О развитии технологии гомоморфного шифрования за рубежом

Криптография является фундаментом доверия в современном цифровом обществе. Безопасность практически всех критических информационных систем – от финансовых транзакций и правительственной связи до медицинских записей и корпоративной инфраструктуры – опирается на вычислительную сложность математических задач. Одним из направлений развития современной криптографии является гомоморфное шифрование (Homomorphic Encryption, HE).

HE – это класс криптографических схем, позволяющих выполнять вычисления над зашифрованными данными без их расшифровки. Результат вычислений в зашифрованном виде после расшифровки совпадает с результатом тех же операций над открытыми данными. Это решает проблему конфиденциальности при обработке данных в недоверенной среде, например, в облаке.

В настоящее время схемы гомоморфного шифрования разделяются на два основных направления:

• Схемы частично гомоморфного шифрования (Partially Homomorphic Encryption, PHE), позволяющие многократно выполнять над шифрзначениями лишь одну из операций умножения (схемы RSA, Elgamal и пр.) и сложения (схемы EC-Elgamal, Пайе, Бенало).
• Схемы полностью гомоморфного шифрования (Fully Homomorphic Encryption, FHE), позволяющие многократно выполнять над шифрзначениями операции сложения и умножения в произвольном порядке (единственным ограничением на количество операций является величина допустимой ошибки).

Современные FHE-схемы включают:

• Схемы BFV/BGV* – подходят для целочисленных вычислений, часто используются в сценариях с дискретной логикой и подсчётами;

*Справочно

BFV и BGV – это математические алгоритмы, основанные на решетках (Ring Learning with Errors, RLWE – математическая задача и основа для построения криптографических алгоритмов, устойчивых к атакам с использованием квантовых компьютеров). Они работают с точными целыми числами (или полиномами, кодирующими целые). Сложение и умножение дают абсолютно точный результат. Эти схемы идеально подходят для сценариев, где нельзя ошибаться, например, при подсчетах голосов при тайном голосовании, аудите финансовых транзакций, подсчёте уникальных пользователей в рекламной кампании (конверсии) без раскрытия их личных данных. Или при использовании дискретной логики (Boolean/Discrete logic). Так как данные точные, их легко превратить в биты (0 и 1). Это позволяет выполнять над зашифрованными данными условные операции (если X>Y, то прибавить Z), поиск в базах данных по точному совпадению, проверку логических условий (AND, OR, XOR) и работу с конечными автоматами, не раскрывая серверу, какое именно условие сработало.

• Схемы CKKS (Cheon–Kim–Kim–Song, названы по именам группы южнокорейских исследователей) ориентированы на приближённые вычисления с плавающей точкой – удобны для машинного обучения и статистики*;

*Справочно

Нейросети и большинство алгоритмов ML оперируют весами (weights) и смещениями (biases) – это дробные числа. Сама природа машинного обучения вероятностная. Функции активации (например, Sigmoid или ReLU) по определению не требуют математической точности до 7-го знака после запятой. Если изменить вес нейрона на 0,000001, предсказание модели практически не изменится. Более того, обучение и логический вывод (inference) в облаке становятся в разы быстрее на CKKS, потому что схема «позволяет» себе округлять промежуточные шумы, не тратя ресурсы на их полное подавление.

Статистика оперирует средними значениями, дисперсией, медианами и корреляциями. Не нужна абсолютная точность до копейки, если считается средняя зарплата по отделу или средняя температура пациентов. Нужен тренд и порядок цифр.

CKKS позволяет эффективно делить зашифрованные числа (чего BFV/BGV практически не умеют делать без огромных накладных расходов).

Т.е. CKKS применяется в сценариях, где нужно в реальном времени анализировать зашифрованные данные (медицинские сканы через ИИ, финансовые тренды, big data), не раскрывая их, но при этом математики допускают погрешность в пользу производительности, так как итоговый вывод человека (или модели) от этой погрешности не страдает.

• Схема TFHE* – оптимизирована для логических операций и небольших таблиц истинности, отличается высокой гибкостью при работе с булевыми функциями.

*Справочно

• TFHE (Torus Fully Homomorphic Encryption) – полностью гомоморфное шифрование над дискретизированным тором. Эта схема работает на уровне битов и логических вентилей. В отличие от BFV и CKKS, которые оперируют большими числами (полиномами) и делают сложные операции, TFHE шифрует каждый бит (0 или 1) по отдельности. Это позволяет ему выполнять над зашифрованными битами базовые операции AND, OR, XOR, NOT (как в обычном процессоре).

