IBM公司 關於開啟工具包的來源文本 （IBM全同態加密）與系統實現 用於以加密形式處理資料。 FHE 可讓您建立機密運算服務，其中資料經過加密處理，並且在任何階段都不會以公開形式出現。 結果也是加密產生的。 該程式碼是用 C++ 編寫的，並且 根據麻省理工學院的許可。 除了 Linux 版本之外，還有類似的工具包 и ，用 Objective-C 寫。 發布版本 .
FHE 支援 同態運算可讓您執行加密資料的加法和乘法（即，您可以實現任意計算）並在輸出處獲得加密結果，這類似於加密原始資料的加法或乘法結果。 同態加密可以被認為是端對端加密發展的下一階段——除了保護資料傳輸之外，它還提供了在不解密的情況下處理資料的能力。
在實務方面，該框架可能有助於組織機密雲端運算、電子投票系統、匿名路由協定、DBMS 中查詢的加密處理、機器學習系統的機密訓練。 FHE應用的一個例子是保險公司組織對醫療機構病患資訊的分析，而保險公司無需取得可以識別特定病患的資訊。 還 開發機器學習系統，以基於加密匿名金融交易的處理來檢測信用卡詐欺交易。
該工具包包括一個庫 實現了幾種同態加密方案、整合開發環境（工作透過瀏覽器進行）和一組範例。 為了簡化部署，我們準備了現成的基於CentOS、Fedora和Ubuntu的docker映像。 還提供了從原始程式碼組裝工具包並將其安裝在本機系統上的說明。
該專案自 2009 年以來一直在開發，但直到現在才有可能達到可接受的性能指標，使其能夠在實踐中使用。 值得注意的是，FHE讓每個人都可以進行同態計算；在FHE的幫助下，普通企業程式設計師將能夠在一分鐘內完成以前需要有學位的專家需要數小時和數天的工作。
在機密計算領域的其他發展中，值得注意的是 與方法的實施 ，允許以足夠高的精度對資料集執行統計操作，而無需識別其中的單一記錄。 該計畫由微軟和哈佛大學的研究人員共同開發。 這個實作是用 Rust 和 Python 編寫的 在麻省理工學院的許可下。
使用差異隱私方法進行分析允許組織從統計資料庫中製作分析樣本，而無需將特定個人的參數與一般資訊隔離。 例如，為了識別患者護理方面的差異，可以向研究人員提供信息，使他們能夠比較患者在醫院的平均住院時間，但仍然保持患者機密並且不突出患者信息。
使用兩種機制來保護可識別的個人或機密資訊： 1. 在每個結果中添加少量統計“噪聲”，這不會影響提取資料的準確性，但會掩蓋單一資料元素的貢獻。
2. 使用隱私預算來限制每個請求產生的資料量，並且不允許可能違反機密性的額外請求。
來源： opennet.ru