FHE: Mengenakan Jubah Tak Terlihat Harry Potter

FHE( enkripsi homomorfik sepenuhnya ) adalah teknologi enkripsi canggih yang memungkinkan pengolahan data secara langsung dalam keadaan terenkripsi. Ini berarti analisis dan pemrosesan data dapat dilakukan sambil melindungi privasi. FHE memiliki beberapa potensi aplikasi, terutama di bidang pengolahan dan analisis data yang memerlukan perlindungan privasi, seperti keuangan, kesehatan, komputasi awan, pembelajaran mesin, sistem pemungutan suara, Internet of Things, perlindungan privasi blockchain, dan lainnya. Namun, saat ini komersialisasi masih memerlukan waktu, masalah utamanya adalah overhead komputasi dan memori yang disebabkan oleh algoritmanya yang sangat besar, serta skalabilitas yang kurang baik. Di bawah ini kita akan menjelaskan secara singkat prinsip dasar algoritma ini serta masalah utama yang dihadapinya.

Prinsip Dasar

Tujuan dasar FHE adalah untuk melakukan perhitungan pada data terenkripsi dan mendapatkan hasil yang sama dengan perhitungan pada data plaintext. Dalam kriptografi, polinomial biasanya digunakan untuk menyembunyikan informasi asli, karena polinomial dapat diubah menjadi masalah aljabar linier, yang memudahkan komputer modern untuk melakukan perhitungan vektor yang sangat teroptimasi.

Sebagai contoh angka digital 2, dalam sistem HE yang disederhanakan, mungkin akan:

1. Pilih polinomial kunci, seperti s(x) = 3x^2 + 2x + 1
2. Menghasilkan polinomial acak, seperti a(x) = 2x^2 + 5x + 3
3. Buat polinomial "kesalahan" kecil, seperti e(x) = -x + 2 c(x) = 2 + a(x)*s(x) + e(x)

Di sini, kebisingan e(x) diperkenalkan untuk membingungkan penyerang, mencegah analisis hubungan antara s(x) dan c(x) melalui input plaintext yang berulang. Ukuran kebisingan juga disebut sebagai anggaran kebisingan.

Mengubah c(x) * d(x) menjadi "sirkuit" memungkinkan pelacakan dan pengelolaan yang tepat dari noise yang diperkenalkan oleh setiap operasi, serta memudahkan perhitungan percepatan pada perangkat keras profesional seperti ASIC dan FPGA. Setiap operasi kompleks dapat dipetakan menjadi modul penjumlahan dan perkalian yang sederhana.

Namun, seiring dengan meningkatnya kedalaman perhitungan, kebisingan akan meningkat secara eksponensial, yang akhirnya menyebabkan tidak dapat memulihkan teks asli. Untuk mengatasi masalah ini, berikut adalah solusi yang diusulkan:

• Pergantian kunci: Mengompresi ciphertext setelah setiap perkalian, tetapi akan menambahkan sedikit noise.
• Modulus Switching: Mengurangi noise dengan mengurangi modulus q, tetapi akan mengurangi kemampuan komputasi.
• Bootstrap: Mengatur kembali noise ke level asli, tanpa mengurangi modulus, tetapi dengan beban komputasi yang besar

Saat ini, skema FHE terutama terdiri dari:

• BGV: Berdasarkan RLWE, mendukung sirkuit dengan kedalaman berapa pun
• BFV: Berdasarkan RLWE, cocok untuk operasi aritmatika
• TFHE: Berdasarkan LWE/TLWE, cocok untuk sirkuit boolean
• CKKS: Berdasarkan RLWE, mendukung aritmatika mendekati

Masalah yang Dihadapi FHE

Karena perlu mengenkripsi data dan mengubahnya menjadi "sirkuit", serta memperkenalkan teknologi seperti Bootstrap untuk mengatasi masalah kebisingan, beban komputasi FHE lebih tinggi beberapa urutan besarnya dibandingkan komputasi biasa.

Sebagai contoh dekripsi dengan AES-128, versi biasa membutuhkan sekitar 67 nanodetik pada prosesor 3 GHz, sementara versi FHE membutuhkan 35 detik, sekitar 500 juta kali lebih lama dari versi biasa.

Untuk mengatasi masalah ini, DARPA Amerika Serikat meluncurkan program Dprive pada tahun 2021, dengan tujuan meningkatkan kecepatan perhitungan FHE menjadi 1/10 dari perhitungan biasa. Fokus utama dilakukan dari beberapa aspek berikut:

1. Tingkatkan panjang kata prosesor menjadi 1024 bit atau lebih besar, untuk mendukung modulus yang lebih besar q
2. Membangun prosesor ASIC khusus untuk menjalankan algoritma FHE
3. Mengadopsi arsitektur paralel MIMD, mendukung pemrosesan data dengan instruksi yang berbeda secara paralel.

Meskipun kemajuannya lambat, tetapi dalam jangka panjang, teknologi FHE tetap memiliki arti penting untuk melindungi privasi data sensitif, terutama di era pasca-kuantum.

Penggabungan Blockchain

Dalam blockchain, FHE terutama digunakan untuk melindungi privasi data, dengan bidang aplikasi termasuk privasi on-chain, privasi data pelatihan AI, privasi pemungutan suara on-chain, dan peninjauan transaksi privasi on-chain. FHE juga dianggap sebagai salah satu solusi potensial untuk masalah MEV on-chain.

Namun, transaksi yang sepenuhnya terenkripsi juga akan membawa beberapa masalah, seperti hilangnya eksternalitas positif yang disebabkan oleh bot MEV, validator perlu menjalankan di mesin virtual FHE, yang secara signifikan meningkatkan persyaratan node dan mengurangi throughput jaringan.

Proyek Utama

Saat ini, sebagian besar proyek FHE menggunakan teknologi dari Zama, seperti Fhenix, Privasea, Inco Network, Mind Network, dan lain-lain. Proyek-proyek ini dibangun berdasarkan pustaka yang disediakan oleh Zama, dengan perbedaan utama terletak pada model bisnis.

Zama

Zama berbasis pada skema TFHE, telah menulis ulang TFHE menggunakan Rust, dan menyediakan alat terjemahan Python bernama Concrate. Produk fhEVM-nya mendukung kompilasi kontrak pintar yang terenkripsi end-to-end di EVM. Zama menyediakan tumpukan pengembangan FHE yang cukup lengkap untuk proyek web3.

Octra

Octra menggunakan teknologi orisinal berbasis hypergraph untuk menerapkan FHE. Ini membangun bahasa kontrak pintar baru, serta protokol konsensus ML-consensus berbasis pembelajaran mesin. Octra mengadopsi desain arsitektur jaringan utama + jaringan anak.

Menunggu

Teknologi FHE saat ini masih berada pada tahap awal, menghadapi tantangan seperti biaya yang tinggi, kesulitan teknik, dan prospek komersialisasi yang tidak jelas. Namun, dengan semakin banyak dana dan perhatian yang mengalir, serta peluncuran chip khusus FHE, teknologi ini diharapkan dapat membawa perubahan mendalam di bidang pertahanan, keuangan, kesehatan, dan lainnya. Meskipun saat ini jangkauan aplikasinya terbatas, FHE sebagai teknologi yang sangat menjanjikan tetap layak untuk terus diperhatikan dan dieksplorasi di masa depan.