Google опублікував набір бібліотек із реалізацією системи повного гомоморфного шифрування
Компанія Google опублікувала набір бібліотек з реалізацією повної гомоморфної системи шифрування
Компанія Google опублікувала відкритий набір бібліотек і утиліт з реалізацією повної гомоморфної системи шифрування, що дозволяє обробляти дані в зашифрованому вигляді, що не з'являються у відкритому вигляді на жодному етапі обчислень. Інструментарій дає можливість створювати програми для конфіденційних обчислень, які можуть працювати з даними без розшифровки, включаючи виконання математичних і простих рядкових операцій над зашифрованими даними. Код проекту написаний на C++ і поширюється під ліцензією Apache 2.0.
На відміну від наскрізного шифрування, гомоморфне шифрування, крім захисту передачі даних, надає можливість обробляти дані без їх розшифровки. Під повним гомоморфізмом розуміється можливість виконувати операції додавання і множення зашифрованих даних, відштовхуючись від яких можна здійснювати будь-які довільні обчислення. На виході виходить зашифрований результат, який був би схожий на шифрування результату аналогічних операцій над вихідними даними.
Робота з даними за допомогою гомоморфного шифрування зводиться до того, що користувач шифрує дані і, не розкриваючи ключів, передає їх для обробки сторонньому сервісу. Цей сервіс виконує заявлені обчислення і генерує зашифрований результат, не маючи можливості визначити, з якими даними він працює. Користувач за допомогою своїх ключів розшифровує видані дані і отримує результат в зрозумілому вигляді.
За допомогою FHE зашифровані дані можуть переміщатися через Інтернет на сервер, де їх можна обробляти без розшифровки. Транспілер від Google дозволить розробникам писати код для будь-якого типу базових обчислень, таких як проста обробка рядків або математика, і запускати його на зашифрованих даних. Транспілер перетворить цей код у версію, яка може працювати на зашифрованих даних. Потім це дозволяє розробникам створювати нові програми програмування, які не потребують незашифрованих даних. FHE також можна використовувати для навчання моделей машинного навчання конфіденційним даним приватним способом.
Наприклад, уявіть, що ви створюєте додаток для людей з діабетом. Цей додаток може збирати конфіденційну інформацію від своїх користувачів, і вам потрібен спосіб зберегти ці дані приватними та захищеними, а також поділитися ними з медичними експертами, щоб дізнатися цінну інформацію, яка може призвести до важливих медичних досягнень. За допомогою транспілера Google для FHE ви можете шифрувати дані, які ви збираєте, і ділитися ними з медичними експертами, які, у свою чергу, можуть аналізувати дані , не розшифровуючи їх , надаючи корисну інформацію медичній спільноті, гарантуючи при цьому, що ніхто не може отримати доступ до основної інформації даних.
