FHE: Jalan Masa Depan Perhitungan Privasi

FHE( enkripsi homomorfik penuh ) adalah teknologi enkripsi canggih yang dapat mendukung perhitungan langsung pada data terenkripsi, sehingga memproses data sambil melindungi privasi. FHE memiliki banyak skenario aplikasi potensial, terutama di bidang pemrosesan dan analisis data yang memerlukan perlindungan privasi, seperti keuangan, kesehatan, komputasi awan, pembelajaran mesin, sistem pemungutan suara, Internet of Things, dan perlindungan privasi blockchain. Namun, komersialisasi FHE masih memerlukan waktu, dengan hambatan utama pada biaya komputasi dan memori yang besar yang ditimbulkan oleh algoritmanya, serta skalabilitas yang buruk.

Prinsip Dasar

Inti dari FHE adalah melakukan perhitungan pada data terenkripsi dan mendapatkan hasil terenkripsi yang, setelah didekripsi, sesuai dengan hasil perhitungan plaintext. Untuk mencapai tujuan ini, FHE menggunakan polinomial untuk menyembunyikan informasi asli, karena polinomial dapat diubah menjadi masalah aljabar linear dan masalah perhitungan vektor, yang memudahkan komputer modern untuk melakukan perhitungan paralel dan optimasi lainnya.

Proses enkripsi dasar FHE mencakup:

• Pilih polinomial kunci
• Menghasilkan polinomial acak
• Menghasilkan polinomial "kesalahan" kecil
• Menggabungkan plaintext dengan polinomial di atas untuk mengenkripsi

Untuk mencegah pemecahan melalui analisis berulang, FHE memperkenalkan kebisingan. Namun, kebisingan akan terakumulasi selama proses komputasi, yang pada akhirnya dapat menyebabkan ketidakmampuan untuk mendekripsi dengan benar. Untuk mengatasi masalah ini, FHE menggunakan beberapa teknik berikut:

• Pergantian kunci: Mengompres ukuran ciphertext, tetapi akan memperkenalkan sedikit noise
• Modulus Switching: Mengurangi noise dengan mengganti modulus
• Bootstrap: Mengatur ulang kebisingan ke tingkat awal, tetapi biaya komputasinya sangat besar

Saat ini, solusi FHE yang dominan semuanya berbasis teknologi Bootstrap, termasuk BGV, BFV, CKKS, dan sebagainya. Solusi-solusi ini memiliki keunggulan masing-masing pada sirkuit aritmatika dan sirkuit Boolean.

Tantangan yang Dihadapi FHE

Tantangan terbesar FHE terletak pada biaya komputasi yang sangat besar. Dibandingkan dengan komputasi biasa, komputasi dalam versi FHE dapat memerlukan hingga 500 juta kali sumber daya komputasi. Untuk meningkatkan kinerja FHE, DARPA Amerika Serikat meluncurkan program Dprive, yang bertujuan untuk meningkatkan kecepatan komputasi FHE menjadi 1/10 dari komputasi biasa. Program ini terutama berfokus pada beberapa aspek berikut:

• Memperbesar panjang kata prosesor
• Membangun prosesor ASIC khusus
• Membangun arsitektur paralel MIMD

Meskipun rencana Dprive akan segera berakhir, tampaknya kemajuannya lambat dan belum mencapai target yang diharapkan. Mirip dengan teknologi ZK, penerapan FHE juga menghadapi kendala perangkat keras.

Meskipun demikian, dalam jangka panjang, teknologi FHE tetap memiliki nilai unik, terutama dalam melindungi privasi data sensitif. Untuk data sensitif yang krusial di bidang militer, medis, keuangan, dan lain-lain, FHE dapat melepaskan potensi teknologi seperti AI sambil melindungi privasi. Di era pasca-kuantum, keamanan ini menjadi sangat penting.

Kombinasi Blockchain

Di bidang blockchain, FHE terutama digunakan untuk melindungi privasi data, dengan arah aplikasi termasuk privasi on-chain, privasi data pelatihan AI, privasi voting on-chain, dan pemeriksaan transaksi privasi. FHE juga dianggap sebagai salah satu solusi potensial untuk masalah MEV on-chain.

Namun, FHE juga menghadapi beberapa tantangan. Transaksi yang sepenuhnya dienkripsi mungkin akan menghilangkan efek positif yang dibawa oleh MEV. Selain itu, menjalankan FHE di atas mesin virtual akan secara signifikan meningkatkan persyaratan node, yang akan mengurangi throughput jaringan secara drastis.

Proyek Utama

Proyek utama di bidang FHE saat ini termasuk:

• Zama: Membangun tumpukan pengembangan FHE yang cukup lengkap berdasarkan skema TFHE.
• Fhenix: Membangun Optimism Layer 2 yang Mengutamakan Privasi
• Privasea: Menggunakan FHE untuk perhitungan data LLM
• Inco Network: Membangun FHE Layer 1
• Arcium: menggabungkan teknologi kriptografi seperti FHE, MPC, dan ZK
• Jaringan Pikiran: Mengatasi masalah keamanan lapisan konsensus melalui arsitektur subnet FHE
• Octra: Menggunakan teknologi hypergraphs untuk merealisasikan FHE, membangun bahasa kontrak pintar baru dan protokol konsensus.

Prospek Masa Depan

Teknologi FHE masih berada pada tahap awal, dan perkembangan saat ini tidak sebanding dengan teknologi ZK. Faktor-faktor utama yang membatasi termasuk biaya tinggi, kesulitan rekayasa, dan prospek komersialisasi yang tidak jelas. Dengan meningkatnya perhatian VC kripto terhadap FHE, diperkirakan akan ada lebih banyak dana dan proyek yang masuk ke bidang ini.

Penerapan chip FHE adalah salah satu prasyarat kunci untuk komersialisasinya. Saat ini, beberapa perusahaan seperti Intel, Chain Reaction, dan Optalysys sedang menjelajahi arah ini. Meskipun FHE menghadapi banyak hambatan teknis, sebagai teknologi yang sangat menjanjikan dan memiliki kebutuhan yang jelas, ia diharapkan dapat membawa perubahan mendalam di industri pertahanan, keuangan, dan kesehatan, serta melepaskan potensi besar dari data privasi yang digabungkan dengan algoritma kuantum masa depan.