💬 NLP

ComputeFHE: A Privacy-Preserving General-Purpose Computation Library

O ComputeFHE é uma biblioteca C++ de código aberto construída sobre o OpenFHE e o criptossistema TFHE que simplifica o desenvolvimento de aplicações de preservação de privacidade ao oferecer uma interface de programação imperativa familiar com arquiteturas de unidade lógica aritmética otimizadas, resultando em melhorias significativas de desempenho e redução nos custos de bootstrapping.

Autores originais: Faris Serdar Tasel, Efe Ciftci

Publicado 2026-06-24

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Faris Serdar Tasel, Efe Ciftci

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um segredo muito valioso, como a receita de um bolo de fama mundial. Você quer que um chef famoso o asse para você, mas está apavorado com a ideia de que, se entregar a receita, ele possa roubá-la ou compartilhá-la com outros.

A Criptografia Totalmente Homomórfica (FHE) é como uma cozinha mágica e à prova de som. Você entrega ao chef os ingredientes e a receita, mas todos estão trancados dentro de uma caixa de vidro transparente e inquebrável. O chef pode misturar, assar e provar o bolo dentro da caixa sem nunca abri-la ou ver os ingredientes reais. Quando termina, ele lhe devolve a caixa e você abre para encontrar o bolo pronto. O chef nunca soube qual era a receita, mas ainda assim realizou o trabalho.

No entanto, há um porém: manter a caixa à prova de som e inquebrável dá um trabalho incrível. Cada vez que o chef mistura ou assa, a caixa fica um pouco "ruidosa" (como a estática de um rádio). Se o ruído ficar muito alto, a caixa quebra e o segredo é perdido. Para corrigir isso, o chef precisa parar e realizar um "reset" massivo e exaustivo chamado bootstrapping para limpar o ruído. Fazer isso com frequência torna o processo incrivelmente lento e caro.

Conheça o ComputeFHE: O "Assistente Inteligente do Chef"

Este artigo apresenta o ComputeFHE, uma nova ferramenta de software (uma biblioteca) que atua como um assistente superinteligente para desenvolvedores que desejam usar essa cozinha mágica.

Aqui está o que o ComputeFHE faz, dividido de forma simples:

1. Falando a Linguagem Humana (C++)
Normalmente, programar para essas cozinhas mágicas exige o conhecimento de linguagens matemáticas complexas e alienígenas. O ComputeFHE permite que os desenvolvedores escrevam código em C++, uma linguagem que parece e se sente como a programação de computador normal.

A Analogia: Em vez de falar "Criptografia-ês", um desenvolvedor pode simplesmente escrever sum = a + b (some estes dois números), e a biblioteca lida automaticamente com a matemática complexa de manter esses números criptografados. Isso faz com que o impossível pareça uma codificação cotidiana.

2. A Cozinha "Otimizada" vs. "Padrão"
O artigo explica que existem duas maneiras de fazer a matemática dentro da caixa:

ALU Padrão: Esta é como usar ferramentas básicas (uma colher e um garfo) para construir uma máquina complexa. Funciona, mas exige muitos passos e cria muito ruído, exigindo "resets" (bootstrapping) frequentes.
ALU Otimizada: O ComputeFHE também oferece um conjunto de ferramentas especializadas e amigáveis à FHE (como um batedor customizado projetado especificamente para esta caixa de vidro). Essas ferramentas são muito mais eficientes.
O Resultado: O artigo afirma que o uso dessas ferramentas especiais pode tornar o processo até 3,9 vezes mais rápido, pois reduz drasticamente o número de vezes que o chef precisa parar para "resetar" o ruído. Por exemplo, ordenar uma lista de números criptografados passou de 3.843 resets para apenas 2.016.

3. O "Modo de Simulação" (O Ensaio Geral)
Um dos recursos mais úteis é o Modo de Simulação.

A Analogia: Antes de realmente começar a assar o bolo real na cozinha cara e ruidosa, você pode realizar um "ensaio geral" em um computador. O simulador atua como uma versão de videogame da cozinha. Ele não assa nada nem usa a verdadeira magia de criptografia, mas diz exatamente quantos "resets" você precisaria e quanto tempo levaria.
Por que isso importa: Isso permite que os desenvolvedores testem e corrijam seu código sem precisar de supercomputadores ou esperar horas por resultados. É como verificar uma planta antes de construir uma casa.

