IBM-selskap
FHE støtter
På den praktiske siden kan rammeverket være nyttig for å organisere konfidensiell cloud computing, i elektroniske stemmesystemer, i anonymiserte rutingprotokoller, for kryptert behandling av spørringer i en DBMS, for konfidensiell opplæring av maskinlæringssystemer. Et eksempel på anvendelse av FHE er organisering av analyse av informasjon om pasienter ved medisinske institusjoner i forsikringsselskaper uten at forsikringsselskapet får tilgang til informasjon som kan identifisere spesifikke pasienter. Også
Verktøysettet inkluderer et bibliotek
Prosjektet har vært under utvikling siden 2009, men det har først nå vært mulig å oppnå akseptable resultatindikatorer som gjør at det kan brukes i praksis. Det bemerkes at FHE gjør homomorfe beregninger tilgjengelige for alle; ved hjelp av FHE vil vanlige bedriftsprogrammerere kunne gjøre det samme arbeidet på et minutt som tidligere krevde timer og dager ved involvering av eksperter med akademisk grad.
Blant annen utvikling innen konfidensiell databehandling kan det nevnes
Analyse ved hjelp av differensielle personvernmetoder lar organisasjoner lage analytiske prøver fra statistiske databaser, uten å tillate dem å isolere parametrene til spesifikke individer fra generell informasjon. For å identifisere forskjeller i pasientbehandlingen kan for eksempel forskerne gis informasjon som gjør at de kan sammenligne gjennomsnittlig liggetid for pasienter på sykehus, men likevel opprettholder pasientens konfidensialitet og ikke fremhever pasientinformasjon.
To mekanismer brukes for å beskytte identifiserbar personlig eller konfidensiell informasjon: 1. Legge til en liten mengde statistisk "støy" til hvert resultat, som ikke påvirker nøyaktigheten til de utpakkede dataene, men maskerer bidraget fra individuelle dataelementer.
2. Bruk av et personvernbudsjett som begrenser mengden data som produseres for hver forespørsel og ikke tillater ytterligere forespørsler som kan bryte konfidensialitet.
Kilde: opennet.ru