رمزنگاری کاملاً هم‌ریخت چگونه داده‌ها را بدون رمزگشایی، پردازش می‌کند؟

برای اینکه هر سیستمی بتواند داده‌هایی را که نمی‌بیند، پردازش کند، عملیات ریاضی انجام شده روی متن رمز باید کاملاً بازتاب‌دهنده عملیاتی باشد که قرار بود روی متن ساده انجام شود. این محدودیت اصلی رمزنگاری کاملاً هم‌ریخت (FHE) است. اگر سرور نتواند جمع روی متن رمز را مستقیماً به جمع روی متن ساده نگاشت کند، نتیجه رمزگشایی شده کاملاً بی‌معنی خواهد بود. در گذشته، حفظ این نگاشت، سربار محاسباتی چنان شدیدی ایجاد می‌کرد – اغلب یک میلیون برابر کندتر از پردازش استاندارد – که این قابلیت صرفاً در حد آکادمیک باقی ماند. امروز، این محدودیت بالاخره در حال کاهش است. از طریق ترکیبی از اصلاحات الگوریتمی و شتاب‌دهنده‌های سخت‌افزاری اختصاصی، این سربار در حال کوچک شدن است تا جایی که بارهای کاری سازمانی خاص و با ارزش بالا می‌توانند بدون فلج کردن زیرساخت میزبان، در تاریکی اجرا شوند.[1][3]

چارچوب تبلیغاتی اغلب طوری وانمود می‌کند که FHE جایگزینی ساده برای رایانش ابری استاندارد است و جهانی را نوید می‌دهد که در آن هیچ سروری داده‌های کاربر را نمی‌بیند و نقض داده‌ها از نظر ریاضی غیرممکن می‌شود. اما واقعیت آنچه که واقعاً عرضه شده، بسیار محدودتر است. FHE به طور جادویی یک پایگاه داده رابطه‌ای سنتی یا یک بک‌اند برنامه وب استاندارد را رمزنگاری نمی‌کند. در عوض، مجموعه‌ای خاص و بسیار محدود از عملیات ریاضی – عمدتاً جمع و ضرب – را فراهم می‌کند که می‌توانند روی آرایه‌های رمزنگاری شده اجرا شوند. مستندات مایکروسافت SEAL صراحتاً به توسعه‌دهندگان هشدار می‌دهد که FHE «یک فناوری عمومی نیست که بتوان از آن برای اجرای امن برنامه‌های دلخواه استفاده کرد»، بلکه ابزاری رمزنگاری تخصصی است که نیازمند انتخاب دقیق بار کاری است.[1][4]

برای درک این سازوکار، نحوه عملکرد رمزنگاری استاندارد در محیط ابری مدرن را در نظر بگیرید. در طرح‌های سنتی مانند استاندارد رمزنگاری پیشرفته (AES)، داده‌ها برای ذخیره‌سازی یا انتقال به قالبی امن درهم ریخته می‌شوند، اما قبل از اینکه پردازنده بتواند آن‌ها را بخواند، جستجو کند یا تغییر دهد، باید با یک کلید رمزنگاری باز شوند. این امر یک پنجره آسیب‌پذیری دائمی ایجاد می‌کند: لحظه‌ای که داده‌ها در حافظه سرور برای پردازش رمزگشایی می‌شوند، در معرض بدافزارهای حافظه‌خوان، عوامل داخلی مخرب یا نقض‌های هایپروایزر قرار می‌گیرند. در این حالت، ارائه‌دهنده خدمات ابری باید کاملاً مورد اعتماد باشد.[3][4]

