Гомоморфное шифрование

1. ГОМОМОРФНОЕ ШИФРОВАНИЕ

Д.А. Диченко1, Е.Ю. Говоров1
1Северо-Кавказский Федеральный Университет (СКФУ),
Ставрополь, Россия

2.  АКТУАЛЬНОСТЬ

АКТУАЛЬНОСТЬ
• Проблема: Обработка данных в облаке
требует их расшифровки → риски утечки
• Решение: ГШ позволяет вычислять на
зашифрованных данных без раскрытия
• Ключевые области:
– Медицина (анализ медданных)
– Финансы (безопасные транзакции)
– Блокчейн (приватные смарт-контракты)

3. ПОСТАНОВКА ЗАДАЧИ

• Проанализировать современные реализации
ГШ (Microsoft SEAL, IBM HELib).
• Оценить перспективы:
– Оптимизация производительности (FPGA, GPU)
– Применение в машинном обучении и блокчейне
• Исследовать интеграцию с другими
методами (MPC).

4. СУТЬ ГОМОМОРФНОГО ШИФРОВАНИЯ

Гомоморфное шифрование позволяет выполнять
вычисления непосредственно над
зашифрованными данными, так что результат
этих вычислений после расшифрования
совпадает с результатом, который был бы
получен при выполнении тех же операций над
открытыми данными.
Различают частичное (поддержка ограниченных
операций) и полное гомоморфное шифрование

5. Преимущества и ограничения

ПРИЕМУЩЕСТВА
ОГРАНИЧЕНИЯ
- Конфиденциальность
в облаке данных
- Высокая вычислительная
сложность
- Поддержка сложных
операций (FHE)
- Ограниченная глубина
вычислений
- Устойчивость
к квантовым атакам
- Большой размер
зашифрованных данных

6.  Современные реализации

Современные реализации
• Microsoft SEAL: Оптимизирован для
облачных вычислений.
• IBM HELib: Поддержка глубоких вычислений
с бутстрэппингом.
• TFHE: Быстрые бинарные операции.
• PALISADE: Кроссплатформенность и
постквантовая криптография.

7. Перспективные направления

• Блокчейн и DeFi:
– Конфиденциальные смарт-контракты и приватные
транзакции
• Машинное обучение:
– Обучение моделей на зашифрованных данных
(медицина, финансы)
• Аппаратные ускорители:
– Использование GPU/FPGA для снижения нагрузки.
• Стандартизация:
– Интеграция в GDPR-совместимые системы

8. Выводы

• Гомоморфное шифрование —
перспективная технология для безопасной
обработки данных.
• Главные проблемы: производительность и
масштабируемость.
• Будущее: оптимизация алгоритмов,
гибридные схемы, применение в ИИ и
облаках.