാറ്റ ഘടകങ്ങളുടെ സംഭാവനയെ മറയ്ക്കുന്നു.
2. ഓരോ അഭ്യർത്ഥനയ്‌ക്കുമായി നിർമ്മിക്കുന്ന ഡാറ്റയുടെ അളവ് പരിമിതപ്പെടുത്തുകയും രഹസ്യസ്വഭാവം ലംഘിക്കുന്ന അധിക അഭ്യർത്ഥനകൾ അനുവദിക്കാതിരിക്കുകയും ചെയ്യുന്ന ഒരു സ്വകാര്യ ബജറ്റ് ഉപയോഗിക്കുന്നു.

അവലംബം: opennet.ru