FHE این پنجره آسیب‌پذیری را به طور کامل حذف می‌کند، زیرا متن رمز را به جای یک جعبه قفل شده، به عنوان یک شیء ریاضی قابل محاسبه در نظر می‌گیرد. وقتی یک کاربر اعداد پنج و هفت را رمزنگاری می‌کند، متون رمز حاصل را برای سرور ابری می‌فرستد. سرور، در حالی که کاملاً نسبت به مقادیر اصلی کور است، مستقیماً تابع جمع FHE را روی دو متن رمز اعمال می‌کند. خروجی یک متن رمز جدید و متمایز است که برای سرور شبیه نویز تصادفی به نظر می‌رسد، اما از نظر ریاضی حاوی مجموع ورودی‌های پنهان است. سرور کار را بدون اینکه هرگز کلید را در اختیار داشته باشد، انجام می‌دهد.[2]

نقطه عطف زمانی رخ می‌دهد که آن متن رمز جدید به کاربر بازگردانده می‌شود. وقتی کاربر با استفاده از کلید خصوصی خود آن را رمزگشایی می‌کند، نتیجه دقیقاً دوازده است. سرور محاسبات را انجام داده، اما هرگز نفهمیده که چه چیزی را محاسبه می‌کند یا نتیجه چه بوده است. این قابلیت که اولین بار توسط رمزنگاران در اواخر دهه ۱۹۷۰ مطرح شد، تا سال ۲۰۰۹ غیرممکن تلقی می‌شد، تا اینکه محققی به نام کریگ گنتری (Craig Gentry) رساله‌ای منتشر کرد که ثابت می‌کرد می‌توان با حل مشکل بدنام «نویز» در جامعه رمزنگاری، این کار را انجام داد.[2][3]

مشکل نویز دومین محدودیت اصلی حاکم بر FHE است. هر بار که یک عملیات FHE انجام می‌شود، مقدار کمی نویز ریاضی به طور عمدی به متن رمز اضافه می‌شود تا امنیت آن در برابر حملات رمزنگاری تضمین شود. عملیات جمع نویز کمی اضافه می‌کند؛ اما ضرب، نویز را به صورت تصاعدی افزایش می‌دهد. اگر نویز بیش از حد بزرگ شود، داده‌های اصلی را خراب می‌کند و رمزگشایی را غیرممکن ساخته و اطلاعات را از بین می‌برد. مدیریت این «بودجه نویز» چالش اصلی مهندسی در هر استقرار FHE است و دقیقاً تعیین می‌کند که سرور قبل از غیرقابل خواندن شدن داده‌ها، چند عملیات متوالی می‌تواند انجام دهد.[2]

دستاورد بزرگ گنتری در سال ۲۰۰۹، تکنیکی به نام «بوت‌استرپینگ» (Bootstrapping) بود. بوت‌استرپینگ اساساً الگوریتم رمزگشایی را به صورت هم‌ریخت روی متن رمز نویزدار اجرا می‌کند و یک متن رمز تازه با نویز کاهش‌یافته تولید می‌کند، همه این‌ها بدون اینکه متن ساده هرگز در معرض سرور قرار گیرد. اگرچه بوت‌استرپینگ از نظر ریاضی درخشان است، اما از نظر محاسباتی بسیار دردناک است. پیاده‌سازی‌های اولیه تا ۳۰ دقیقه طول می‌کشید تا یک عملیات پایه واحد را انجام دهند، که این فناوری را برای کاربردهای تجاری بی‌فایده می‌کرد. هزینه پردازشی به سادگی برای پشتیبانی توسط هر معماری ابری واقعی بسیار بالا بود و FHE را برای یک دهه دیگر به مقالات سفید آکادمیک محدود کرد.[2][3]

کتابخانه‌های مدرن، مانند SEAL مایکروسافت و HElib آی‌بی‌ام، این الگوریتم‌ها را به شدت بهینه‌سازی کرده‌اند تا گلوگاه بوت‌استرپینگ را دور بزنند. آن‌ها به جای تکیه بر بوت‌استرپینگ برای هر مرحله، از رمزنگاری هم‌ریخت «سطح‌بندی شده» (Leveled) استفاده می‌کنند که از عمق از پیش تعیین شده‌ای از محاسبات قبل از نقض آستانه نویز پشتیبانی می‌کند. این کار مجازات بوت‌استرپینگ را برای بارهای کاری کم‌عمق‌تر به طور کامل حذف می‌کند و اجرای پرس‌وجوهای آماری ساده، تطبیق بیومتریک، یا استنتاج پایه یادگیری ماشین روی مجموعه‌داده‌های رمزنگاری شده را در عرض چند ثانیه به جای ساعت‌ها، امکان‌پذیر می‌سازد.[1]