Таблицы истинности (LUT – Look-Up Tables) означают, что можно задать любую функцию от 1–3 бит и выполнить её мгновенно. Например, можно сказать: «Если бит A=1 и бит B=0, то результат = 1» – сервер выполнит это, не зная самих битов.

Из простых вентилей (AND/OR/XOR) можно собрать абсолютно любую логическую схему: компараторы (проверка X>Y), операции сдвига, условные операторы (if/else) или любые сложные цепочки проверок. Эта гибкость делает TFHE пригодным для произвольных вычислений, где результат зависит от самих данных (ветвления).

Программируемое обновление (Programmable Bootstrapping) – это главная особенность TFHE. В других схемах (BFV/CKKS) операция «обновления» (bootstrapping), убирающая накопившийся шум, очень тяжелая и выполняется отдельно. В TFHE обновление шума и вычисление логической операции происходят одновременно за один такт. Благодаря этому можно выполнять логические операции бесконечно долго, не боясь, что шум «задавит» данные. Именно поэтому он считается самым быстрым для булевой логики среди всех FHE-схем.

Когда выбирают TFHE (где применяется):

• Поиск в базах данных с условиями, например: «Найди все записи, где возраст >18 и зарплата <1000» – сервер проверяет эти булевы условия на шифрованных данных и возвращает только совпадения, не видя самих данных.
• Конфиденциальные смарт-контракты (блокчейн) – когда код должен проверить, выполнены ли логические условия транзакции, не раскрывая суммы или чей-либо баланс.
• Биометрия – проверка, совпадает ли отпечаток пальца с шаблоном (побитовое сравнение), без передачи шаблона в открытом виде.
• Ветвящиеся алгоритмы – там, где в зависимости от зашифрованных данных нужно выбрать одну из веток кода.

В сравнении, особенности FHE-схем представлены в табл.1

Таблица 1

На практике современные решения (например, открытый фреймворк Concrete для разработки HE-приложений французской компании Zama) часто комбинируют TFHE для проверки условий и, например, CKKS для вычислений на основе результата этой проверки.

Иногда в отдельную группу выделяют схемы ограниченного гомоморфного шифрования (Somewhat Homomorphic Encryption, SHE), позволяющие выполнять над шифрзначениями обе операции в произвольном порядке, но со строгим ограничением числа применений одной или обеих операций. Примером подобной схемы может служить схема Боне-Го-Ниссима (BGN – частично гомоморфная криптосистема, разработанная Дэном Боне, Ю Чжин Го и Коби Ниссимом в 2005 году), поддерживающая неограниченное число сложений шифрзначений и одно умножение в произвольном порядке следования операций.

Преимущества технологии гомоморфного шифрования включают:

• Данные остаются зашифрованными на протяжении всего процесса обработки, что исключает риск утечки в ходе вычислений – это полезно при использовании облаков, в медицине, финансовой и других сферах, где важна приватность.
• Безопасные аутсорсинговые вычисления – можно передавать зашифрованные данные третьим сторонам (например, облачным провайдерам) без риска раскрытия информации.
• Соответствие регуляторным требованиям – помогает соблюдать, например российский закон ФЗ-152, европейский GDPR, американский HIPAA и другие, требующие защиты конфиденциальных данных.
• Гибкость сценариев: применимо к разным типам вычислений – от простых агрегаций до сложных моделей машинного обучения.

Вместе с тем стоит отметить и недостатки:

• Высокая вычислительная сложность – операции на зашифрованных данных требуют на 2–6 порядков больше ресурсов, чем на открытых, что делает HE непрактичным для многих реальных задач.
• Рост размера шифротекста – зашифрованные данные могут быть в десятки–сотни раз больше исходных.
• Накопление шума – в FHE при выполнении операций накапливается «шум», который может сделать расшифровку невозможной, требуется процедура «релинейаризации» и «перешифрования» Bootstrapping*, являющейся самой ресурсоёмкой операцией.

*Справочно

Bootstrapping – это ключевая техника, которая лежит в основе FHE, суть которой лежит в способе обновления зашифрованных данных, чтобы с ними можно было продолжать вычисления, не теряя корректности.

Идея в том, чтобы гомоморфно выполнить процедуру расшифровки прямо над шифротекстом. При этом для вычислений используют зашифрованный секретный ключ (его ещё называют bootstrapping key или refreshing key). В результате получается новый шифротекст – он шифрует то же сообщение, что и исходный, но с заметно меньшим уровнем шума. То есть шум, который неизбежно накапливается при каждой операции (сложении, умножении) над шифротекстом, сбрасывается. Это позволяет проводить вычисления сколь угодно долго – пока не исчерпается «бюджет шума».

