拆解完全同態加密（Fully Homomorphic Encryption）

完全同態加密（Fully Homomorphic Encryption, FHE）

一、什麼是 FHE？

定義：

在密文狀態下，可以計算「任意函數」，

解密後結果與明文運算完全一致。

形式化：

關鍵字：

• Eval（在密文上執行任意電路）
• 任意布林電路
• 任意多項式電路

二、歷史突破

2009 年：

Craig Gentry

在 Stanford 發表第一個可行 FHE 方案。

這解決了 30 年未解問題。

三、為何困難？

普通同態加密：

• RSA → 乘法
• Paillier → 加法

但 FHE 要求：

加法 + 乘法\text{加法 + 乘法}加法 + 乘法

因為：

加法 + 乘法 = 任意電路

（布林電路完備性）

四、核心數學基礎

現代 FHE 幾乎全部基於：

格密碼學（Lattice-based cryptography）

關鍵問題：

🔹 LWE（Learning With Errors）

其中：

• s 是秘密
• e 是小誤差
• 破解等價於格最短向量問題（SVP）

這被認為對量子電腦也安全。

五、FHE 的最大問題：噪聲

加密後的密文形態類似：

每次運算：

• 噪聲變大
• 噪聲超過閾值 → 解密錯誤

這是核心難題。

六、Gentry 的突破：Bootstrapping

概念：

用同態方式執行「解密電路」

來清除噪聲

也就是：

密文
  ↓
同態執行解密函數
  ↓
產生新密文（噪聲降低）

這叫：

Bootstrapping（自舉）

七、現代 FHE 架構類型

1️⃣ BGV（Brakerski–Gentry–Vaikuntanathan）

基於 RLWE

2️⃣ BFV

優化整數運算

3️⃣ CKKS

支援近似浮點數（適合 AI）

4️⃣ TFHE

快速布林電路

八、FHE 運算流程

1️⃣ KeyGen

2️⃣ Enc(m)

3️⃣ Eval(pk,f,c₁,c₂...)

4️⃣ Dec(sk,c')

九、FHE 可以做什麼？

🏥 醫療資料隱私分析

多醫院加密資料 → 聯合 AI 訓練

🤖 加密機器學習

在加密狀態下做推理

☁ 雲端隱私計算

客戶資料不曝光

🔗 區塊鏈隱私智能合約

十、為何仍然很慢？

原因：

• 密文尺寸巨大（KB~MB）
• 高維多項式環運算
• Bootstrapping 成本高

典型慢：

比明文慢 10⁴~10⁶ 倍

十一、FHE 與其他技術比較

十二、理論深層意義

FHE 顯示：

計算與可讀性可完全分離。

這對你之前提到的：

• 秘密計算
• 量子重力資訊觀
• 宇宙作為加密態運算

具有哲學震撼。

FHE =

在不知道資料內容的情況下，

仍可計算任意函數。