• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
AI, machine-learning

Homomorphic Encryption and Additive Secret Sharing | Python Code

Homomorphic Encryption and Additive Secret Sharing | Python Code

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

Written by Andrea Provino - Febbraio 11, 2020
Tags | deep learning, machine learning, privacy

You Might Also Like

enigma-cripthography-cypbersecurity-data-science-machine-learning-homomorphic-encryption-additive-secret-sharing-deep-learning-privacy-preserving

Introduzione alla Crittografia (Cryptography) | Differential Privacy

Maggio 2, 2020
Zero Knwoledge Proof Article

Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

Luglio 8, 2021
applied-federated-learning-concepts-deep-learning-pysyft-example-privacy-preserving-predictive-maintenance

Applied Federated Learning & Predictive Maintenance | Code Example

Febbraio 24, 2020
Next Post
Previous Post

Una pubblicità che non vedi se usi AdBlock

EXPAND YOUR KNOWLEDGE

  • Blockchain Developer

    Circuito aritmetico

    Novembre 1, 2022
  • machine-learning

    Un nuovo inizio

    Settembre 4, 2021
  • Zero Knwoledge Proof Article Privacy Preserving

    Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

    Luglio 8, 2021
  • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

    Oblivious Transfer (OT)

    Luglio 6, 2021
  • Aleo Studio Website Preview machine-learning

    Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

    Luglio 1, 2021
  • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

    Perché il Privacy Tech è un vantaggio competitivo micidiale

    Giugno 17, 2021
  • bloom-filter-spiegazione-italian Privacy Preserving

    Bloom Filter

    Giugno 3, 2021
  • trusted-execution-environment-tee-data-science-come-fuziona Data Science, Privacy Preserving

    Trusted Execution Environment | Cos’è un TEE?

    Giugno 2, 2021
  • Crypto Custody services machine-learning

    Crypto Custody: Guida alla custodia delle criptomonete

    Maggio 26, 2021
  • deep-q-learning-q-learning-reinforcement-learning machine-learning

    Deep Q-Learning

    Aprile 27, 2021

Quello che Google pensa ti possa piacere

Prodotti che i Cookie dicono potresti trovare interessanti

AI Blog - © 2019-2021 Andrea Provino