В схемах FHE (например, на основе решёток) шум – это не ошибка, а часть механизма безопасности, но есть нюанс. Каждая операция с шифротекстом его увеличивает. Если шум достигнет критического порога, расшифровка даст неверный результат. Bootstrapping решает эту проблему, он «освежает» шифротекст, возвращая уровень шума к приемлемому значению.

• Сложность интеграции – требует специализированных библиотек и адаптации алгоритмов под ограничения HE.
• Требуется специализированное оборудование – для ускорения FHE разрабатываются GPU- и FPGA-ускорители, но до их массового внедрения еще довольно далеко.

Технологии HE имеют большой потенциал развития. Ключевые сферы применения включают:

• Облачные вычисления и аутсорсинг обработки данных (безопасная обработка в публичных облаках, например, AWS, Azure, GCP).
• Здравоохранение – анализ обезличенных медицинских данных без раскрытия персональной информации пациентов.
• Финансовый сектор – оценка рисков, скоринг, антифрод с сохранением конфиденциальности транзакций и профилей клиентов.
• Машинное обучение как услуга (MLaaS) – обучение и инференс[1] моделей на зашифрованных данных, в том числе кросс-организационное обучение без обмена сырыми данными.
• Голосования и приватные агрегации – подсчёт результатов без раскрытия индивидуальных голосов.
• Телекоммуникации и IoT – безопасная агрегация телеметрии, приватный биллинг и аналитика.

На мировом рынке гомоморфного шифрования представлены как крупные технологические компании и стартапы, так и академические центры.

IBM (США)

Компания развивает библиотеки и инструменты для FHE, участвует в отраслевых консорциумах. Ее деятельность в этом направлении фокусируется на интеграции HE в корпоративные решения и облачные сервисы.

Так, ее библиотека HElib, по сути, один из самых зрелых инструментов в индустрии. Она представляет собой открытую C++-библиотеку (Apache License v2.0), которая реализует обе ключевые схемы – BGV с бутстрапингом (bootstrapping – операцией обновления) и CKKS. В неё заложены продвинутые оптимизации: эффективная упаковка шифротекстов (ciphertext packing), интеллектуальное управление шумом, многопоточность и своеобразный «ассемблер для гомоморфного шифрования» – низкоуровневый API с операциями сложения, умножения и сдвига. С 2018 года HElib находится в активной фазе рефакторинга[2] с упором на надёжность, производительность и удобство для разработчиков. На базе HElib IBM выпускает программный инструмент FHE Toolkit – Docker-контейнеры с интегрированной средой разработки (IDE) и готовыми примерами, что позволяет быстро начать экспериментировать с FHE без глубокого погружения в криптографию.

Для прикладных задач IBM предлагает HElayers – набор программных инструментов (Software Development Kit, SDK), который абстрагирует криптографические детали и позволяет разработчикам и дата-сайентистам[3] работать с FHE-вычислениями на более высоком уровне, не имея специализированных знаний в криптографии. HElayers построен вокруг концепции «плиточных тензоров» (Tile Tensors), что особенно эффективно для работы с большими нейросетями на зашифрованных данных. Именно этот SDK лежит в основе IBM FHE Cloud Service – бета-облачного сервиса для развёртывания privacy-preserving ML-приложений[4] в модели SaaS (Software as a Service – «программное обеспечение как услуга»). Кроме того, IBM интегрирует FHE в свою облачную платформу Cloud Pak for Data (для работы с данными), где гомоморфное шифрование выступает опциональным механизмом для федеративного обучения(Federated Learning, FL[5]) – данные шифруются на стороне участников и остаются зашифрованными при передаче агрегатору, но итоговый результат вычислений получается тем же, что и над незашифрованными данными.

В 2025 году IBM вывела FHE на новый уровень коммерциализации, запустив IBM Security Homomorphic Encryption Services - комплексное предложение, включающее следующие три компонента:

• Инструменты и шаблоны для ключевых сценариев для аналитики на зашифрованных данных, поиска с сохранением конфиденциальности запроса и обучения AI/ML-моделей.
• Консалтинг и поддержку от экспертов IBM по криптографии, помогающих компаниям освоить FHE и адаптировать свои приложения.
• Масштабируемую хостинговую среду на IBM Cloud для разработки и тестирования прототипов.

Важно отметить, что FHE на основе решёточных криптосистем считается квантово-безопасным – устойчивым к взлому квантовыми компьютерами, что добавляет стратегическую ценность этим разработкам. IBM также активно участвует в отраслевых консорциумах и инициативах по стандартизации FHE, а её исследователи публикуют задачи на платформе FHERMA, стимулируя инновации в сообществе.

