ИБМ компанија
ФХЕ подржава
Са практичне стране, оквир може бити користан за организовање поверљивог рачунарства у облаку, у системима електронског гласања, у анонимним протоколима рутирања, за шифровану обраду упита у ДБМС-у, за поверљиву обуку система машинског учења. Пример примене ФХЕ је организовање анализе информација о пацијентима здравствених установа у осигуравајућим друштвима, а да осигуравајуће друштво није добило приступ информацијама које би могле да идентификују конкретне пацијенте. Такође
Комплет алата укључује библиотеку
Пројекат се развија од 2009. године, али је тек сада могуће постићи прихватљиве показатеље учинка који омогућавају да се користи у пракси. Напомиње се да ФХЕ чини хомоморфне прорачуне доступним свима; уз помоћ ФХЕ-а, обични корпоративни програмери ће моћи да ураде исти посао за минут који је раније био потребан сатима и данима када се ангажују стручњаци са академском дипломом.
Међу осталим развојима у области поверљивог рачунарства, може се приметити
Анализа коришћењем диференцијалних метода приватности омогућава организацијама да праве аналитичке узорке из статистичких база података, не дозвољавајући им да изолују параметре одређених појединаца од општих информација. На пример, да би се идентификовале разлике у бризи о пацијентима, истраживачима се могу пружити информације које им омогућавају да упореде просечну дужину боравка пацијената у болницама, али и даље одржавају поверљивост пацијената и не истичу информације о пацијентима.
Два механизма се користе за заштиту личних или поверљивих информација које се могу идентификовати: 1. Додавање мале количине статистичке „шуме“ сваком резултату, што не утиче на тачност екстрахованих података, али маскира допринос појединачних елемената података.
2. Коришћење буџета за приватност који ограничава количину података произведених за сваки захтев и не дозвољава додатне захтеве који би могли да наруше поверљивост.
Извор: опеннет.ру