IBM Linux కోసం హోమోమార్ఫిక్ ఎన్క్రిప్షన్ టూల్కిట్ను తెరుస్తుంది
IBM కంపెనీ ప్రకటించింది టూల్కిట్ యొక్క మూల గ్రంథాలను తెరవడం గురించి FHE (IBM ఫుల్లీ హోమోమార్ఫిక్ ఎన్క్రిప్షన్) సిస్టమ్ అమలుతో పూర్తి హోమోమోర్ఫిక్ ఎన్క్రిప్షన్ గుప్తీకరించిన రూపంలో డేటాను ప్రాసెస్ చేయడం కోసం. కాన్ఫిడెన్షియల్ కంప్యూటింగ్ కోసం సేవలను సృష్టించడానికి FHE మిమ్మల్ని అనుమతిస్తుంది, దీనిలో డేటా గుప్తీకరించబడి ప్రాసెస్ చేయబడుతుంది మరియు ఏ దశలోనూ ఓపెన్ రూపంలో కనిపించదు. ఫలితం కూడా గుప్తీకరించబడింది. కోడ్ C++లో వ్రాయబడింది మరియు ద్వారా పంపిణీ చేయబడింది MIT లైసెన్స్ కింద. Linux కోసం వెర్షన్తో పాటు, ఇలాంటి టూల్కిట్లు MacOS и iOS, ఆబ్జెక్టివ్-సిలో వ్రాయబడింది. కోసం ఒక సంస్కరణ యొక్క ప్రచురణ ఆండ్రాయిడ్.
FHE మద్దతు ఇస్తుంది పూర్తి గుప్తీకరించిన డేటా (అనగా, మీరు ఏదైనా ఏకపక్ష గణనలను అమలు చేయవచ్చు) మరియు అసలు డేటాను జోడించడం లేదా గుణించడం ద్వారా గుప్తీకరించిన ఫలితాన్ని గుప్తీకరించడానికి సమానమైన అవుట్పుట్ వద్ద గుప్తీకరించిన ఫలితాన్ని పొందేందుకు మిమ్మల్ని అనుమతించే హోమోమోర్ఫిక్ ఆపరేషన్లు. ఎండ్-టు-ఎండ్ ఎన్క్రిప్షన్ అభివృద్ధిలో హోమోమార్ఫిక్ ఎన్క్రిప్షన్ తదుపరి దశగా పరిగణించబడుతుంది - డేటా ట్రాన్స్మిషన్ను రక్షించడంతో పాటు, డేటాను డీక్రిప్ట్ చేయకుండా ప్రాసెస్ చేసే సామర్థ్యాన్ని ఇది అందిస్తుంది.
ఆచరణాత్మకంగా, రహస్య క్లౌడ్ కంప్యూటింగ్ని నిర్వహించడానికి, ఎలక్ట్రానిక్ ఓటింగ్ సిస్టమ్లలో, అనామక రౌటింగ్ ప్రోటోకాల్లలో, DBMSలో ప్రశ్నలను గుప్తీకరించిన ప్రాసెసింగ్ కోసం, మెషిన్ లెర్నింగ్ సిస్టమ్ల రహస్య శిక్షణ కోసం ఫ్రేమ్వర్క్ ఉపయోగపడుతుంది. నిర్దిష్ట రోగులను గుర్తించే సమాచారాన్ని బీమా కంపెనీ పొందకుండానే బీమా కంపెనీల్లోని వైద్య సంస్థల రోగుల గురించిన సమాచారాన్ని విశ్లేషించడం FHE యొక్క అనువర్తనానికి ఉదాహరణ. అలాగే పేర్కొన్న ఎన్క్రిప్టెడ్ అనామక ఆర్థిక లావాదేవీల ప్రాసెసింగ్ ఆధారంగా క్రెడిట్ కార్డ్లతో మోసపూరిత లావాదేవీలను గుర్తించడానికి మెషిన్ లెర్నింగ్ సిస్టమ్ల అభివృద్ధి.
