💬 NLP

ComputeFHE: A Privacy-Preserving General-Purpose Computation Library

ComputeFHE is een open-source C++ bibliotheek gebouwd op OpenFHE en het TFHE-cryptosysteem die de ontwikkeling van privacy-bewarende applicaties vereenvoudigt door een vertrouwde imperatieve programmeerinterface aan te bieden met geoptimaliseerde architecturen voor rekenkundige logische eenheden, wat resulteert in significante prestatieverbeteringen en verminderde bootstrapping-kosten.

Oorspronkelijke auteurs: Faris Serdar Tasel, Efe Ciftci

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Faris Serdar Tasel, Efe Ciftci

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer waardevol geheim hebt, zoals een recept voor een wereldberoemde taart. Je wilt dat een beroemde chef deze voor je bakt, maar je bent doodsbang dat als je het recept aan hen geeft, ze het kunnen stelen of met anderen kunnen delen.

Fully Homomorphic Encryption (FHE) is als een magische, geluiddichte keuken. Je geeft de chef de ingrediënten en het recept, maar ze zitten allemaal opgesloten in een transparante, onbreekbare glazen doos. De chef kan de taart mengen, bakken en proeven binnen de doos zonder deze ooit te openen of de werkelijke ingrediënten te zien. Wanneer ze klaar zijn, geven ze de doos aan jou terug, en jij opent het om de afgewerkte taart te vinden. De chef wist nooit wat het recept was, maar heeft toch het werk gedaan.

Maar er is een addertje onder het gras: het houden van de doos geluiddicht en onbreekbaar is enorm zwaar werk. Elke keer dat de chef mengt of bakt, ontstaat er een beetje "ruis" (zoals statische ruis op een radio). Als de ruis te hard wordt, breekt de doos en gaat het geheim verloren. Om dit te herstellen, moet de chef stoppen en een enorme, uitputtende "reset" uitvoeren die bootstrapping wordt genoemd. Het te vaak uitvoeren hiervan maakt het proces ongelooflijk traag en duur.

Maak kennis met ComputeFHE: De "Slimme Chef-Assistent"

Dit paper introduceert ComputeFHE, een nieuwe softwaretool (een bibliotheek) die fungeert als een super-slimme assistent voor ontwikkelaars die deze magische keuken willen gebruiken.

Dit is wat ComputeFHE doet, eenvoudig uitgelegd:

1. Menselijke taal spreken (C++)
Normaal gesproken vereist programmeren voor deze magische keukens het kennen van complexe, vreemde wiskundige talen. ComputeFHE laat ontwikkelaars code schrijven in C++, een taal die eruitziet en aanvoelt als normale computerprogrammering.

De analogie: In plaats van "Encryptie-ese" te spreken, kan een ontwikkelaar gewoon sum = a + b schrijven (tel deze twee getallen bij elkaar op), en de bibliotheek handelt automatisch de complexe magie af om deze getallen versleuteld te houden. Het maakt het onmogelijke voelbaar als alledaagse codering.

2. De "Geoptimaliseerde" vs. de "Standaard" Keuken
Het paper legt uit dat er twee manieren zijn om de wiskunde binnen de doos te doen:

Standaard ALU: Dit is als het gebruik van basisgereedschap (een lepel en een vork) om een complexel machine te bouwen. Het werkt, maar het kost veel stappen en creëert veel ruis, waardoor er regelmatig "resets" (bootstrapping) nodig zijn.
Geoptimaliseerde ALU: ComputeFHE biedt ook een set gespecialiseerde, FHE-vriendelijke tools (zoals een op maat gemaakte garde die specifiek voor deze glazen doos is ontworpen). Deze tools zijn veel efficiënter.
Het resultaat: Het paper beweert dat het gebruik van deze speciale tools het proces tot wel 3,9 keer sneller kan maken, omdat het drastisch vermindert hoe vaak de chef moet stoppen en de ruis te "resetten". Zo ging bijvoorbeeld het sorteren van een lijst met versleutelde getallen van 3.843 resets naar slechts 2.016.

3. De "Simulatiemodus" (De Droogproef)
Een van de meest nuttige functies is de Simulatiemodus.

De analogie: Voordat je daadwerkelijk begint met het bakken van de echte taart in de dure, lawaaierige keuken, kun je een "droogproef" doen op een computer. De simulator werkt als een videogame-versie van de keuken. Het bakt niet echt iets en gebruikt niet de echte encryptiemagie, maar het vertelt je precies hoeveel "resets" je zou nodig hebben en hoe lang het zou duren.
Waarom het belangrijk is: Dit stelt ontwikkelaars in staat om hun code te testen en te verbeteren zonder dat ze supercomputers nodig hebben of uren hoeven te wachten op resultaten. Het is als het controleren van een blauwdruk voordat je een huis bouwt.

