Blog.

Homomorphic Encryption and Additive Secret Sharing | Python Code


Autore
Andrea Provino
Data
Tempo di lettura
3 minuti
Categoria
AI, machine-learning

homomorphic-encryption-additive-secret-sharing-data-science-machine-learning-differential-privacy-federated-learning

Homomorphic Encryption è una forma di criptazione che permette di eseguire calcoli su operandi criptati, ottenendo un risultato criptato.

Una volta decriptato il risultato, questo risulta identico a quello ottenuto effettuando lo stesso calcolo sugli operandi reali e non criptati.

Secret Sharing è una tecnica in base al quale un segreto x è diviso in molteplici quote (share) che vengono poi distribuite a un gruppo di secret-holder.

Il segreto x può quindi essere ricostruito solo quando tutte le quote in cui è stato diviso sono disponibili.

Le nostre amate definizioni introduttive.

Ora andiamo al succo. Facciamo un esempio.

Siamo proprietari di un’informazione, un numero x che dividiamo in 3 quote: x1, x2, x3. Inizializziamo casualmente le prime due, e calcoliamo la terza quota come:

x3 = x -( x1 + x2)

Distribuiamo quindi le nostre 3 quote (share) ad altrettanti secret-holder. Il segreto iniziale, il nostro numero x, rimane nascosto a ciascun individuo poiché ognuno di loro possiede una sola share e non ha idea del valore totale.

La procedura può essere resa più sicura scegliendo il range di valori validi per le share. I numeri primi accorrono in nostro soccorso.

Definiamo Q un numero primo grande quale limite superiore. Ora la nostra terza share sarà definita da:

x3 = Q - (x1 + x2) % Q + x

Poiché in questo post andremo dritti alla parte pratica, ecco il codice python per compiere un’operazione simile:

import random

# setting Q to a very large prime number
Q = 23740629843760239486723


def encrypt(x, n_share=3):
    r"""Returns a tuple containg n_share number of shares
    obtained after encrypting the value x."""

    shares = list()
    for i in range(n_share - 1):
        shares.append(random.randint(0, Q))
    shares.append(Q - (sum(shares) % Q) + x)
    return tuple(shares)


print("Shares: " + str(encrypt(3)))

Ecco una rappresentazione visiva della divisione di x in tre share usando un numero Q come upper limit

OpenMined Blog

La funzione di decriptazione sarà semplicemente la somma delle quote in modulo Q:

def decrypt(shares):
    r"""Returns a value obtained by decrypting the shares."""

    return sum(shares) % Q


print("Value after decrypting: " + str(decrypt(encrypt(3))))
OpenMined Blog

Ora, il sistema di secret sharing che abbiamo definito è più precisamente di Additive Secret Sharing, una tecnica che contiene di per sè l’homomorphic encryption.

Dividiamo x in x1,x2,x3 e y in y1,y2,y3 allora è vero che:

x + y = (x1 + y1) + (x2 + y2) + (x3 + y3)

Codice? Presto detto:

def add(a, b):
    r"""Returns a value obtained by adding the shares a and b."""

    c = list()
    for i in range(len(a)):
        c.append((a[i] + b[i]) % Q)
    return tuple(c)


x, y = 6, 8
a = encrypt(x)
b = encrypt(y)
c = add(a, b)
print("Shares encrypting x: " + str(a))
print("Shares encrypting y: " + str(b))
print("Sum of shares: " + str(c))
print("Sum of original values (x + y): " + str(decrypt(c)))

Siamo quindi in grado di calcolare la somma di due valori senza conoscere il valore reale di ognuno di essi.

Yea.

PySyft ci consente di padroneggiare queste tecniche e sviluppare modelli che tengano conto di homomorphic encryption e additive secret sharing

Fonte: OpenMined

Un caldo abbraccio, Andrea

Taggeddeep learningmachine learningprivacy


Ultimi post

Patricia Merkle Trie

Il Practical Algorithm To Retrieve Information Coded In Alphanumeric Merkle Trie, o Patricia Merkle Trie è una struttura dati chiave-valore usatada Ethereum e particolarmente efficiente per il salvataggio e la verifica dell’integrità dell’informazione. In questo post ne studieremo le caratteristiche. Prima di procedere, ci conviene ripassare l’introduzione al Merkle Tree nella quale abbiamo chiarito il […]

Andrea Provino
ethereum-patricia-merkle-tree
Tree Data Structure: cos’è un Merkle Tree

Un Merkle Tree è una struttura dati efficiente per verificare che un dato appartenga a un insieme esteso di elementi. È comunemente impiegato nelle Peer to Peer network in cui la generazione efficiente di prove (proof) contribuisce alla scalabilità della rete. Capire i vantaggi di questa struttura ci tornerà utile nel nostro percorso di esplorazione […]

Andrea Provino
merkle-tree-cover
UTXO: come funziona il modello Unspent Transaction Outputs

Per tenere traccia dei bilanci utente, la blockchain di Bitcoin sfrutta un modello di contabilità definito UTXO o Unspent Transaction Outputs. In questo articolo ne esaminiamo le caratteristiche. Ogni blockchain è dotata di un sistema di contabilità, un meccanismo attraverso cui tenere traccia dei bilanci di ciascun utente. I due grandi modelli di riferimento nel […]

Andrea Provino
bitcoin-utxo
Cos’è Ethereum

Possiamo definire Ethereum come una macchina a stati distribuita che traccia le transizioni di un archivio dati general-purpose (i.e. una memoria in grado di registrare qualsiasi dato esprimibile come coppia di chiave e valore o key-value) all’interno della Ethereum Blockchain. È arrivato il momento di esplorare uno dei progetti tecnologici più innovativi e interessanti degli […]

Andrea Provino
ethereum