Google cryptografisch protocol voor vertrouwelijke multi-partijcalculatie , dat de analyse en berekeningen op versleutelde datasets van meerdere deelnemers mogelijk maakt, terwijl de vertrouwelijkheid van de gegevens van elke deelnemer behouden blijft (geen enkele deelnemer kan informatie over de gegevens van andere deelnemers verkrijgen, maar kan wel aggregatieve berekeningen uitvoeren zonder decryptie). Code voor de implementatie van het protocol onder de Apache 2.0-licentie.
Private Join and Compute stelt in staat om een privé verzameling records naar een derde partij te verzenden, die deze kan analyseren en op geaggregeerde wijze de verschillen met zijn eigen verzameling kan evalueren, maar niet in staat is om de waarden van specifieke records te leren. Bijvoorbeeld, het is mogelijk om in een versleutelde dataset bepaalde gegevens te verkrijgen, zoals het aantal overeenkomende identificatoren met zijn eigen verzameling en de som van waarden van records met overeenkomende identificatoren. Het is echter niet mogelijk om te weten welke specifieke waarden en identificatoren in de verzameling aanwezig zijn.
Het Private Join and Compute-protocol, ook wel Private Intersection-Sum genoemd, op basis van de combinatie van het protocol (Random Oblivious Transfer), versleuteld en dubbele masking .
Het voorgestelde systeem kan nuttig zijn, bijvoorbeeld wanneer één medische instelling gegevens heeft over de gezondheidstoestand van patiënten, terwijl een andere gegevens heeft over de toewijzing van een nieuwe preventieve medicatie. Het 'Private Join and Compute'-protocol maakt het mogelijk om versleutelde datasets samen te voegen zonder informatie prijs te geven en algemene statistieken te genereren, die helpen begrijpen of het voorgeschreven medicijn de ziektegevallen vermindert of niet. Een ander voorbeeld is het gebruik van gegevens van ongevallen van de verkeerspolitie en gegevens over de toepassing van geavanceerde veiligheidsvoorzieningen in voertuigen om te beoordelen of de introductie van deze voorzieningen invloed heeft op het aantal ongevallen.
Een ander voorbeeld is wanneer op basis van de werknemersdatabase van één bedrijf en gegevens over aankopen van een ander bedrijf kan worden berekend hoeveel werknemers van het eerste bedrijf aankopen hebben gedaan bij het tweede en voor welk bedrag. In de context van advertentienetwerken kunnen dergelijke berekeningen worden uitgevoerd om de effectiviteit van advertentiecampagnes te evalueren, met gebruik van lijsten van gebruikers aan wie advertenties zijn getoond (of die op de link hebben geklikt) en die aankopen in de webwinkel hebben gedaan.
Bron: opennet.ru
