2.2.6 Quelques applications du FHE
Le FHE ouvre la voie à de nombreuses applications dans
divers domaines [53], notamment :
Le vote électronique
Le vote électronique traditionnel nécessite de
décrypter les votes pour les additionner, créant un risque de
fraude lors du dépouillement. En revanche, un système utilisant
le chiffrement ho-momorphe permet d'additionner les votes directement sous
forme chiffrée, sans déchiffrement intermédiaire, ce qui
renforce la sécurité.
Calcul sécurisé dans le cloud
2.2 Générations du chiffrement homomorphe
30
Mémoire de Master 2 Recherche 30 MOUYOUME
DIEUDONNE(c) UYI
Les entreprises peuvent utiliser le FHE pour traiter des
données sensibles dans le cloud sans compromettre leur
confidentialité. Par exemple, des calculs complexes sur des
données médicales peuvent être effectués de
manière sécurisée sans révéler les
informations personnelles des patients.
-- Protection de la vie privée
Les utilisateurs individuels peuvent bénéficier
du FHE pour protéger leur vie privée en ligne. Par exemple, les
applications de messagerie peuvent utiliser le FHE pour chiffrer les
conversations de bout en bout, garantissant ainsi que même le fournisseur
de services ne peut pas accéder aux messages des utilisateurs.
-- Analyse de données
sécurisées
Les chercheurs et les analystes de données peuvent
utiliser le FHE pour effectuer des analyses sur des ensembles de données
sensibles tout en préservant la confidentialité des
données. Par exemple, des études sur les données
médicales ou financières peuvent être menées de
manière sécurisée sans compromettre la vie privée
des individus concernés.
-- IA et Machine Learning
Selon IBM, le chiffrement totalement homomorphe est de plus en
plus compatible avec le machine learning et les réseaux de neurones.
-- Chiffrement des données biométriques et
analyse des comportements
Il s'agit de protéger les données
biométriques et les cas d'usage d'analyse comportementale
côté serveur.
-- Analyses prédictives chiffrées dans les
services financiers
Bien que le ML permette de créer des modèles
prédictifs pour des activités comme la lutte contre la fraude,
les transactions financières et les rendements d'investissements, les
réglementations et les politiques empêchent souvent les
organisations de partager et d'exploiter les données sensibles. Le FHE
permet le calcul de données chiffrées à l'aide de
modèles de ML sans exposer les informations.
-- Confidentialité dans le secteur de la
santé et des sciences de la vie
Malgré l'efficacité du cloud dans
l'hébergement des workloads pour les essais cliniques de grande ampleur,
les risques liés à la confidentialité et les
réglementations sanitaires empêchent souvent les hôpitaux de
passer au cloud. Le FHE peut améliorer l'acceptation des protocoles de
partage des données, augmenter la taille des échantillons dans la
recherche clinique et accélérer l'apprentissage à partir
de données réelles.
-- Recherche chiffrée dans le secteur du
commerce et des services aux consommateurs La technologie permet de
surveiller à grande échelle la manière dont les
consommateurs recherchent et accèdent aux informations, mais il est
difficile pour les organisations de monétiser ces données en
raison des droits de protection de la vie privée. Le FHE permet
d'obtenir des informations sur le comportement des consommateurs tout en
masquant les requêtes des utilisateurs et en protégeant le droit
des individus à la vie privée.
2.2 Générations du chiffrement homomorphe
31
Mémoire de Master 2 Recherche 31 MOUYOUME DIEUDONNE(c)
UYI
| 
