IBM over de opening van de broncode van de toolkit (IBM Fully Homomorphic Encryption) met de implementatie van een systeem voor het verwerken van gegevens in versleutelde vorm. FHE stelt de creatie van diensten voor vertrouwelijke berekeningen mogelijk, waarbij gegevens versleuteld worden verwerkt en in geen enkel stadium in open vorm verschijnen. Het resultaat wordt ook versleuteld gegenereerd. De code is geschreven in C++ en onder de MIT-licentie. Naast de versie voor Linux, worden gelijktijdig vergelijkbare toolkits ontwikkeld voor en , geschreven in Objective-C. Binnenkort wordt een versie voor .
FHE ondersteunt homomorfe operaties die het mogelijk maken om versleutelde gegevens op te tellen en te vermenigvuldigen (d.w.z. elke willekeurige berekening kan worden uitgevoerd) en een versleuteld resultaat te verkrijgen dat vergelijkbaar is met de encryptie van de uitkomst van de optelling of vermenigvuldiging van de oorspronkelijke gegevens. Homomorfe encryptie kan worden beschouwd als de volgende stap in de ontwikkeling van end-to-end encryptie ā naast het beschermen van dataoverdracht, biedt het de mogelijkheid om gegevens te verwerken zonder ze te ontsleutelen.
Vanuit praktisch oogpunt kan het framework nuttig zijn voor het organiseren van vertrouwelijke cloudcomputing, in elektronische stemsystemen, in geanonimiseerde routeringsprotocollen, voor versleutelde verwerking van verzoeken in databasesystemen, voor vertrouwelijke training van machine learning-systemen. Een voorbeeld van de toepassing van FHE is het organiseren van de analyse van informatie over patiƫnten in medische instellingen door verzekeringsmaatschappijen zonder dat de verzekeringsmaatschappij toegang krijgt tot gegevens die specifieke patiƫnten zouden kunnen identificeren. Ook de ontwikkeling van machine learning-systemen voor het identificeren van frauduleuze kredietkaarttransacties op basis van de verwerking van versleutelde anonieme financiƫle transacties.
De toolkit omvat een bibliotheek met implementaties van verschillende schema's voor homomorfe encryptie, een geĆÆntegreerde ontwikkelomgeving (werkzaam via de browser) en een set voorbeelden. Voor eenvoudige implementatie zijn kant-en-klare docker-afbeeldingen voorbereid op basis van CentOS, Fedora en Ubuntu. Ook zijn er instructies beschikbaar voor het bouwen van de toolkit vanuit de broncode en het installeren op een lokaal systeem.
Het project is sinds 2009 in ontwikkeling, maar het is pas nu gelukt om acceptabele prestaties te bereiken die praktisch toepasbaar zijn. Het wordt opgemerkt dat FHE homomorfische berekeningen toegankelijk maakt voor iedereen, zodat gewone bedrijfsprogrammerers binnen een minuut hetzelfde werk kunnen verrichten dat voorheen uren of dagen kostte met de hulp van experts met een doctoraat.
Van andere ontwikkelingen op het gebied van vertrouwelijke berekeningen kan worden vermeld met de implementatie van methoden , die het mogelijk maken om met voldoende hoge nauwkeurigheid statistische bewerkingen op datasets uit te voeren zonder dat er individuele records kunnen worden geĆÆdentificeerd. Het project wordt gezamenlijk ontwikkeld door onderzoekers van Microsoft en Harvard University. De implementatie is geschreven in Rust en Python en valt onder de MIT-licentie.
Analyse met behulp van methoden van differentiĆ«le privacy stelt organisaties in staat om analytische steekproeven uit statistische databases te maken, zonder dat specifieke informatie van individuen kan worden geĆÆdentificeerd. Bijvoorbeeld, om verschillen in de zorg voor patiĆ«nten te identificeren, kan de onderzoekers informatie worden verstrekt die het mogelijk maakt om de gemiddelde verblijftijd van patiĆ«nten in ziekenhuizen te vergelijken, terwijl de privacy van de patiĆ«nten behouden blijft en het niet mogelijk is om persoonlijke gegevens te identificeren.
Voor de bescherming van identificeerbare persoonlijke of vertrouwelijke informatie worden twee mechanismen gebruikt: 1. Het toevoegen van een kleine statistische 'ruis' aan elk resultaat dat de nauwkeurigheid van de geĆ«xtraheerde gegevens niet beĆÆnvloedt, maar de bijdrage van afzonderlijke gegevenselementen maskeert.
2. Het gebruik van een privacybudget dat de hoeveelheid gegevens die voor elke aanvraag beschikbaar wordt gesteld, beperkt en aanvullende aanvragen voorkomt die de privacy kunnen schenden.
Bron: opennet.ru
