Cingulata permet de développer des applications en mesure de réaliser des traitements sur des données chiffrées sans avoir à les déchiffrer. Il réconcilie ainsi protection des données et traitement dans le cloud ou dans un contexte collaboratif.
Comment utiliser et travailler avec des données de partenaires ou de clients sans y avoir accès ? Comment respecter la confidentialité des données que l’on a besoin d’analyser ? C’est à ces questions que répond Cingulata, un outil permettant d’effectuer des calculs sur des données chiffrées sans avoir à les déchiffrer.
Cingulata est une chaîne de compilation. Elle utilise des techniques avancées de chiffrement (chiffrement entièrement homomorphe ou Fully Homomorphic Encryption) pour créer, optimiser et déployer des applications capables de réaliser des traitements sur des données chiffrées sur des serveurs distants, tout en préservant leur confidentialité de bout en bout. Cingulata permet ainsi à des partenaires de s’échanger des données confidentielles et de les manipuler librement sans avoir à les dévoiler. Ou de rendre possible le développement de services d’analyse de données dans le cloud sur des données privées chiffrées, là encore sans compromettre ni la confidentialité des données elles-mêmes ni celle des résultats.
Disponible en open source, Cingulata répond à de nombreux besoins dans les secteurs de la défense, de l’énergie, de la santé, de la biométrie, du transport multimodal, du manufacturing, etc.
Les principales forces de Cingulata :
En partenariat avec le CEA-List, Scalnyx a développé une solution industrielle sécurisée par conception pour accélérer l’exécution de calcul sur données chiffrées. Le déploiement de ce type de traitement sur les ressources de calcul reste, en effet, un enjeu majeur pour atteindre les meilleures performances. Afin d’y répondre, Scalnyx a développé Scaltrust, une solution combinant Cingulata et sa technologie d’accélération de logiciel.
Pour en savoir plus, lire l’actualité Scalnyx et le CEA.
Revisiting stream-cipher-based homomorphic transciphering in the TFHE era, A. A. Bend oukha, A. Boudguiga and R. Sirdey. Foundations of Privacy & Security (FPS), 2021. « in press ».
SPEED: Secure, PrivatE, and Efficient Deep learning, A. Grivet Sébert, R. Pinot, M. Zuber, C. Gouy-Pailler and R. Sirdey. Machine Learning Journal 110, 675–694, 2021 (DOI). Presented at ECML’21.
Efficient homomorphic evaluation of k-NN classifiers, M. Zuber and R. Sirdey. Proceedings on Privacy Enhancing Technology Symposium 2, 111-129, 2021 (DOI). Presented at PETS’21.
Faster homomorphic encryption is not enough: improved heuristic for multiplicative depth minimization of boolean circuits, P. Aubry, S. Carpov and R. Sirdey. 2020 Cryptographers’ Track at the RSA Conference.
Automatize parameter tuning in Ring-Learning-With-Errors-based leveled homomorphic cryptosystem implementations, V. Herbet. 2019.
Practical fully homomorphic encryption for fully masked neural networks, M. Izabachène, R. Sirdey and M. Zuber. Proceedings of the 18th International Conference on Cryptology and Network Security, 24-36, LNCS 11829, 2019 (DOI).
A SaaS implementation of a new generic crypto-classifier service for secure energy efficiency in Smart Cities, O. Stan, M.-H. Zayani, R. Sirdey, A. Ben Hamida, M. Mziou-Sellami and A. Ferreira Leite. In Smart Cities, Green Technologies and Intelligent Transport Systems, pp. 90-115, 2019 (DOI).
New Techniques for Multi-value Input Homomorphic Evaluation and Applications, S. Carpov, M. Izabachène, V. Mollimard. 2019 Cryptographers’ Track at the RSA Conference (DOI).
Pour en savoir plus, accéder à Cingulata.
