La sélection d'objets représentatifs au sein d'une base de données à grande échelle est une tâche essentielle pour appréhender cette dernière. La requête skyline constitue l'une des méthodes les plus répandues pour sélectionner de tels objets. Elle permet d'extraire un ensemble d'objets non dominés. Dans cet article, nous considérons un algorithme distribué de calcul de skyline suffisamment efficace pour traiter les « données massives ». Ayant constaté l'importance des « données massives », nous souhaitons les exploiter, tout en veillant impérativement à préserver leur confidentialité. Dans les algorithmes distribués conventionnels de calcul de requêtes skyline, il est nécessaire de divulguer les valeurs sensibles de chaque objet d'une base de données privée à une autre à des fins de comparaison. Dès lors, la confidentialité des objets n'est pas préservée. Or, de telles divulgations d'informations sensibles dans les systèmes traditionnels de bases de données distribuées ne sont pas admises dans les environnements informatiques modernes soucieux de la confidentialité. Récemment, plusieurs cadres de calcul de skyline préservant la confidentialité ont été introduits. Néanmoins, la plupart d'entre eux emploient des protocoles de comparaison sécurisée coûteux en calcul pour comparer des données chiffrées de manière homomorphe. Dans ce travail, nous proposons une approche novatrice et efficace pour calculer le skyline dans un environnement de calcul multipartite sécurisé sans divulguer la valeur des attributs individuels des objets. Nous utilisons un protocole de tri multipartite sécurisé fondé sur le chiffrement homomorphe sous le modèle de l'adversaire semi-honnête afin de transformer chaque valeur d'attribut des objets sans modifier leur ordonnancement selon chaque attribut. Pour calculer le skyline, nous nous appuyons sur l'ordre des objets selon chaque attribut afin d'évaluer la relation de dominance entre eux. L'analyse de sécurité confirme que le cadre proposé permet d'effectuer un calcul de skyline multipartite sans faire fuiter les valeurs d'attributs sensibles vers des tiers. En outre, nos résultats expérimentaux confirment également l'efficacité et le passage à l'échelle du cadre proposé pour le calcul de skyline préservant la confidentialité.