4. Escondendo o "Onde" (Acesso Oblivious)
Às vezes, você não quer esconder apenas o que são os dados, mas também onde você está procurando em uma lista de dados.

A Analogia: Imagine uma biblioteca onde você quer escolher um livro específico, mas não quer que o bibliotecário saiba qual livro você escolheu. O ComputeFHE permite acessar itens em uma lista sem revelar o índice (a posição) que você está consultando. Isso é chamado de "acesso oblivious a arrays" (acesso cego a matrizes).

O Que Ele Pode e Não Pode Fazer (Baseado Estritamente no Artigo)

ELE PODE: Lidar com números inteiros e números com decimais (ponto fixo) dentro da caixa criptografada. Ele suporta matemática (soma, subtração, multiplicação, divisão), lógica (instruções if/else) e ordenação.
ELE NÃO PODE (ainda): Não suporta nativamente números de "ponto flutuante" padrão (os decimais complexos usados em simulações científicas de alto nível), embora utilize números de ponto fixo como uma solução alternativa. O artigo também observa que o acesso a listas ocultas (acesso oblivious) ainda é muito caro e deve ser usado com cuidado.

Resumo

ComputeFHE é um kit de ferramentas que torna muito mais fácil e rápido construir softwares que processam dados secretos sem nunca vê-los. Ele traduz a matemática complexa da criptografia em código simples, oferece "ferramentas especiais" para acelerar o processo e inclui um "modo de prática" para testar ideias antes de executá-las em hardware real e caro. Ele é construído sobre outra ferramenta chamada OpenFHE e está disponível para qualquer pessoa usar gratuitamente.

Resumo Técnico: ComputeFHE

Declaração do Problema

A Criptografia Totalmente Homomórfica (FHE - Fully Homomorphic Encryption) permite computações em dados criptografados sem a necessidade de descriptografia, preservando a confidencialidade dos dados. No entanto, a adoção prática é dificultada pelos altos custos computacionais e pela complexidade de desenvolvimento. Um gargalo primário nos esquemas de FHE, particularmente no TFHE (Torus FHE), é o acúmulo de ruído durante as operações homomórficas, o que exige o "bootstrapping" periódico para resetar os níveis de ruído. Os procedimentos de bootstrapping atuais são computacionalmente intensivos, e a complexidade de desenvolver aplicações FHE exige frequentemente um conhecimento profundo de mecanismos criptográficos, limitando a acessibilidade para desenvolvedores de software em geral.

Metodologia

O artigo apresenta o ComputeFHE, uma biblioteca C++ de código aberto projetada para facilitar o desenvolvimento de aplicações de preservação de privacidade baseadas no criptossistema TFHE. A biblioteca é construída sobre o OpenFHE, que serve como o backend para operações criptográficas fundamentais (geração de chaves, criptografia, descriptografia e portas lógicas homomórficas).

O ComputeFHE aborda os problemas identificados através das seguintes abordagens metodológicas:

Paradigma de Programação Imperativa: A biblioteca fornece uma interface C++ que mimetiza a programação imperativa padrão. Ela oferece tipos de dados criptografados (Eint, Efixedpoint, Evector) e operadores sobrecarregados, permitindo que desenvolvedores escrevam algoritmos usando sintaxe familiar sem a necessidade de gerenciar detalhes criptográficos de baixo nível.
Arquiteturas de ALU Duplas: O ComputeFHE implementa duas estratégias distintas de Unidade Lógica e Aritmética (ALU):
- StandardALU: Uma implementação de linha de base utilizando portas lógicas convencionais de duas entradas (AND, OR, XOR).
- OptimizedALU: Uma implementação que utiliza portas lógicas especializadas de três entradas amigáveis ao FHE (ex: Majority, MulAdd) e algoritmos mais eficientes propostos em trabalhos anteriores [15]. Esta arquitetura visa reduzir o número de operações de bootstrapping necessárias.
Modo de Simulação: Para mitigar o alto custo de testes, a biblioteca inclui um simulador que emula operações de ALU sem realizar computações criptográficas reais. Este modo fornece métricas estatísticas, como contagens estimadas de bootstrapping e complexidade de circuito, permitindo a depuração e análise de desempenho em hardware padrão.
Modos Cliente/Servidor: A biblioteca suporta um modo cliente para criptografia/descriptografia automática durante a inicialização e conversão de variáveis, e um modo servidor para operações otimizadas em dados criptografados envolvendo textos simples (plaintexts).