Microsoft (США)

Стратегия Microsoft в области FHE строится вокруг нескольких ключевых направлений: флагманская открытая библиотека Microsoft SEAL (Simple Encrypted Arithmetic Library), сопутствующие инструменты для разработчиков, глубокая интеграция с облачной платформой Azure и активное участие в международной стандартизации.

SEAL – простая в использовании, высокопроизводительная библиотека с открытым исходным кодом, разработанная исследовательской группой по криптографии Microsoft Research. Это фундамент FHE-разработок компании. Она написана на современном стандартном языке программирования C++ и легко компилируется в различных окружениях – от Windows и Linux до Android, iOS и WebAssembly. SEAL поддерживает две ключевые схемы полностью гомоморфного шифрования: BFV и CKKS.

Для упрощения работы с SEAL был создан компилятор EVA (Encrypted Vector Arithmetic), открытый на GitHub. Он автоматизирует криптографически сложные аспекты, позволяя разработчикам писать программы для работы с зашифрованными данными на простом Python-подобном языке (PyEVA), не имея глубоких знаний в криптографии. EVA, в первую очередь, предназначен для глубоких вычислений со схемой CKKS и использует Microsoft SEAL в качестве бэкенда[6].

Microsoft интегрирует FHE в свои корпоративные и облачные сервисы Azure. Ключевой сценарий, описанный в официальной документации Azure, – это аутсорсинг вычислений в облаке, при котором провайдер (Microsoft) никогда не имеет доступа к незашифрованным данным или ключам клиента. Примером служит функция Azure ML Private Prediction, которая позволяет развернуть модель классификации изображений для выполнения зашифрованных выводов (инференса) в Azure Container Instance, используя Microsoft SEAL.

Кроме того, Microsoft активно участвует в совместных проектах по развитию FHE, например, с Управлением перспективных исследовательских проектов Министерства обороны США (DARPA) совместно с Intel, направленном на создание специализированных аппаратных ускорителей, которые могли бы повысить производительность FHE на пять порядков по сравнению с текущими CPU-реализациями.

Важной составляющей стратегии Microsoft является участие в стандартизации гомоморфного шифрования. Microsoft Research выступила одним из основателей и ключевым организатором индустриального консорциума HomomorphicEncryption.org, запущенного в 2017 году. Участие в этом консорциуме, который также включает американский национальный институт NIST и другие организации, направлено на создание открытых стандартов, описывающих безопасные параметры, единый API и модель программирования для различных схем HE.

Microsoft позиционирует FHE как решение для отраслей с высокими требованиями к регуляторному соответствию, таких как здравоохранение, финансы и правительственные организации.

Duality Technologies (США)

Стратегия этой компании в области FHE строится вокруг трёх ключевых направлений: флагманская платформа SecurePlus, открытая библиотека OpenFHE и глубокая интеграция с крупнейшими облачными и аппаратными экосистемами.

Платформа SecurePlus – это основной коммерческий продукт Duality, представляющий собой сквозную среду для защищённой аналитики и совместной обработки данных. Она построена на трёх уровнях: слой управления коллаборациями (настройка, управление доступом и политиками), масштабируемые движки для выполнения широкого спектра задач (обучение моделей, инференс, аналитика) и фундаментальный слой технологий повышения конфиденциальности, включающий полностью гомоморфное шифрование (FHE), федеративное обучение (FL), доверенные среды исполнения (TEE) и дифференциальную приватность (DP). Платформа изначально проектировалась «с нуля» именно для защищённой коллаборации, а не как надстройка к существующим системам. SecurePlus абстрагирует сложность криптографической инфраструктуры: пользователям не нужно управлять серверами аттестации, обменом ключами или низкоуровневой настройкой TEE – платформа берёт это на себя. В состав SecurePlus входят специализированные продукты, например SecurePlus® Statistics – решение для вычисления статистик (включая риск-скоры, анализ реальных клинических данных и обогащение наборов данных) на объединённых зашифрованных данных без их расшифровки.

Технические особенности платформы включают поддержку зашифрованных SQL-подобных запросов, безопасный инференс LLM, обучение и донастройку генеративных AI-моделей на конфиденциальных данных, а также федеративную аналитику без перемещения данных. Платформа обеспечивает сквозное шифрование персональных данных (PII) на всём протяжении их жизненного цикла, что позволяет соблюдать требования GDPR, CCPA, HIPAA и других регуляторов. Продукт Duality также позиционирует себя как квантово-безопасное решение, интегрируя постквантовую криптографию непосредственно в FHE.