کاربردهای تجاری که امروز عرضه می‌شوند، به شدت بر این موارد استفاده سطح‌بندی شده تمرکز دارند. مؤسسات مالی از FHE برای ارجاع متقابل فهرست‌های سیاه کلاهبرداری در بانک‌های مختلف استفاده می‌کنند، بدون اینکه داده‌های اختصاصی مشتریان خود را برای اشخاص ثالث فاش کنند یا قوانین حفظ حریم خصوصی را نقض نمایند. ارائه‌دهندگان خدمات درمانی می‌توانند مدل‌های تشخیصی پیش‌بینی‌کننده را روی سوابق رمزنگاری شده بیماران اجرا کنند و انطباق دقیق با مقرراتی مانند HIPAA را تضمین نمایند، در حالی که همچنان از منابع محاسباتی عظیم ابری بهره می‌برند. در این سناریوهای خاص، سربار محاسباتی هزینه‌ای است که با کمال میل برای محرمانگی مطلق داده‌ها و توانایی همکاری فراتر از مرزهای سازمانی پرداخت می‌شود.[1]

با این حال، زبان بازاریابی پیرامون «رایانش محرمانه» اغلب مرزهای بین FHE و محیط‌های اجرای مورد اعتماد مبتنی بر سخت‌افزار (TEEs) را مخدوش می‌کند. TEEها، مانند Intel SGX یا AMD SEV، داده‌ها را در داخل یک محفظه امن فیزیکی روی خود پردازنده رمزگشایی می‌کنند. آن‌ها فوق‌العاده سریع هستند و از کد نرم‌افزاری استاندارد پشتیبانی می‌کنند، اما مستلزم آن هستند که کاربر به طور کامل به زنجیره تأمین و میکروکد فروشنده سخت‌افزار اعتماد کند. در مقابل، FHE فقط نیازمند اعتماد به ریاضیات است و یک تضمین نظری بسیار قوی‌تر را به قیمت سرعت ارائه می‌دهد.[1][4]

شکاف بین این دو رویکرد، جایی است که صنعت رمزنگاری در حال حاضر بزرگترین نبردهای خود را انجام می‌دهد. برای رقابتی کردن FHE با محفظه‌های سخت‌افزاری، محققان و استارتاپ‌ها در حال توسعه مدارهای مجتمع با کاربرد خاص (ASICs) هستند که به طور ویژه برای شتاب دادن به ضرب‌های چندجمله‌ای عظیمی که توسط طرح‌های FHE مورد نیاز است، طراحی شده‌اند. همانطور که GPUها گرافیک و هوش مصنوعی را شتاب دادند، این واحدهای پردازش رمزنگاری جدید قصد دارند جریمه عملکرد FHE را از ضریب یک میلیون به ضریب ده کاهش دهند، که این امر بارهای کاری سازمانی بسیار پیچیده‌تری را فعال خواهد کرد.[2][4]

تا زمانی که آن سخت‌افزار تخصصی به بلوغ برسد و در مراکز داده به طور گسترده مستقر شود، FHE همچنان یک ابزار جراحی باقی می‌ماند تا یک ابزار جهانی. این فناوری منحصراً در جاهایی به کار گرفته می‌شود که هزینه نقض داده یا مانع نظارتی برای اشتراک‌گذاری داده، به شدت بر سربار محاسباتی عظیم آن غلبه کند. قابلیت «محاسبه در تاریکی» واقعی است و امروز به طور فعال در حال اجراست، اما عصر اینترنت کاملاً رمزنگاری شده، فعلاً توسط فیزیک بنیادی محاسبات و محدودیت‌های سیلیکون مدرن محدود شده است.[4]