Cuatro casos de uso para la tecnología de cifrado homomórfico completamente (FHE)

El cifrado homomórfico completamente (FHE) es una tecnología criptográfica que se prevé que tenga un gran impacto.

Sus defensores creen que el FHE es verdaderamente revolucionario debido a su capacidad única para permitir el procesamiento de datos cifrados sin descifrar su contenido.

En círculos criptográficos, esto es equivalente a tener tu pastel y comértelo: lo mejor de ambos mundos, combinando la privacidad de los datos con un procesamiento y almacenamiento seguros.

Dado el valor de tal tecnología, que se ha comparado con “tener un guante mágico que te permite agregar o quitar elementos de un cofre del tesoro sin nunca desbloquearlo”, no es sorprendente que sus aplicaciones en el mundo real sean diversas.

Dentro de industrias como blockchain, telecomunicaciones y finanzas, se está utilizando el FHE para crear aplicaciones cifradas poderosas de todo tipo.

Aquí hay solo cuatro casos de uso para el cifrado homomórfico completamente.

Tabla de Contenidos

• Computación en la Nube
• Votación Digital
• Aprendizaje Automático Mejorado
• Análisis Financiero

Computación en la Nube

Las empresas y los consumidores de todo el mundo ahora dependen de la nube para alojar sus datos y realizar cálculos.

Nuestras historias más personales, imágenes y preciadas creaciones digitales se almacenan en la nube junto con datos sensibles de la empresa.

Todos estos datos están cifrados, pero eso no ha impedido que vastas cantidades de ellos sean accesibles por atacantes.

Uno de los problemas con la tecnología de cifrado existente es que los datos deben ser descifrados antes de que puedan ser procesados y su contenido accesible, introduciendo un posible vector de ataque que un adversario sofisticado puede explotar.

El FHE elimina este talón de Aquiles, permitiendo que los datos sensibles no solo se almacenen en forma cifrada, sino que también se procesen en este estado.

Como resultado, el almacenamiento en la nube se vuelve mucho más seguro y el tipo de conjuntos de datos que se pueden almacenar dentro de él se expande enormemente.

Por ejemplo, un proveedor de atención médica puede almacenar registros de pacientes cifrados en la nube y ejecutar consultas sobre los datos sin revelar ninguna información del paciente al proveedor de servicios en la nube.

Votación Digital

Una de las razones por las que la mayoría de los países no permiten la votación digital para elecciones nacionales es debido a los temores de manipulación. La votación en persona puede ser ineficiente, pero es difícil de falsificar.

El FHE tiene el potencial de transformar la votación digital, utilizando un marco de blockchain para registrar quién ha votado sin revelar por quién han votado.

Este es uno de los casos de uso que está siendo explorado por Fhenix, la primera blockchain de Capa 2 que habilita la confidencialidad impulsada por cifrado homomórfico completamente.

La implementación de FHE creada por Fhenix tiene una serie de aplicaciones que incluyen el apoyo a la votación privada para DAOs, haciendo posible que los organizadores evalúen la participación total de los votantes sin divulgar la elección de voto de cada participante.

Esta misma capacidad podría ser utilizada para la votación en el mundo real, implementada en la cadena pero utilizada para determinar eventos importantes, incluyendo elecciones gubernamentales y presidenciales.

En una elección, los votantes pueden enviar sus votos cifrados a un servidor central, que puede contar los votos sin descifrarlos, asegurando el anonimato del votante y la integridad de la elección.

Aprendizaje Automático Mejorado

La industria de la IA depende de ejecutar grandes conjuntos de datos de aprendizaje automático (ML) para entrenar modelos.

El problema es que las empresas a menudo están restringidas en el acceso a los datos que les gustaría utilizar para fines de ML debido a las regulaciones de intercambio de datos que restringen su uso.

El FHE permite que conjuntos de datos cifrados sean computados, asegurando que los modelos de ML puedan recibir el entrenamiento que requieren sin que la información subyacente sea expuesta.

La capacidad de combinar múltiples conjuntos de datos para permitir el entrenamiento de ML a gran escala es la clave para hacer avances reales en inteligencia artificial.

Usar FHE para el entrenamiento de ML es uno de los principales casos de uso para FHE defendido por IBM, y a medida que la carrera armamentista de la IA se intensifica, se espera ver el FHE mencionado rutinariamente en la misma frase que el ML.

Análisis Financiero

Quizás uno de los casos de uso más convincentes para el FHE es el procesamiento de datos financieros.

Las propiedades únicas de esta tecnología criptográfica permiten que los datos financieros sensibles sean analizados a gran escala sin exponer datos sensibles en el proceso.

Por ejemplo, los bancos pueden calcular puntajes de crédito y evaluaciones de riesgo sobre datos financieros cifrados de clientes sin revelar los datos a entidades no autorizadas.

El sector financiero también puede aprovechar el FHE para permitir que los analistas trabajen en grandes conjuntos de datos para realizar modelados complejos de cosas como proyecciones económicas, pronósticos macro, desarrollo de políticas fiscales y análisis de amenazas financieras, combinando múltiples conjuntos de datos sin aumentar el riesgo de una caída importante a través de la filtración de datos, ya que los datos permanecen cifrados en todo momento.

Desde asegurar aplicaciones de mensajería hasta datos de sensores IoT, el FHE tiene una multitud de aplicaciones.

La capacidad de realizar análisis y procesamiento de datos de alto valor, sin descifrar datos, es un verdadero cambio de juego, mientras que casos de uso como la votación digital y el modelado de ML proporcionan más pruebas de que el futuro de la criptografía está inexorablemente vinculado con el futuro del FHE.