kumpanya ng IBM
Sinusuportahan ng FHE
Sa praktikal na bahagi, ang balangkas ay maaaring maging kapaki-pakinabang para sa pag-aayos ng kumpidensyal na cloud computing, sa mga electronic na sistema ng pagboto, sa mga anonymized na routing protocol, para sa naka-encrypt na pagproseso ng mga query sa isang DBMS, para sa kumpidensyal na pagsasanay ng mga machine learning system. Ang isang halimbawa ng aplikasyon ng FHE ay ang organisasyon ng pagsusuri ng impormasyon tungkol sa mga pasyente ng mga institusyong medikal sa mga kompanya ng seguro nang hindi nakakakuha ng access ang kompanya ng seguro sa impormasyon na maaaring makilala ang mga partikular na pasyente. Gayundin
Kasama sa toolkit ang isang library
Ang proyekto ay umuunlad mula pa noong 2009, ngunit ngayon lamang ito naging posible upang makamit ang mga katanggap-tanggap na mga tagapagpahiwatig ng pagganap na nagpapahintulot na ito ay magamit sa pagsasanay. Napag-alaman na ang FHE ay ginagawang naa-access ng lahat ang mga homomorphic na kalkulasyon; sa tulong ng FHE, magagawa ng mga ordinaryong corporate programmer ang parehong gawain sa isang minuto na dating nangangailangan ng mga oras at araw kapag kinasasangkutan ng mga eksperto na may akademikong degree.
Sa iba pang mga pag-unlad sa larangan ng kumpidensyal na pag-compute, maaari itong mapansin
Ang pagsusuri gamit ang differential privacy method ay nagbibigay-daan sa mga organisasyon na gumawa ng mga analytical sample mula sa mga statistical database, nang hindi pinapayagan silang ihiwalay ang mga parameter ng mga partikular na indibidwal mula sa pangkalahatang impormasyon. Halimbawa, upang matukoy ang mga pagkakaiba sa pangangalaga ng pasyente, maaaring bigyan ang mga mananaliksik ng impormasyon na nagpapahintulot sa kanila na ihambing ang average na haba ng pananatili ng mga pasyente sa mga ospital, ngunit pinapanatili pa rin ang pagiging kumpidensyal ng pasyente at hindi itinatampok ang impormasyon ng pasyente.
Dalawang mekanismo ang ginagamit upang protektahan ang makikilalang personal o kumpidensyal na impormasyon: 1. Pagdaragdag ng maliit na halaga ng istatistikal na "ingay" sa bawat resulta, na hindi nakakaapekto sa katumpakan ng nakuhang data, ngunit tinatakpan ang kontribusyon ng mga indibidwal na elemento ng data.
2. Paggamit ng badyet sa privacy na naglilimita sa dami ng data na ginawa para sa bawat kahilingan at hindi pinapayagan ang mga karagdagang kahilingan na maaaring lumabag sa pagiging kumpidensyal.
Pinagmulan: opennet.ru