Google har öppnat ett system för att analysera datamängder utan att bryta mot konfidentialiteten.

Google har presenterat kryptografisk protokoll för konfidentiell flerpartskalkyl Private Join and Compute, som möjliggör analys och beräkningar på krypterade datamängder från flera deltagare, samtidigt som varje deltagares data förblir konfidentiella (ingen deltagare kan få information om andras data, men kan utföra generella beräkningar utan att dekryptera). Kod för implementering av protokollet är öppen är licensierad under Apache 2.0.

Private Join and Compute gör det möjligt att överföra en privat uppsättning av poster till en tredje part som kan utföra analys och på ett sammanfattande sätt bedöma skillnaderna mot sin egen uppsättning, men inte får kännedom om värdena för specifika poster. Till exempel kan man i den krypterade datamängden få information såsom antal matchande identifierare och summor av värdena för poster med matchande identifierare. Det är dock omöjligt att få veta vilka specifika värden och identifierare som finns i uppsättningen.

Protokollet Private Join and Compute, som också kallas Private Intersection-Sum, är baserad baseras på en kombination av protokollet random oblivious transfer (Random Oblivious Transfer), krypterade När det gäller TLS-certifikat som utfärdats från och med den 1 september 2020, och dubbel maskering Polygå—Hellman.

Det föreslagna systemet kan vara användbart, till exempel när en medicinsk institution har information om patienters hälsostatus och en annan om tilldelningen av ett nytt förebyggande läkemedel. Protokollet 'Private Join and Compute' möjliggör, utan att avslöja information, att kombinera krypterade datamängder och generera statistik som kan hjälpa till att förstå om det tilldelade läkemedlet minskar sjukdomsfrekvensen eller inte. Ett annat exempel är en kod baserad på statistik över olyckor från vägmyndigheten och data om användning av förbättrade säkerhetsmedel i fordon, vilket kan visa om dessa medel påverkar antalet olyckor.

Ett annat exempel är när man, baserat på personaldata från ett företag och köpinformation från ett annat, kan beräkna hur många anställda från det första företaget som gjort köp hos det andra och för vilket belopp. I kontexten av reklamnätverk kan liknande beräkningar göras för att bedöma effektiviteten av reklamkampanjer genom att hantera listor med användare som fått se reklamen (eller som klickat på länken) och som gjort köp i en webbutik.

Källa: opennet.ru