บริษัทไอบีเอ็ม เกี่ยวกับการเปิดข้อความต้นฉบับของชุดเครื่องมือ (IBM Fully Homomorphic Encryption) พร้อมการนำระบบไปใช้ สำหรับการประมวลผลข้อมูลในรูปแบบที่เข้ารหัส FHE ช่วยให้คุณสร้างบริการสำหรับการประมวลผลที่เป็นความลับ ซึ่งข้อมูลจะได้รับการเข้ารหัสและไม่ปรากฏอยู่ในรูปแบบเปิดในทุกขั้นตอน ผลลัพธ์ก็ถูกสร้างด้วยการเข้ารหัส รหัสนี้เขียนด้วยภาษา C ++ และ ภายใต้ใบอนุญาต MIT นอกจากเวอร์ชันสำหรับ Linux แล้วยังมีชุดเครื่องมือที่คล้ายกันสำหรับ и เขียนใน Objective-C การตีพิมพ์ฉบับหนึ่งสำหรับ .
FHE รองรับ การดำเนินการโฮโมมอร์ฟิกที่อนุญาตให้คุณดำเนินการเพิ่มและคูณข้อมูลที่เข้ารหัส (เช่น คุณสามารถใช้การคำนวณใดก็ได้) และรับผลลัพธ์ที่เข้ารหัสที่เอาต์พุต ซึ่งจะคล้ายกับการเข้ารหัสผลลัพธ์ของการเพิ่มหรือคูณข้อมูลต้นฉบับ การเข้ารหัสแบบ Homomorphic ถือได้ว่าเป็นขั้นตอนต่อไปในการพัฒนาการเข้ารหัสแบบ end-to-end นอกเหนือจากการป้องกันการส่งข้อมูลแล้ว ยังให้ความสามารถในการประมวลผลข้อมูลโดยไม่ต้องถอดรหัสอีกด้วย
ในทางปฏิบัติ กรอบงานอาจมีประโยชน์สำหรับการจัดระเบียบการประมวลผลบนคลาวด์ที่เป็นความลับ ในระบบการลงคะแนนอิเล็กทรอนิกส์ ในโปรโตคอลการกำหนดเส้นทางที่ไม่ระบุชื่อ สำหรับการประมวลผลคำถามที่เข้ารหัสใน DBMS สำหรับการฝึกอบรมระบบการเรียนรู้ของเครื่องที่เป็นความลับ ตัวอย่างการประยุกต์ใช้ FHE คือ การจัดวิเคราะห์ข้อมูลเกี่ยวกับผู้ป่วยของสถาบันการแพทย์ในบริษัทประกันภัย โดยที่บริษัทประกันภัยไม่สามารถเข้าถึงข้อมูลที่สามารถระบุผู้ป่วยได้โดยเฉพาะ อีกด้วย การพัฒนาระบบการเรียนรู้ของเครื่องเพื่อตรวจจับธุรกรรมการฉ้อโกงด้วยบัตรเครดิตตามการประมวลผลธุรกรรมทางการเงินที่ไม่เปิดเผยตัวตนที่เข้ารหัส
ชุดเครื่องมือประกอบด้วยห้องสมุด ด้วยการใช้รูปแบบการเข้ารหัสโฮโมมอร์ฟิกหลายแบบสภาพแวดล้อมการพัฒนาแบบรวม (งานดำเนินการผ่านเบราว์เซอร์) และชุดตัวอย่าง เพื่อให้การปรับใช้ง่ายขึ้น เราได้เตรียมอิมเมจนักเทียบท่าสำเร็จรูปที่ใช้ CentOS, Fedora และ Ubuntu คำแนะนำในการประกอบชุดเครื่องมือจากซอร์สโค้ดและติดตั้งบนระบบโลคัลก็มีให้เช่นกัน
โครงการได้รับการพัฒนามาตั้งแต่ปี 2009 แต่ตอนนี้มีความเป็นไปได้ที่จะบรรลุตัวบ่งชี้ประสิทธิภาพที่ยอมรับได้ซึ่งอนุญาตให้นำไปใช้ในทางปฏิบัติได้ มีข้อสังเกตว่า FHE ทำให้ทุกคนสามารถเข้าถึงการคำนวณโฮโมมอร์ฟิกได้ ด้วยความช่วยเหลือของ FHE โปรแกรมเมอร์องค์กรทั่วไปจะสามารถทำงานได้แบบเดียวกันในเวลาไม่กี่นาทีซึ่งต้องใช้เวลาหลายชั่วโมงและหลายวันก่อนหน้านี้เมื่อเกี่ยวข้องกับผู้เชี่ยวชาญที่มีวุฒิการศึกษา
ในบรรดาพัฒนาการอื่นๆ ในด้านการประมวลผลที่เป็นความลับ ก็สามารถสังเกตได้ ด้วยการนำวิธีการต่างๆ ไปใช้ ทำให้สามารถดำเนินการทางสถิติกับชุดข้อมูลที่มีความแม่นยำสูงเพียงพอโดยไม่สามารถระบุแต่ละบันทึกได้ โครงการนี้กำลังได้รับการพัฒนาร่วมกันโดยนักวิจัยจาก Microsoft และ Harvard University การใช้งานเขียนด้วยภาษา Rust และ Python และ ภายใต้ใบอนุญาต MIT
การวิเคราะห์โดยใช้วิธีความเป็นส่วนตัวที่แตกต่างกันช่วยให้องค์กรสามารถสร้างตัวอย่างการวิเคราะห์จากฐานข้อมูลทางสถิติ โดยไม่อนุญาตให้แยกพารามิเตอร์ของบุคคลใดบุคคลหนึ่งออกจากข้อมูลทั่วไป ตัวอย่างเช่น เพื่อระบุความแตกต่างในการดูแลผู้ป่วย นักวิจัยสามารถได้รับข้อมูลที่ช่วยในการเปรียบเทียบระยะเวลาเฉลี่ยในการพักรักษาตัวของผู้ป่วยในโรงพยาบาล แต่ยังคงรักษาความลับของผู้ป่วยและไม่เน้นข้อมูลของผู้ป่วย
มีการใช้กลไกสองประการเพื่อปกป้องข้อมูลส่วนบุคคลหรือข้อมูลลับที่สามารถระบุตัวตนได้: 1. การเพิ่ม “สัญญาณรบกวน” ทางสถิติจำนวนเล็กน้อยลงในแต่ละผลลัพธ์ ซึ่งไม่ส่งผลกระทบต่อความถูกต้องของข้อมูลที่ดึงออกมา แต่จะปกปิดการมีส่วนร่วมขององค์ประกอบข้อมูลแต่ละรายการ
2. การใช้งบประมาณความเป็นส่วนตัวที่จำกัดจำนวนข้อมูลที่สร้างขึ้นสำหรับแต่ละคำขอ และไม่อนุญาตให้มีคำขอเพิ่มเติมที่อาจละเมิดการรักษาความลับ
ที่มา: opennet.ru