Organisaties slaan tegenwoordig data op in de cloud en voeren daar berekeningen uit, in plaats van de data zelf te beheren. Cloudserviceproviders (CSP's) bieden deze diensten aan tegen een betaalbare prijs en met weinig onderhoud. Om te voldoen aan de regelgeving en de privacy te waarborgen, moeten organisaties de data echter versleuteld overdragen . Dit garandeert de vertrouwelijkheid van de data. Zodra de data de cloud bereikt, moet de CSP de data ontsleutelen om een ​​bewerking of berekening uit te voeren.
Het decoderen van de gegevens naar de CSP leidt tot verlies van de vertrouwelijkheid van de gegevens, wat voor de organisatie zorgwekkend kan zijn omdat deze dan mogelijk niet voldoet aan de regelgeving inzake gegevensbescherming, zoals GDPR , FIPS , PCI DSS , CCPA, enz.
Wat is homomorfe encryptie?
Homomorfe encryptie maakt het mogelijk om berekeningen uit te voeren terwijl de data versleuteld blijft. Dit zorgt ervoor dat de data vertrouwelijk blijft tijdens de verwerking, wat CSP's en andere niet-vertrouwde omgevingen de mogelijkheid biedt om hun doelen te bereiken. Tegelijkertijd behouden wij de vertrouwelijkheid van de data.
Net als andere asymmetrische encryptiemethoden wordt homomorfe encryptie gecodeerd met een openbare sleutel en kan deze alleen worden gedecodeerd met de bijbehorende privésleutel. Terwijl de gegevens echter gecodeerd zijn, kunnen er bewerkingen op worden uitgevoerd, waardoor de vertrouwelijkheid behouden blijft en organisaties aan de compliance kunnen voldoen, zelfs in niet-vertrouwde omgevingen.
Waarom hebben we homomorfe encryptie nodig?
Datacreatie is de laatste tijd enorm toegenomen en wordt verzonden/opgeslagen in meerdere omgevingen van andere partijen, zoals CSP's of andere externe organisaties. Van startups tot grote organisaties, iedereen gebruikt CSP's om data op te slaan of te verwerken, waarbij tools zoals BigQuery worden gebruikt voor de gegevensverwerking.
CSP's bieden weliswaar enige controle over de gegevens die klanten in hun omgeving opslaan, maar die controle is afhankelijk van de CSP. Hoewel gebruikers gegevens kunnen versleutelen en opslaan op CSP's, is het uitvoeren van berekeningen op de gegevens beperkt. Standaardversleuteling is daarom beperkt tot gegevensopslag en biedt geen bruikbare analysemogelijkheden.
Om data te kunnen verwerken met behoud van dataprivacy, richten onderzoekers zich op privacy-ondersteunde berekeningen. Homomorfe encryptie is een van de veelbelovende benaderingen in deze richting.
Soorten homomorfe encryptie
Homomorfe encryptie maakt berekeningen op versleutelde gegevens mogelijk zonder deze te ontsleutelen. Wiskundige bewerkingen die op de cijfertekst kunnen worden uitgevoerd, onderscheiden de typen homomorfe encrypties.
Er zijn hoofdzakelijk twee typen:
- Gedeeltelijke homomorfe encryptie (PHE) (ondersteunt optellen/vermenigvuldigen, maar niet beide)
- Volledig homomorfe encryptie (FHE) (ondersteunt zowel optellen als vermenigvuldigen)
Partiële homomorfe encryptie, zoals RSA en Paillier-cryptosystemen, ondersteunt additief en multiplicatief homomorfisme. In 2009 stelde Craig Gentry voor het eerst een FHE-schema voor op basis van roosters. Een FHE-schema ondersteunt doorgaans de optelling en vermenigvuldiging van cijferteksten als volgt:
HIJ(a+b) = HIJ(a) + HIJ(b) en HIJ(a*b) = HIJ(a) * HIJ(b)
Het optellen/vermenigvuldigen van platte tekst is gelijk aan het optellen/vermenigvuldigen van twee cijferteksten.
Toepassingen
Homomorfe encryptie maakt het mogelijk om in vrijwel elk scenario privacybeschermende berekeningen uit te voeren. Enkele voorbeelden hiervan zijn:
- Gezondheidszorg: Maakt analyse van gecodeerde patiëntgegevens voor onderzoek mogelijk zonder persoonlijke informatie te onthullen.
- Cloud Computing: Maakt veilige gegevensverwerking van gecodeerde informatie mogelijk zonder dat deze wordt blootgesteld aan cloudproviders.
- Finance: Ondersteunt gecodeerde transacties en risicoanalyses, terwijl financiële gegevens vertrouwelijk blijven.
- Machine leren: Maakt training en inferentie mogelijk op gecodeerde datasets om de privacy van zowel gegevens als modellen te garanderen.
Beperkingen en nadelen
Homomorfe encryptieberekeningen zijn traag en er kan slechts een beperkt aantal bewerkingen op de versleutelde data worden uitgevoerd. FHE-gebaseerde berekeningen zijn minstens 106 keer langzamer dan berekeningen met platte tekst.
Homomorfe encryptie is ook niet haalbaar voor meerdere gebruikers. Als we een database hebben waartoe meerdere gebruikers toegang nodig hebben, zouden we voor elke gebruiker een aparte database moeten aanmaken, die versleuteld is met de openbare sleutel van de gebruiker. Dit zou onpraktisch worden als het aantal gebruikers toeneemt of de database groter wordt.
Conclusie
Homomorfe encryptie is in de huidige vorm rekenkundig kostbaar en praktisch inefficiënt. Het kan zeker worden gebruikt om gegevens te versleutelen, terwijl we vervolgens verschillende berekeningen op die gegevens kunnen uitvoeren. Homomorfe encryptie maakt privacybehoudende berekeningen mogelijk, waardoor we in onbetrouwbare omgevingen kunnen werken met behoud van de vertrouwelijkheid van de gegevens. Bekijk Format Preserving Encryption als u geïnteresseerd bent in privacybehoudende berekeningen.