4. Het verbergen van de "Waar" (Oblivious Access)
Soms wil je niet alleen verbergen wat de data is, maar ook waar je in een lijst met data kijkt.

De analogie: Stel je een bibliotheek voor waar je een specifief boek wilt kiezen, maar je wilt niet dat de bibliothecaris weet welk boek je hebt gekozen. ComputeFHE stelt je in staat om items in een lijst te raadplegen zonder de index (de positie) te onthullen waar je naar kijkt. Dit wordt "oblivious array access" genoemd.

Wat het wel en niet kan (Gebaseerd strikt op het paper)

Het KAN: Gehele getallen (integers) en getallen met decimalen (fixed-point) binnen de versleutelde doos verwerken. Het ondersteunt wiskunde (optellen, aftrekken, vermenigvuldigen, delen), logica (if/else statements) en sorteren.
Het KAN (nog) NIET: Het ondersteunt van nature geen standaard "floating-point" getallen (de complexe decimalen die worden gebruikt in hoogwaardige wetenschappelijke simulaties), hoewel het fixed-point getallen als workaround gebruikt. Het merkt ook op dat het benaderen van verborgen lijsten (oblivious access) nog steeds erg duur is en met zorg moet worden gebruikt.

Samenvatting

ComputeFHE is een toolkit die het veel gemakkelijker en sneller maakt om software te bouwen die geheime gegevens verwerkt zonder ze ooit te zien. Het vertaalt complexe encryptiemath naar eenvoudige code, biedt "speciale tools" om het proces te versnellen, en bevat een "oefenmodus" om ideeën te testen voordat je ze op echte, dure hardware draait. Het is gebouwd bovenop een andere tool genaamd OpenFHE en is gratis beschikbaar voor iedereen om te gebruiken.

Technische Samenvatting: ComputeFHE

Probleemstelling

Fully Homomorphic Encryption (FHE) maakt berekeningen op versleutelde gegevens mogelijk zonder decryptie, waardoor de vertrouwelijkheid van gegevens behouden blijft. De praktische adoptie wordt echter gehinderd door hoge computationele kosten en ontwikkelingscomplexiteit. Een primaire bottleneck in FHE-schema's, met name TFHE (Torus FHE), is de accumulatie van ruis tijdens homomorfe operaties, wat periodieke "bootstrapping" noodzakelijk maakt om het ruisniveau te resetten. Huidige bootstrapping-procedures zijn computationeel intensief, en de complexiteit van het ontwikkelen van FHE-applicaties vereist vaak diepgaande expertise in cryptografische mechanismen, wat de toegankelijkheid voor algemene softwareontwikkelaars beperkt.

Methodologie

Het artikel introduceert ComputeFHE, een open-source C++ bibliotheek ontworpen om de ontwikkeling van privacy-beschermende applicaties gebaseerd op het TFHE-cryptosysteem te faciliteren. De bibliotheek is gebouwd bovenop OpenFHE, dat dient als de backend voor fundamentele cryptografische operaties (sleutelgeneratie, encryptie, decryptie en homomorfe logische poorten).

ComputeFHE pakt de geïdentificeerde problemen aan via de volgende methodologische benaderingen:

Imperatief Programmeringsparadigma: De bibliotheek biedt een C++ interface die standaard imperatieve programmering nabootst. Het biedt versleutelde datatypen (Eint, Efixedpoint, Evector) en overbelaste operatoren, waardoor ontwikkelaars algoritmen kunnen schrijven met een bekende syntaxis zonder dat zij de lage-niveau cryptografische details hoeven te beheren.
Duale ALU-architecturen: ComputeFHE implementeert twee verschillende Arithmetic Logic Unit (ALU) strategieën:
- StandardALU: Een baseline-implementatie die gebruikmaakt van conventionele twee-input logische poorten (AND, OR, XOR).
- OptimizedALU: Een implementatie die gebruikmaakt van FHE-vriendelijke gespecialiseerde drie-input logische poorten (bijv. Majority, MulAdd) en efficiëntere algoritmen voorgesteld in eerder werk [15]. Deze architectuur beoogt het aantal vereiste bootstrapping-operaties te verminderen.
Simulatiemodus: Om de hoge kosten van testen te mitigeren, bevat de bibliotheek een simulator die ALU-operaties emuleert zonder daadwerkelijke cryptografische berekeningen uit te voeren. Deze modus biedt statistische metrieken, zoals geschatte bootstrapping-aantallen en circuitcomplexiteit, wat debugging en prestatieanalyse op standaard hardware mogelijk maakt.
Client/Server Modi: De bibliotheek ondersteunt een client-modus voor automatische encryptie/decryptie tijdens variabele-initialisatie en conversie, en een server-modus voor geoptimaliseerde operaties op versleutelde gegevens waarbij plaintexts betrokken zijn.

