@چسترچستر لئونگ
بنیانگذار مشترک در Opaque Systems
ما خوشحالیم که انتشار اولیه پروژه MC² ، مجموعه ای از ابزارهای منبع باز برای محاسبه و همکاری در مورد داده های محرمانه را اعلام می کنیم. MC² (همکاری چند جانبه و همکاری) که در RISELab UC Berkeley توسعه یافته است ، تجزیه و تحلیل غنی و یادگیری ماشین در رمزگذاری شده داده ها ، اطمینان از پنهان ماندن داده ها حتی هنگام پردازش. داده های مورد استفاده از سروری که این کار را اجرا می کند پنهان مانده و اجازه می دهد بارهای محرمانه در آنها بارگیری شود غیرقابل اعتماد اشخاص ثالث یا ارائه دهندگان ابر. این نه تنها از اطلاعات محرمانه در برابر نفوذ محافظت می کند بلکه امکان پذیر می شود همکاری امن – چندین مالک داده می توانند بصورت مشترک تجزیه و تحلیل یا ML را بر روی داده های جمعی خود اجرا کنند ، بدون اینکه داده های فردی خود را به صراحت به شخص دیگری نشان دهند: حتی یک شخص ثالث قابل اعتماد.
نیاز به محاسبات محرمانه و اشتراک امن داده ها
اطلاعات شخصی فراگیرتر شده و نگرانی های مربوط به حریم خصوصی همچنان در حال افزایش است. این امر باعث می شود قوانین محافظت از داده های جهانی سختگیرانه تر شوند. اکنون سازمانها به طور فزاینده ای با خطرات عدم انطباق رو به رو می شوند. در عین حال ، این سازمان ها در حال درک مزایای عظیم توانایی اشتراک داده های خود با یکدیگر هستند – بانک ها می توانند برای شناسایی …