Homomorphe Verschlüsselung
Ein kryptografisches Verfahren, das Berechnungen direkt auf verschlüsselten Daten ermöglicht, ohne sie vorher entschlüsseln zu müssen.
Homomorphe Verschlüsselung erlaubt Berechnungen auf verschlüsselten Daten – ideal für Cloud-AI ohne Daten-Exposition, aber noch sehr rechenintensiv.
Erklärung
Bei HE werden Daten verschlüsselt, an einen Server gesendet, dort verarbeitet und das verschlüsselte Ergebnis zurückgegeben. Nur der Datenbesitzer kann entschlüsseln. Varianten: Partially HE (eine Operation), Somewhat HE (begrenzt), Fully HE (beliebig).
Relevanz für Marketing
Ermöglicht ML-Inferenz auf verschlüsselten Kundendaten: Cloud-AI ohne Daten-Exposition. Ideal für Healthcare, Finance und regulierte Branchen.
Beispiel
Ein Krankenhaus sendet verschlüsselte Patientendaten an einen Cloud-AI-Dienst. Das Modell klassifiziert Diagnosen auf den verschlüsselten Daten. Das Ergebnis wird verschlüsselt zurückgegeben – der Cloud-Anbieter sieht nie Patientendaten.
Häufige Fallstricke
Extrem rechenintensiv (100-10.000x langsamer). Nicht alle ML-Operationen sind effizient umsetzbar. Praxisreife für komplexe Modelle noch begrenzt.
Entstehung & Geschichte
Craig Gentry löste 2009 das FHE-Problem nach 30 Jahren Forschung. Seitdem wurden Bibliotheken wie SEAL (Microsoft), TFHE und OpenFHE entwickelt. Zama.ai und andere Startups treiben seit 2022 FHE-ML-Anwendungen voran.
Abgrenzung & Vergleiche
Homomorphe Verschlüsselung vs. Differential Privacy
Differential Privacy fügt Noise hinzu und arbeitet mit Klartext; Homomorphe Verschlüsselung arbeitet direkt auf Chiffretext.
Homomorphe Verschlüsselung vs. Secure Multi-Party Computation
SMPC verteilt Berechnungen auf mehrere Parteien; HE erlaubt einem Server die Berechnung auf verschlüsselten Daten.