Quattro casi d'uso per la tecnologia di crittografia omomorfica completamente (FHE)

La crittografia omomorfica completamente (FHE) è una tecnologia crittografica che è destinata a grandi cose.

I suoi sostenitori credono che la FHE sia veramente innovativa grazie alla sua unica capacità di consentire l’elaborazione dei dati crittografati senza decrittografarne i contenuti.

Nei circoli crittografici, questo è l’equivalente di avere la propria torta e mangiarla: il meglio di entrambi i mondi, combinando la privacy dei dati con un’elaborazione e una memorizzazione sicure.

Data l’importanza di tale tecnologia, che è stata paragonata a “avere un guanto magico che ti consente di aggiungere o rimuovere oggetti da un forziere senza mai sbloccarlo”, non sorprende che le sue applicazioni nel mondo reale siano diverse.

All’interno di settori come blockchain, telecomunicazioni e finanza, la FHE viene utilizzata per creare potenti applicazioni crittografate di ogni tipo.

Ecco solo quattro casi d’uso per la crittografia omomorfica completamente.

Indice dei contenuti

• Cloud Computing
• Voto Digitale
• Apprendimento Automatico Avanzato
• Analisi Finanziaria

Cloud Computing

Aziende e consumatori in tutto il mondo ora dipendono dal cloud per ospitare i propri dati ed eseguire calcoli.

Le nostre storie più personali, immagini e preziose creazioni digitali sono memorizzate nel cloud insieme a dati aziendali sensibili.

Tutti questi dati sono crittografati, ma ciò non ha impedito che enormi quantità di essi venissero accessibili da parte di attaccanti.

Uno dei problemi con la tecnologia di crittografia esistente è che i dati devono essere decrittografati prima di poter essere elaborati e i loro contenuti accessibili, introducendo un potenziale vettore di attacco che un avversario sofisticato può sfruttare.

La FHE elimina questo tallone d’Achille, consentendo ai dati sensibili di essere non solo memorizzati in forma crittografata ma anche elaborati in questo stato.

Di conseguenza, l’archiviazione nel cloud diventa molto più sicura e il tipo di set di dati che possono essere memorizzati al suo interno si espande notevolmente.

Ad esempio, un fornitore di assistenza sanitaria può memorizzare i registri dei pazienti crittografati nel cloud ed eseguire query sui dati senza rivelare alcuna informazione sui pazienti al fornitore di servizi cloud.

Voto Digitale

Uno dei motivi per cui la maggior parte dei paesi non consente il voto digitale per le elezioni nazionali è dovuto alla paura di manomissioni. Il voto di persona può essere inefficiente, ma è difficile falsificarlo.

La FHE ha il potenziale di trasformare il voto digitale, utilizzando un framework blockchain per registrare chi ha votato senza rivelare per chi hanno votato.

Questo è uno dei casi d’uso esplorati da Fhenix, il primo blockchain Layer 2 che abilita la riservatezza alimentato da crittografia omomorfica completamente.

L’implementazione della FHE creata da Fhenix ha una serie di applicazioni che includono il supporto per il voto privato per le DAO, rendendo possibile per gli organizzatori valutare la partecipazione totale degli elettori senza rivelare la scelta di voto di ciascun partecipante.

Questa stessa capacità potrebbe essere utilizzata per il voto nel mondo reale, implementata onchain ma utilizzata per determinare eventi importanti, comprese le scelte governative e presidenziali.

In un’elezione, gli elettori possono inviare i loro voti crittografati a un server centrale, che può contare i voti senza decrittografarli, garantendo l’anonimato degli elettori e l’integrità delle elezioni.

Apprendimento Automatico Avanzato

L’industria dell’IA dipende dall’esecuzione di grandi set di dati di apprendimento automatico (ML) per addestrare modelli.

Il problema è che le aziende sono spesso limitate nell’accesso ai dati che vorrebbero utilizzare per scopi di ML a causa delle normative sullo scambio di dati in vigore che ne limitano l’uso.

La FHE consente di calcolare set di dati crittografati, garantendo che i modelli di ML possano ricevere l’addestramento di cui hanno bisogno senza che le informazioni sottostanti vengano esposte.

La capacità di combinare più set di dati per consentire un addestramento ML su larga scala è la chiave per fare veri progressi nell’intelligenza artificiale.

Utilizzare la FHE per l’addestramento ML è uno dei principali casi d’uso per la FHE sostenuti da IBM, e man mano che la corsa agli armamenti dell’IA si intensifica, ci si aspetta di vedere la FHE menzionata di routine nella stessa frase dell’ML.

Analisi Finanziaria

Forse uno dei casi d’uso più convincenti per la FHE è l’elaborazione dei dati finanziari.

Le proprietà uniche di questa tecnologia crittografica consentono di analizzare i dati finanziari sensibili su larga scala senza esporre dati sensibili nel processo.

Ad esempio, le banche possono calcolare punteggi di credito e valutazioni del rischio su dati finanziari crittografati dei clienti senza rivelare i dati a entità non autorizzate.

Il settore finanziario può anche sfruttare la FHE per consentire agli analisti di lavorare su grandi set di dati per condurre modelli complessi di cose come proiezioni economiche, previsioni macro, sviluppo di politiche fiscali e analisi delle minacce finanziarie, combinando più set di dati senza aumentare il rischio di un grave fallout attraverso la perdita di dati poiché i dati rimangono crittografati in ogni momento.

Dalla sicurezza delle app di messaggistica ai dati dei sensori IoT, la FHE ha una serie di applicazioni.

La capacità di condurre analisi e elaborazioni di dati ad alto valore, senza decrittografare i dati, è un vero cambiamento di gioco, mentre casi d’uso come il voto digitale e la modellazione ML forniscono ulteriori prove che il futuro della crittografia è inestricabilmente legato al futuro della FHE.