Belangrijkste Bijdragen

Algemene Bibliotheek: Een C++ bibliotheek die versleutelde integer- en fixed-point datatypen biedt, samen met rekenkundige, logische, vergelijkings- en conditionele operaties.
Oblivious Array Access: Implementatie van versleutelde vectoren (Evector) die het lezen en schrijven van array-elementen mogelijk maken met behulp van ofwel plaintext of versleutelde indices, waardoor toegangspatronen tot het geheugen verborgen blijven voor observatoren.
Versleutelde Conditionele Logica: Ondersteuning voor versleutelde conditionele statements (Eif macro) die versleutelde variabelen aanpassen op basis van versleutelde condities middels multiplexing-operaties.
Geoptimaliseerde Primitieven: Integratie van gespecialiseerde logische poorten die de bootstrapping-overhead aanzienlijk verminderen vergeleken met standaard poort-gebaseerde implementaties.
Toegankelijkheidstools: Een Docker-gebaseerde deployment-omgeving en een simulatiemodus die de drempel voor ontwikkelaars zonder diepe FHE-expertise verlaagt.

Resultaten

Experimentele resultaten gepresenteerd in het artikel demonstreren de effectiviteit van de OptimizedALU-architectuur vergeleken met de StandardALU:

Reductie in Bootstrapping: De geoptimaliseerde implementatie vermindert het aantal vereiste bootstrapping-operaties aanzienlijk. Voor geselecteerde operaties variëren de prestatieverbeteringen van 1,74× tot 3,91×.
- Voorbeeld: Voor 32-bit integer vergelijking daalde het aantal bootstrapping-operaties van 125 (Standard) naar 32 (Optimized), een winst van 3,91×.
- Voorbeeld: Voor 32-bit divisie/modulus daalden de operaties van 9.768 naar 4.064, een winst van 2,40×.
- Opmerking: Equality en inequality operatoren vertoonden geen winst (1×), aangezien de standaard implementatie al bijna optimaal was.
Sorteringsalgoritme: In een Batcher odd-even mergesort voorbeeld vereiste de geoptimaliseerde versie 2.016 bootstrapping-operaties vergeleken met 3.843 voor de standaard versie.
Oblivious Access: Hoewel oblivious array access computationeel duur blijft ( $O(n)$ ), verminderde de geoptimaliseerde ALU de gemiddelde bootstrapping-kosten per element met ongeveer 1,45× tot 1,81×.

Betekenis en Claims

Het artikel positioneert ComputeFHE als een praktisch framework dat de kloof tussen complexe cryptografische research en applicatieontwikkeling overbrugt. De primaire betekenis ligt in:

Verlagen van de Expertise-drempel: Door de TFHE-complexiteiten te abstraheren naar een C++ imperatief model, stelt het ontwikkelaars in staat om privacy-beschermende algoritmen te implementeren zonder de onderliggende cryptografische mechanismen te beheersen.
Efficiëntie via Optimalisatie: De bibliotheek demonstreert dat het gebruik van FHE-vriendelijke logische primitieven de computationele bottleneck van bootstrapping substantieel kan verminderen, waardoor bepaalde algoritmen levensvatbaarder worden voor praktische inzet.
Ontwikkelingsworkflow: De inclusie van een simulatiemodus maakt vroege fase complexiteitsanalyse en debugging mogelijk zonder de prohibitieve kosten van het uitvoeren van werkelijke homomorfe berekeningen.

De auteurs erkennen huidige beperkingen, waaronder het gebrek aan ondersteuning voor versleutelde floating-point rekenkunde (in plaats daarvan wordt vertrouwd op fixed-point) en de hoge kosten van oblivious array access. Toekomstig werk is gepland om deze gebieden aan te pakken, evenals het verkennen van geoptimaliseerde implementaties voor signaalverwerking, machine learning en steganografie.