టూల్కిట్లో లైబ్రరీ ఉంటుంది హెలిబ్ అనేక హోమోమార్ఫిక్ ఎన్క్రిప్షన్ స్కీమ్ల అమలుతో, ఒక సమగ్ర అభివృద్ధి వాతావరణం (బ్రౌజర్ ద్వారా పని జరుగుతుంది) మరియు ఉదాహరణల సమితి. విస్తరణను సులభతరం చేయడానికి, CentOS, Fedora మరియు Ubuntu ఆధారంగా రెడీమేడ్ డాకర్ చిత్రాలు సిద్ధం చేయబడ్డాయి. సోర్స్ కోడ్ నుండి టూల్కిట్ను అసెంబ్లింగ్ చేయడానికి మరియు స్థానిక సిస్టమ్లో ఇన్స్టాల్ చేయడానికి సూచనలు కూడా అందుబాటులో ఉన్నాయి.
ప్రాజెక్ట్ 2009 నుండి అభివృద్ధి చెందుతోంది, కానీ ఆచరణలో ఉపయోగించడానికి అనుమతించే ఆమోదయోగ్యమైన పనితీరు సూచికలను సాధించడం ఇప్పుడు మాత్రమే సాధ్యమైంది. FHE హోమోమార్ఫిక్ గణనలను అందరికీ అందుబాటులో ఉంచుతుందని గుర్తించబడింది; FHE సహాయంతో, సాధారణ కార్పొరేట్ ప్రోగ్రామర్లు ఒక నిమిషంలో అదే పనిని చేయగలరు, అకడమిక్ డిగ్రీ ఉన్న నిపుణులను కలిగి ఉన్నప్పుడు గతంలో గంటలు మరియు రోజులు అవసరం.
కాన్ఫిడెన్షియల్ కంప్యూటింగ్ రంగంలో ఇతర పరిణామాలలో, దీనిని గమనించవచ్చు ప్రాజెక్ట్ యొక్క ప్రచురణOpenDP పద్ధతుల అమలుతో అవకలన గోప్యత, డేటా సెట్లో వ్యక్తిగత రికార్డులను గుర్తించే సామర్థ్యం లేకుండా తగినంత అధిక ఖచ్చితత్వంతో గణాంక కార్యకలాపాలను నిర్వహించడానికి అనుమతిస్తుంది. ఈ ప్రాజెక్టును మైక్రోసాఫ్ట్ మరియు హార్వర్డ్ యూనివర్సిటీ పరిశోధకులు సంయుక్తంగా అభివృద్ధి చేస్తున్నారు. అమలు రస్ట్ మరియు పైథాన్ మరియు లో వ్రాయబడింది సరఫరా MIT లైసెన్స్ కింద.
అవకలన గోప్యతా పద్ధతులను ఉపయోగించి విశ్లేషణ సంస్థలను సాధారణ సమాచారం నుండి నిర్దిష్ట వ్యక్తుల పారామితులను వేరుచేయడానికి అనుమతించకుండా, గణాంక డేటాబేస్ల నుండి విశ్లేషణాత్మక నమూనాలను తయారు చేయడానికి అనుమతిస్తుంది. ఉదాహరణకు, రోగి సంరక్షణలో వ్యత్యాసాలను గుర్తించడానికి, ఆసుపత్రులలో రోగుల సగటు నిడివిని పోల్చడానికి పరిశోధకులకు సమాచారాన్ని అందించవచ్చు, కానీ ఇప్పటికీ రోగి గోప్యతను నిర్వహిస్తుంది మరియు రోగి సమాచారాన్ని హైలైట్ చేయదు.
గుర్తించదగిన వ్యక్తిగత లేదా గోప్యమైన సమాచారాన్ని రక్షించడానికి రెండు మెకానిజమ్లు ఉపయోగించబడతాయి: 1. ప్రతి ఫలితానికి తక్కువ మొత్తంలో గణాంక “శబ్దం” జోడించడం, ఇది సేకరించిన డేటా యొక్క ఖచ్చితత్వాన్ని ప్రభావితం చేయదు, కానీ వ్యక్తిగత డేటా మూలకాల సహకారాన్ని ముసుగు చేస్తుంది.
2. ప్రతి అభ్యర్థన కోసం ఉత్పత్తి చేయబడిన డేటా మొత్తాన్ని పరిమితం చేసే గోప్యతా బడ్జెట్ను ఉపయోగించడం మరియు గోప్యతను ఉల్లంఘించే అదనపు అభ్యర్థనలను అనుమతించదు.