Четыре примера использования технологии полностью гомоморфного шифрования (FHE)

Полностью гомоморфное шифрование (FHE) — это криптографическая технология, которая обещает большие перспективы.

Её сторонники считают FHE действительно революционной благодаря её уникальной способности позволять обработку зашифрованных данных без расшифровки их содержимого.

В криптографических кругах это эквивалентно тому, чтобы иметь свой торт и съесть его: лучшее из обоих миров, сочетая конфиденциальность данных с безопасной обработкой и хранением.

Учитывая ценность такой технологии, которую сравнивают с «магической перчаткой, позволяющей добавлять или удалять предметы из сундука с сокровищами, не открывая его», неудивительно, что её реальные приложения разнообразны.

В таких отраслях, как блокчейн, телекоммуникации и финансы, FHE используется для создания мощных зашифрованных приложений всех видов.

Вот всего четыре примера использования полностью гомоморфного шифрования.

Содержание

• Облачные вычисления
• Цифровое голосование
• Улучшенное машинное обучение
• Финансовый анализ

Облачные вычисления

Компании и потребители по всему миру теперь полагаются на облако для хранения своих данных и выполнения вычислений.

Наши самые личные истории, изображения и драгоценные цифровые творения хранятся в облаке наряду с конфиденциальными данными компаний.

Все эти данные зашифрованы, но это не помешало злоумышленникам получить доступ к огромным объемам информации.

Одна из проблем существующих технологий шифрования заключается в том, что данные должны быть расшифрованы, прежде чем их можно будет обработать и получить доступ к их содержимому, что создает потенциальную уязвимость, которую может использовать опытный противник.

FHE устраняет эту ахиллесову пяту, позволяя конфиденциальным данным не только храниться в зашифрованном виде, но и обрабатываться в этом состоянии.

В результате облачное хранилище становится гораздо более безопасным, и типы наборов данных, которые могут быть в нём сохранены, значительно расширяются.

Например, поставщик медицинских услуг может хранить зашифрованные записи пациентов в облаке и выполнять запросы к данным, не раскрывая никакой информации о пациентах облачному провайдеру.

Цифровое голосование

Одна из причин, по которой большинство стран не разрешают цифровое голосование на национальных выборах, заключается в опасениях по поводу манипуляций. Голосование лицом к лицу может быть неэффективным, но его трудно подделать.

FHE имеет потенциал для трансформации цифрового голосования, используя блокчейн для записи того, кто голосовал, не раскрывая, за кого они голосовали.

Это один из примеров использования, который исследует Fhenix, первый блокчейн второго уровня, обеспечивающий конфиденциальность и работающий на основе полностью гомоморфного шифрования.

Реализация FHE, созданная Fhenix, имеет ряд приложений, включая поддержку частного голосования для DAO, что позволяет организаторам оценивать общее участие избирателей, не раскрывая выбор каждого участника.

Эта же возможность может быть использована для реального голосования, реализованного в блокчейне, но используемого для определения основных событий, включая выборы в правительство и президентские выборы.

На выборах избиратели могут отправлять свои зашифрованные голоса на центральный сервер, который может подсчитывать голоса, не расшифровывая их, обеспечивая анонимность избирателей и целостность выборов.

Улучшенное машинное обучение

Индустрия ИИ зависит от обработки больших наборов данных машинного обучения (ML) для обучения моделей.

Проблема в том, что компаниям часто запрещено получать доступ к данным, которые они хотели бы использовать для целей ML, из-за действующих правил обмена данными, ограничивающих их использование.

FHE позволяет вычислять зашифрованные наборы данных, обеспечивая, чтобы модели ML могли получать необходимое обучение без раскрытия основной информации.

Способность комбинировать несколько наборов данных для разрешения масштабного обучения ML является ключом к реальным достижениям в области искусственного интеллекта.

Использование FHE для обучения ML является одним из основных примеров использования FHE, поддерживаемых IBM, и по мере того как гонка вооружений в области ИИ накаляется, ожидайте, что FHE будет регулярно упоминаться в одном контексте с ML.

Финансовый анализ

Возможно, одним из самых убедительных примеров использования FHE является обработка финансовых данных.

Уникальные свойства этой криптографической технологии позволяют анализировать конфиденциальные финансовые данные в масштабах, не раскрывая конфиденциальные данные в процессе.

Например, банки могут рассчитывать кредитные рейтинги и оценки рисков на зашифрованных финансовых данных клиентов, не раскрывая данные несанкционированным лицам.

Финансовый сектор также может использовать FHE, чтобы позволить аналитикам работать с большими наборами данных для проведения сложного моделирования таких вещей, как экономические прогнозы, макроэкономическое прогнозирование, разработка фискальной политики и анализ финансовых угроз, комбинируя несколько наборов данных без увеличения риска серьезных последствий из-за утечки данных, поскольку данные остаются зашифрованными в любое время.

От обеспечения мессенджеров до данных датчиков IoT, FHE имеет множество приложений.

Способность проводить высокоценную аналитику и обработку данных без расшифровки данных является настоящим прорывом, в то время как такие примеры использования, как цифровое голосование и моделирование ML, предоставляют дополнительные доказательства того, что будущее криптографии неразрывно связано с будущим FHE.