Principais Contribuições

Biblioteca de Propósito Geral: Uma biblioteca C++ que fornece tipos de dados de inteiros e ponto fixo criptografados, juntamente com operações aritméticas, lógicas, de comparação e condicionais.
Acesso Oblivious a Arrays: Implementação de vetores criptografados (Evector) que permitem a leitura e escrita em elementos de array usando índices de texto simples ou criptografados, ocultando padrões de acesso à memória de observadores.
Lógica Condicional Criptografada: Suporte para instruções condicionais criptografadas (macro Eif) que modificam variáveis criptografadas com base em condições criptografadas usando operações de multiplexação.
Primitivas Otimizadas: Integração de portas lógicas especializadas que reduzem significativamente o overhead de bootstrapping em comparação com implementações baseadas em portas padrão.
Ferramentas de Acessibilidade: Um ambiente de implantação baseado em Docker e um modo de simulação que reduzem a barreira de entrada para desenvolvedores sem profundo conhecimento em FHE.

Resultados

Os resultados experimentais apresentados no artigo demonstram a eficácia da arquitetura OptimizedALU em comparação com a StandardALU:

Redução de Bootstrapping: A implementação otimizada reduz significamente o número de operações de bootstrapping necessárias. Para operações selecionadas, as melhorias de desempenho variam de 1,74× a 3,91×.
- Exemplo: Para comparação de inteiros de 32 bits, as operações de bootstrapping caíram de 125 (Standard) para 32 (Optimized), um ganho de 3,91×.
- Exemplo: Para divisão/módulo de 32 bits, as operações caíram de 9.768 para 4.064, um ganho de 2,40×.
- Nota: Operadores de igualdade e desigualdade não mostraram ganho (1×), pois a implementação padrão já estava próxima do ideal.
Algoritmo de Ordenação: Em um exemplo de ordenação Batcher odd-even mergesort, a versão otimizada exigiu 2.016 operações de bootstrapping comparado a 3.843 para a versão padrão.
Acesso Oblivious: Embora o acesso a arrays de forma oblivious permaneça computacionalmente caro ( $O(n)$ ), a ALU otimizada reduziu o custo médio de bootstrapping por elemento em aproximadamente 1,45× a 1,81×.

Significância e Alegações

O artigo posiciona o ComputeFHE como um framework prático que preenche a lacuna entre a complexa pesquisa criptográfica e o desenvolvimento de aplicações. Sua principal significância reside em:

Redução da Barreira de Especialização: Ao abstrair as complexidades do TFHE em um modelo imperativo C++, ele permite que desenvolvedores implementem algoritmos de preservação de privacidade sem dominar os mecanismos criptográficos subjacentes.
Eficiência via Otimização: A biblioteca demonstra que o uso de primitivas lógicas amigáveis ao FHE pode reduzir substancialmente o gargalo computacional do bootstrapping, tornando certos algoritmos mais viáveis para implantação prática.
Fluxo de Desenvolvimento: A inclusão de um modo de simulação permite a análise de complexidade e depuração em estágio inicial sem o custo proibitivo de executar computações homomórficas reais.

Os autores reconhecem limitações atuais, incluindo a falta de suporte para aritmética de ponto flutuante criptografada (recorrendo, em vez disso, ao ponto fixo) e o alto custo do acesso a arrays de forma oblivious. Trabalhos futuros estão planejados para abordar estas áreas, além de explorar implementações otimizadas para processamento de sinais, aprendizado de máquina e esteganografia.