同态加密类型详解:部分同态加密,全同态加密

一、部分同态加密(PHE)

仅支持单一运算(加法或乘法),效率较高,已实用化。

  1. 乘法同态算法

    • RSA:基于大数分解问题,满足 E(m1)⋅E(m2)=E(m1⋅m2),适用于安全投票和数字签名。

    • ElGamal:基于离散对数问题,支持乘法同态,常用于区块链隐私保护。

  2. 加法同态算法

    • Paillier:基于合数剩余类问题,满足 E(m1)⋅E(m2)=E(m1+m2),广泛用于联邦学习中的梯度聚合(如FATE框架)。

    • Benaloh:扩展了Goldwasser-Micali方案,支持小范围加法同态。


1. 加法同态:Paillier 算法
  • 场景:多机构协作训练AI模型(如医疗诊断模型),但数据需保密。

  • 案例

    • 医院A、B、C 分别用 Paillier 加密患者数据的梯度(如血糖变化率),得到密文 E(gA)、E(gB)、E(gC​) 。

    • 中央服务器直接计算密文乘积:E(gA)⋅E(gB)⋅E(gC)=E(gA+gB+gC)),得到聚合梯度密文。

    • 仅聚合结果被解密,各医院原始数据全程保密。

  • 优势:高效支持加法,适用于梯度求和、投票统计等场景。

1 原始数据

医院 A/B/C 的本地梯度(明文):
gA​(如血糖变化率 0.3)
gB(如血压波动值 0.5)
gC​(如心率增量 0.2)

  • 加密后

    各医院用 Paillier 公钥加密本地梯度:

    E(gA)、E(gB)、E(gC)

  • 聚合密文

    中央服务器对密文做乘法运算:

    聚合密文=E(gA)⋅E(gB)⋅E(gC)=E(gA+gB+gC)

    这就是梯度聚合密文(即加密的梯度总和)。

2. 安全属性
  • 不可逆向:无法从聚合密文反推 gA,gB,gCgA​,gB​,gC​ 的独立值(依赖大数分解困难问题)。

  • 抗篡改:单个医院篡改本地密文会导致聚合结果失真(需数字签名校验)。

2. 乘法同态:RSA 在区块链投票系统的应用
  • 场景:链上投票需验证结果真实性,但保护选民选择隐私。

  • 案例

    • 选民将选票(明文 mi​)用 RSA 加密为 E(mi),其中 mi=1(赞成)或 0(反对)。

    • 计票节点计算密文乘积:E(m1)⋅E(m2)⋯E(mn)=E(m1×m2×⋯×mn)。

    • 解密后若结果为 0,表示至少一人反对;结果为 1 则全员赞成。

  • 优势:避免暴露单个投票选择,满足匿名性与可验证性。

二、全同态加密(FHE)

支持任意次加法和乘法运算,但计算开销大,处于研究优化阶段。分为四代:

