Google cryptographic protocol para sa kumpidensyal na multiparty computation , na nagpapahintulot sa pagsusuri at pagkalkula sa mga naka-encrypt na set ng data mula sa ilang kalahok, na pinapanatili ang pagiging kompidensiyal ng data ng bawat kalahok (ang bawat kalahok ay hindi makakakuha ng impormasyon tungkol sa data ng iba pang mga kalahok, ngunit maaaring magsagawa ng mga pangkalahatang kalkulasyon sa mga ito nang walang pag-decryption). Code ng pagpapatupad ng protocol lisensyado sa ilalim ng Apache 2.0.
Binibigyang-daan ka ng Private Join and Compute na maglipat ng pribadong hanay ng mga tala sa isang ikatlong partido, na magagawang suriin ito at sa pangkalahatan ay suriin ang mga pagkakaiba sa kanilang hanay, ngunit hindi malalaman ang mga halaga ng mga partikular na talaan. Halimbawa, posibleng makakuha ng impormasyon mula sa isang naka-encrypt na set ng data, tulad ng bilang ng mga identifier na tumutugma sa set nito at ang kabuuan ng mga value ng mga record na may tumutugmang mga identifier. Sa kasong ito, imposibleng malaman nang eksakto kung anong mga halaga at pagkakakilanlan ang naroroon sa set.
Private Join and Compute protocol, na tinutukoy din bilang Private Intersection-Sum, sa kumbinasyon ng protocol (Random Oblivious Transfer), naka-encrypt at double disguise .
Ang iminungkahing sistema ay maaaring maging kapaki-pakinabang, halimbawa, kapag ang isang institusyong medikal ay may impormasyon tungkol sa kalagayan ng kalusugan ng mga pasyente, at isa pa tungkol sa reseta ng isang bagong pang-iwas na gamot. Ang protocol na "Private Join and Compute" ay nagpapahintulot sa iyo, nang hindi nagbubunyag ng impormasyon, na pagsamahin ang mga naka-encrypt na set ng data at magpakita ng mga pangkalahatang istatistika na magbibigay-daan sa iyong maunawaan kung ang iniresetang gamot ay nakakabawas sa saklaw ng sakit o hindi. Ang isa pang halimbawa ay na batay sa database ng mga aksidente mula sa inspektorate ng trapiko ng estado at ang batayan ng paggamit ng pinahusay na kagamitan sa kaligtasan sa mga sasakyan, posibleng masuri kung ang hitsura ng mga kagamitang ito ay nakakaapekto sa bilang ng mga aksidente.
Ang isa pang halimbawa ay kapag, batay sa base ng empleyado ng isang kumpanya at data ng pagbili mula sa isa pa, maaari mong kalkulahin kung gaano karaming mga empleyado mula sa unang kumpanya ang bumili mula sa pangalawa at para sa kung anong halaga. Sa konteksto ng mga network ng advertising, ang mga katulad na kalkulasyon ay maaaring gawin upang suriin ang pagiging epektibo ng mga kampanya sa advertising, gamit ang mga listahan ng mga user na ipinakita ng isang ad (o nag-click sa isang link) at na bumili sa isang online na tindahan.
Pinagmulan: opennet.ru