Fully Homomorphic Encryption là gì?
Fully Homomorphic Encryption (FHE) là một dạng mã hóa cho phép thực hiện tính toán trực tiếp trên dữ liệu đã mã hoá, mà không cần giải mã trước. Nghĩa là khi dữ liệu ở dạng ciphertext, bạn vẫn có thể cộng, nhân, hoặc thực hiện các phép phức tạp hơn như tìm kiếm, machine learning, và kết quả cuối cùng khi giải mã sẽ chính xác như thể bạn đã tính toán trên dữ liệu nguyên bản. Đây là một bước đột phá trong bảo mật dữ liệu, cho phép outsourcing tính toán lên cloud mà vẫn giữ tuyệt đối quyền riêng tư.
Khác với mã hóa đối xứng (AES) hay khóa công khai (RSA), nơi bất kỳ tính toán nào trên ciphertext đều làm hỏng dữ liệu, FHE bảo toàn cấu trúc toán học sao cho phép đồng cấu (homomorphism) giữa không gian plaintext và ciphertext vẫn tồn tại. Điều này mở ra khả năng xử lý thông tin nhạy cảm như bệnh án, ngân hàng, hay dữ liệu quân sự mà không lo rò rỉ.
Lịch sử ngắn gọn của FHE
Năm 1978, Rivest, Adleman và Dertouzos lần đầu đưa ra khái niệm “homomorphic encryption” nhưng chỉ mới trong năm 2009, Craig Gentry từ Stanford mới xây dựng được scheme FHE đầu tiên dựa trên ideal lattices. Scheme đầu này mang tính học thuyết nhưng quá chậm (tăng gấp trillions lần thời gian thực), không thể dùng thực tế. Từ năm 2011 đến nay, cộng đồng mã học đã cải thiện hiệu năng qua các bootstrapping hiệu quả hơn, sử dụng ring learning with errors (RLWE), và tối ưu cho phần cứng.
Hiện nay, thư viện Microsoft SEAL và PALISADE là hai framework FHE mã nguồn mở phổ biến nhất, được tối ưu cho CPU hiện đại và hỗ trợ cả batch processing. Nhiều công ty lớn như IBM, Intel và JPMorgan Chase đã triển khai FHE trong môi trường thực tế để xử lý giao dịch tài chính hay dữ liệu y tế bảo mật.
FHE thực tế ở đâu?
Ứng dụng cụ thể nhất của FHE là tính toán trên dữ liệu y tế: bệnh viện có thể gửi dữ liệu bệnh nhân đã mã hoá cho công ty AI mà không lo vi phạm HIPAA, và AI vẫn có thể huấn luyện mô hình để dự đoán nguy cơ tiểu đường hoặc ung thư. Ngân hàng cũng dùng FHE để phát hiện gian lận mà không phải tiết lộ lịch sử giao dịch của khách hàng.
Trong lĩnh vực blockchain, FHE cho phép tạo smart contract có thể xử lý dữ liệu riêng tư mà vẫn duy trì tính minh bạch – một thách thức khó cân bằng giữa tính minh bạch (transparency) và quyền riêng tư (privacy). Một số dự án như Aztec Protocol và Secret Network đã tích hợp FHE để mở rộng khả năng của các ứng dụng phi tập trung trên Ethereum.
Thật thú vị, FHE còn dùng trong bỏ phiếu điện tử an toàn: mỗi phiếu bầu được mã hoá với key riêng của cử tri, hệ thống vẫn có thể tính tổng phiếu mà không biết ai bầu cho ai, và sau bầu cử mỗi cử tri có thể kiểm chứng rằng phiếu của họ đã được tính vào kết quả tổng thể.
Hạn chế và tương lai của FHE
Những năm đầu, FHE gặp sự chênh lệch hiệu năng tối đa so với tính toán trên plaintext đạt gấp 10⁶ đến 10⁹ lần. Nhờ cải tiến thuật toán và phần cứng chuyên dụng (FPGA, ASIC), ngày nay độ chênh lệch đã giảm còn dưới 1000x cho một số workload cụ thể như ma trận chuyển đổi hoặc tìm kiếm trong database.
Các nhà nghiên cứu đang tập trung giảm chi phí bootstrapping (phần tốn thời gian nhất trong FHE) và tối ưu cho các phép toán thường dùng như truy vấn range, join, và aggregation. Nếu quy luật Moore tiếp tục, trong 5-10 năm tới FHE có thể trở nên đủ nhanh để dùng trong các ứng dụng tương tác như video call hay game online mà người dùng không cảm nhận được chênh lệch tốc độ.
Tham khảo thêm
- Microsoft Research: Homomorphic Encryption
- Microsoft SEAL GitHub
- FHE on Wikipedia
Ngoài phiên bản xanh, FHE còn có các chiến lược nén như leveled FHE (tận dụng kiến thức về độ sâu mạch) và approximate FHE (cho phép sai số nhỏ để đổi lấy tốc độ). Mỗi phiên bản có trade-off riêng: BGF bảo toàn chính xác nhưng chậm hơn, trong khi CKKS phù hợp cho machine learning vì cho phép sai số gần như không đáng kể trong các phép nhân số thực. Việc chọn đúng scheme phù hợp với workload là chìa khóa để FHE trở nên thực dụng.