  1. 第一代:理想格与整数方案

    • Gentry方案(2009):首个FHE框架,基于理想格上的稀疏子集和问题(SSSP),引入自举(Bootstrapping)技术降噪,但效率极低。

    • DGHV整数方案:基于近似最大公因子问题(AGCD),密文尺寸随计算增长,需配合模切换控制。

  2. 第二代:格上噪声控制技术

    • BV/BGV方案 :基于LWE/RLWE问题,通过密钥切换 (重线性化)和模切换技术控制噪声增长,支持层次同态计算。

    • BFV方案:优化RLWE的多项式环运算,适用于整数算术8。

  3. 第三代:矩阵密文结构

    • GSW方案(2013):基于矩阵近似特征向量,乘法噪声线性增长(前两代为指数级),提升计算深度。
  4. 第四代:近似计算优化

    • CKKS方案(2017) :支持浮点数近似计算,通过SIMD批处理提升效率,适用于机器学习推理(如SEAL库实现)。

1. 医疗健康:跨机构加密数据分析
  • 场景:医院与研究机构协作分析患者数据,但法律禁止原始数据离开本地。

  • 案例

    • 医院A 用 FHE 加密患者基因组数据,发送密文至研究机构B。

    • B 直接在密文上运行疾病关联分析算法(如GWAS),结果以密文返回。

    • 医院A 解密后获得分析报告,原始数据全程未暴露。

  • 技术支撑:基于 RLWE 的 FHE 方案(如 CKKS)支持浮点数计算,适用于基因序列分析。

2. 人工智能:加密模型推理(Mind Network)
  • 场景:用户向大模型(如 ChatGPT)提交敏感问题(如医疗咨询),需保护查询内容。

  • 案例

    • 用户本地用 FHE 加密问题文本,发送密文至云端模型。

    • 模型在密文上执行推理计算,返回加密的答案(如"可能患有糖尿病风险")。

    • 用户解密获得结果,模型提供商无法得知查询内容。

  • 落地进展:Mind Network 通过 FHE + Restaking 架构,已保护超 54,000 个 AI 智能体的通信。

3. 金融合规:DeFi 防抢先交易(MEV 保护)
  • 场景:去中心化交易所(DEX)需隐藏用户订单,防止做市商利用信息差套利。

  • 案例

    • 用户交易指令经 FHE 加密后上链(如 Fhenix 的 fhEVM 方案)。

    • 智能合约在加密订单簿上匹配交易,结果解密后执行清算。

    • 做市商无法预判交易方向,杜绝 Front-running(抢先交易)。

  • 优势:提升链上交易公平性,同时支持监管方扫描非法交易密文(如洗钱模式)。

4. 工业数据安全:所有权与使用权分离(辰宜科技)
  • 场景:制造企业共享生产数据给云平台优化供应链,但需防止数据被复制或泄露。

  • 案例

    • 辰宜科技利用专利 FHE 技术加密工厂数据(如设备能耗、良品率)。

    • 云平台在密文上计算最优供应链方案,返回加密结果。

    • 工厂解密获得方案,原始数据始终未离开本地。

  • 突破:该方案将算力开销降至传统 FHE 的千分之一,支持任意深度计算。

5. 硬件加速:大模型隐私保护芯片(沐创)
  • 场景:ChatGPT 等大模型需处理用户隐私数据(如聊天记录),引发合规风险。

  • 案例

    • 沐创推出全球首款端云协同 FHE 芯片,部署在用户端加密输入,在云端执行加密计算。

    • 例如:用户输入"我最近的咳嗽症状是否严重?" → 本地芯片加密 → 云端模型分析密文 → 返回加密诊断建议。

  • 性能:能效比提升 20 倍以上,支持 DeepSeek 等大模型隐私保护需求。

三、PHE与FHE

特性 部分同态加密(PHE) 全同态加密(FHE)
支持计算 仅加法 乘法 任意加法和乘法组合
效率 高效,适合实时处理 计算慢 1000--10000 倍,需硬件加速
典型算法 Paillier(加法)、RSA(乘法) CKKS(浮点)、BGV/BFV(整数)
适用场景 统计求和、投票、梯度聚合 医疗分析、AI推理、金融合规计算
现实案例 联邦学习梯度聚合、区块链匿名投票 Mind Network加密AI、沐创隐私芯片

四、算法选择

场景 推荐算法 原因
联邦学习聚合 Paillier 加法同态高效,支持梯度密文求和
云计算轻量级加密 CKKS 浮点近似计算+SIMD批处理,适合机器学习推理9
区块链隐私交易 ElGamal 乘法同态与区块链兼容性强
高安全层级数据检索 BGV/BFV 多级索引结构+同态加密(如中电智能专利CN119358036A)

表:同态加密算法特性对比

算法类型 代表方案 同态支持 核心机制 适用场景
PHE Paillier 加法 合数剩余类 联邦学习聚合
PHE RSA 乘法 大数分解 安全投票
FHE(二代) BGV/BFV 有限次加乘 密钥切换 + 模切换 加密数据库检索
FHE(四代) CKKS 任意加乘(近似) SIMD批处理 + 浮点编码 隐私机器学习推理
FHE(优化) 编译时FHE 任意加乘 预计算基向量合成 高吞吐外包计算
相关推荐
程序员Xu1 小时前
【OD机试题解法笔记】查找接口成功率最优时间段
笔记·算法
YSGZJJ1 小时前
什么是股指期货的不对冲策略?
区块链
技术思考者2 小时前
Leetcode - 反转字符串
数据结构·算法·leetcode
SKYDROID云卓小助手3 小时前
无人设备遥控器之多设备协同技术篇
网络·人工智能·嵌入式硬件·算法·信号处理
熬了夜的程序员3 小时前
【华为机试】34. 在排序数组中查找元素的第一个和最后一个位置
数据结构·算法·华为od·华为·面试·golang
phltxy3 小时前
ArrayList与顺序表
java·算法
小拇指~4 小时前
梯度下降的基本原理
人工智能·算法·计算机视觉
艾莉丝努力练剑5 小时前
【C/C++】类和对象(上):(一)类和结构体,命名规范——两大规范,新的作用域——类域
java·c语言·开发语言·c++·学习·算法
TDengine (老段)5 小时前
TDengine 中 TDgp 中添加机器学习模型
大数据·数据库·算法·机器学习·数据分析·时序数据库·tdengine
天涯学馆5 小时前
Solidity 中的高级模式匹配:提升代码的可读性和可维护性
后端·区块链·solidity