La protección y procesamiento de datos sensibles en sistemas de big data son problemas comunes a medida que el aumento en el tamaño de los datos incrementa la necesidad de alta potencia de procesamiento. La protección de los datos sensibles en un sistema que contiene múltiples conexiones con diferentes políticas de privacidad, también conlleva la necesidad de utilizar métodos adecuados de intercambio de claves criptográficas para cada parte, como trabajo adicional. Los métodos de cifrado homomórfico pueden realizar operaciones aritméticas similares en datos cifrados de la misma manera que en un formato plano de los datos. Por lo tanto, estos métodos brindan privacidad de datos, ya que los datos se procesan en el dominio cifrado, sin necesidad de un formato plano y esto permite externalizar los cálculos a sistemas en la nube. Esto también simplifica las sesiones de intercambio de claves para todas las partes. En este documento, proponemos métodos novedosos de agrupación preservando la privacidad, junto con esquemas de cifrado homomórfico que pueden ejecutarse en una plataforma común de alto rendimiento, como un sistema en la nube. Como resultado, las partes de este sistema no necesitarán poseer alta potencia de procesamiento porque las tareas más exigentes en cuanto a potencia se realizarían en cualquier proveedor de sistemas en la nube. Nuestro sistema ofrece un cálculo de matriz de distancias preservando la privacidad para varios algoritmos de agrupación. Considerando tanto formas cifradas como planas de los mismos datos para diferentes longitudes de clave y datos, los resultados de rendimiento de nuestro método de entrenamiento preservando la privacidad se obtienen para cuatro algoritmos de agrupación de datos diferentes, considerando seis métricas de evaluación distintas.