Calcolo crittografico
Abilita il calcolo sui dati protetti con crittografia
Che cos'è il calcolo crittografico in AWS?
I servizi e gli strumenti di crittografia di AWS utilizzano un'ampia gamma di tecnologie di archiviazione e crittografia che ti aiutano a proteggere i dati a riposo e in transito. Tradizionalmente, per poter essere utilizzati in un'operazione di calcolo, i dati dovevano essere decrittografati. Il calcolo crittografico è una tecnologia che opera direttamente sui dati protetti da crittografia, in modo che i dati sensibili non risultino mai esposti.
Il calcolo crittografico si riferisce a un'ampia gamma di tecniche per la salvaguardia della privacy, tra cui il calcolo multilaterale sicuro, la crittografia omomorfa, l'apprendimento federato nella salvaguardia della privacy e la crittografia ricercabile. AWS sta sviluppando servizi e strumenti di calcolo crittografico per aiutarti a raggiungere i tuoi obiettivi di sicurezza e conformità, consentendoti di sfruttare la flessibilità, la scalabilità, le prestazioni e la facilità d'uso offerte da AWS. Ad esempio, puoi vedere il calcolo crittografico all'opera in AWS Clean Rooms.
Strumenti open source
Calcolo crittografico per Clean Rooms (C3R)
Questa libreria consente di collaborare con i dati in AWS Clean Rooms utilizzando una tecnica che consente a più parti di calcolare congiuntamente una funzione sui propri input mantenendo tali input privati. Se disponi di policy di gestione dei dati che richiedono la crittografia dei dati sensibili, puoi pre-codificare i dati utilizzando una chiave di crittografia comune specifica per la collaborazione affinché i dati siano codificati anche quando vengono eseguite le query.
Inferenza XGBoost che tutela la privacy
Questo repository contiene un'implementazione prototipo di XGBoost che tutela la privacy. Mediante l'adozione di numerosi schemi di crittografia per la salvaguardia della proprietà per crittografare il modello XGBoost, il modello che tutela la privacy è in grado di prevedere una query crittografata.
Associazioni C++ per la libreria di crittografia omomorfa Lattigo
Questa libreria fornisce associazioni C++ parziali per la libreria di crittografia omomorfa Lattigo v2.1.1 scritta in linguaggio di programmazione Go. Questo wrapper non tenta di fornire un'associazione per tutte le API pubbliche di Lattigo, ma è semplice aggiungere nuove associazioni e le PR sono benvenute.
Homomorphic Implementor's Toolkit
Homomorphic Implementor's Toolkit (HIT) fornisce gli strumenti per semplificare il processo di progettazione dei circuiti omomorfi per lo schema di crittografia omomorfa CKKS.
Scopri di più sulla sicurezza open source di AWS.
Risorse in evidenza
Calcolo su dati privati | 1° giugno 2023
Sia il calcolo multilaterale sicuro sia la privacy differenziale proteggono la privacy dei dati utilizzati nel calcolo, ma ciascuno presenta vantaggi specifici in contesti diversi.
Condivisione e interrogazione di dati crittografati in AWS Clean Rooms | 16 maggio 2023
Scopri come utilizzare il calcolo crittografico con AWS Clean Rooms per lavorare con i collaboratori ad analisi congiunte su dati raggruppati senza condividere i dati grezzi tra di voi o con AWS.
Sfide relative alla privacy legate all'aumento del gradiente estremo | 22 giugno 2021
Scopri come utilizzare il machine learning che tutela la privacy per affrontare le sfide legate alla privacy nella formazione e nella previsione di XGBoost.
Creazione di modelli di machine learning con dati crittografati | 5 gennaio 2021
Scopri come un nuovo approccio alla crittografia omomorfa velocizza di sei volte l'addestramento di modelli di machine learning crittografati.
Il calcolo crittografico può accelerare l'adozione del cloud computing | 11 febbraio 2020
Scopri due tecniche crittografiche utilizzate per risolvere i problemi legati alla privacy del cloud computing e accelerare l'adozione del cloud aziendale.
Scopri come proteggere i dati in uso utilizzando le nuove tecniche crittografiche disponibili. Questo Tech Talk AWS descrive varie tecniche utilizzate nel calcolo crittografico e la loro applicazione in AWS Clean Rooms.
Ottieni una panoramica delle aree di ricerca applicata di AWS, tra cui algoritmi di crittografia post-quantistica, calcolo multilaterale sicuro, crittografia omomorfa in uso e distribuzione di chiavi quantistiche.
In questo talk, la studiosa di Amazon Joan Feigenbaum presenta il modello AWS per il machine learning che tutela la privacy e descrive due prototipi sviluppati da AWS.
Ricerca e approfondimenti
I ricercatori di AWS contribuiscono regolarmente a far progredire il campo del calcolo crittografico.
Un circuito omomorfo a bassa profondità per l'addestramento dei modelli di regressione logistica
Questo documento descrive un approccio al machine learning che utilizza la crittografia omomorfa, mostrando come realizzare un circuito per la regressione logistica che possa eseguire il doppio delle iterazioni di addestramento nella stessa quantità di tempo dei risultati pubblicati in precedenza.
Aggregazione sicura privata dei client per un apprendimento federato che tutela la privacy
Questo documento introduce nuovi protocolli per l'apprendimento federato che tutela la privacy che coinvolgono un gruppo di client e un server cloud. Il server esegue i calcoli su dati crittografati per aggregare i modelli addestrati in locale dei client in un modello globale crittografato che soltanto i clienti stessi possono decrittografare.
Elaborazione di query top-k su database crittografati con una forte garanzia di sicurezza
Questo documento propone la prima costruzione di elaborazione delle query top-k sicura, efficiente e convalidata che consegue la sicurezza Chosen Query Attack in modo adattivo. I ricercatori di AWS hanno sviluppato una struttura di dati crittografata chiamata EHL e descrivono numerosi sottoprotocolli sicuri per rispondere alle query top-k.
Inferenza XGBoost che tutela la privacy
Un obiettivo fondamentale del machine learning che tutela la privacy è consentire agli utenti di inviare query crittografate a un servizio di ML remoto, ricevere risultati crittografati e decrittografarli in locale. Questo documento descrive un algoritmo di previsione XGBoost nella salvaguardia della privacy implementato e valutato empiricamente su Amazon SageMaker.
Estrattori dei fuzzy di calcolo
In questo documento, i ricercatori di AWS hanno esaminato la possibilità di costruire estrattori di fuzzy. Innanzitutto, mostrano che le bozze sicure sono soggette a vincoli superiori dalle teorie di codifica, anche quando i requisiti di sicurezza dell'informazione teoretica sono attenuati. Quindi presentano un risultato positivo, ossia che il risultato negativo può essere evitato realizzando e analizzando un estrattore dei fuzzy di calcolo direttamente a partire dalla modifica della costruzione dell'offset del codice, per utilizzare codici lineari casuali.