Chiffrement homomorphe : IBM met HElib dans une « boîte à outils »
IBM intègre sa bibliothèque HElib dans une boîte à outils destinée à faciliter l'intégration du chiffrement homomorphe par les développeurs.
Pour aider à mettre en ouvre le chiffrement homomorphe, IBM a créé de la matière autour de sa bibliothèque logicielle HElib.
Il en a fait la base d'une « boîte à outils » destinée à faciliter l'intégration aux environnements de développement.
L'ensemble est disponible pour iOS et macOS, avec un dépôt GitHub à cloner dans Xcode. Linux et Android s'ajouteront « bientôt » à la liste.
Chaque version du toolkit comprend une application « prête à compiler » : Privacy Search. Elle permet de chercher la capitale d'un pays européen sans que la requête soit dévoilée côté base de données.
C'est l'une des promesses du chiffrement homomorphe : confier des calculs à un agent externe sans lui accès aux données, ni en entrée, ni en sortie. Et ainsi, entre autres, s'épargner les dégradations de qualité qu'entraînent des procédures comme l'anonymisation.
Lire aussi : Coder avec l'IA : les lignes directrices de l'ANSSI
Compatible machine learning
IBM développe HElib depuis 2009 et l'a placée en open source en 2013.
La bibliothèque implémente les cryptosystèmes de Brakerski-Gentry-Vaikuntanathan et de Cheon-Kim-Kim-Song.
Elle permet un chiffrement qualifié de « totalement » homomorphe. Ce au sens où l'ensemble des fonctions calculables peuvent être évaluées (sur les plans additif et multiplicatif).
Craig Gentry, qui travaille actuellement pour IBM, est reconnu comme l'inventeur de ce type de chiffrement. Il y est parvenu en nettoyant le chiffré au fil des multiplications. Ce procédé, dit de « réamorçage », est au cour des travaux actuels dans le domaine, mais reste coûteux.
Coûts à part, Big Blue assure que HElib offre aujourd'hui un niveau de performance adéquat pour « certaines applications ».
Le groupe américain met en avant une expérimentation menée avec Banco Bradesco.
Le groupe bancaire brésilien a analysé des données à l'aide d'un modèle d'apprentissage automatique. Et a obtenu le même niveau de précision que sans chiffrement. Il a aussi entraîné ce modèle avec des données chiffrées.
Photo d'illustration © Sergey Nivens - Shutterstock
Sur le même thème
Voir tous les articles Data & IA