OpenFHE – ещё один продукт Duality, это открытая, стандартизированная библиотека гомоморфного шифрования, которая пришла на смену PALISADE (также созданной при участии основателей Duality). OpenFHE поддерживает несколько схем HE (включая BGV, CKKS и другие), следует стандартам безопасности HomomorphicEncryption.org и финансируется, в том числе Министерством обороны США. Библиотека устойчива к атакам квантовых компьютеров. Разработчики из Apple сотрудничали с Duality для оптимизации OpenFHE в рамках интеграции FHE в iOS 18. Более того, Duality внедрила Agentic AI для разработки FHE – инструмент на базе Claude Code, который позволяет генерировать профессиональный код OpenFHE на естественном языке: агент анализирует структуру данных, выводит FHE-дружественную версию алгоритма и валидирует криптографические параметры.

Отраслевые решения и партнёрства охватывают финансовый сектор, здравоохранение, оборону и правительственные организации. В финансовом секторе Duality позволяет банкам запускать совместные модели выявления мошенничества на зашифрованных данных с использованием FHE и безопасных многосторонних вычислений (Multi-Party Computation, MPC). Это даёт возможность обнаруживать кросс-банковские мошеннические схемы, не раскрывая PII-информацию клиентов. Duality в партнёрстве с компанией Oracle предлагает защищённый обмен информацией для борьбы с отмыванием денег (AML). В здравоохранении Duality участвует в проекте SQUEEZES – контракте с американским агентством ARPA-H при Министерстве здравоохранения и социальных служб США (HHS). Цель – создание FHE-фреймворка для обмена данными между медицинскими организациями: данные шифруются локально каждым участником, загружаются на общий сервер и анализируются в зашифрованном виде для исследований редких заболеваний, что существенно снижает юридические барьеры для совместных исследований.

В оборонном секторе Duality получила контракт от DARPA для разработки аппаратного ускорителя FHE, а также совместно с Oracle поставляет решения для защищённого AI-анализа в правительственные и оборонные структуры.

Duality сотрудничает со всеми крупными облачными провайдерами – AWS, Azure, Google Cloud, Oracle, IBM и Red Hat, а также с аппаратными вендорами Intel и NVIDIA. Среди клиентов и партнёров – Национальные институты здравоохранения (NIH), Банк Новой Шотландии (Scotiabank), DARPA, Intel, Oracle, IBM и Всемирный экономический форум.

Zama (Франция)

Компания, специализирующаяся на схемах полностью гомоморфного шифрования TFHE, разработала открытый фреймворк Concrete для разработки HE-приложений, оптимизированный под современные центральные (CPU) и графические процессоры (GPU).

Concrete не просто библиотека, а модульный FHE-компилятор с открытым исходным кодом. Он построен вокруг собственной реализации TFHE на Rust (TFHE-rs) и использует LLVM[7] для компиляции высокоуровневого кода в FHE-инструкции.

Архитектура Concrete делится на четыре основных слоя:

• Frontend (Python) – высокоуровневый транспайлер[8] concrete-python, который позволяет разработчикам писать FHE-программы на обычном Python без глубоких знаний криптографии.
• Compiler – ядро на основе MLIR (Multi-Level Intermediate Representation), которое преобразует абстрактную FHE-программу в оптимизированный исполняемый граф вычислений.
• Backends – два криптографических бэкенда[9]: concrete-cpu (на базе TFHE-rs) и concrete-cuda (GPU-ускорение).
• concrete-cpu – реализует и клиентские, и серверные функции: генерацию ключей, шифрование/дешифрование и все гомоморфные операции на CPU. Заявлен как «самая быстрая реализация TFHE на CPU».
• concrete-cuda – реализует только серверные функции, ускоряя выполнение гомоморфных вычислений на GPU (CUDA). Клиентская часть (генерация ключей, шифрование) остаётся на CPU. GPU-бэкенд использует специализированные криптографические параметры, отличные от CPU, для достижения максимальной производительности. По данным Zama, GPU-ускорение даёт прирост скорости до 4,2 раз по сравнению с CPU. Поддерживаются современные графические процессоры с CUDA версии

10 и выше.

• Tools – вспомогательные утилиты для оптимизации и анализа производительности.

Библиотека Concrete ML для приватного машинного обучения – это отдельный фреймворк поверх основного Concrete, ориентированный на специалистов по обработке данных. Его ключевые возможности:

• Автоматическая конвертация моделей – можно взять готовые модели из scikit-learn[10] и PyTorch[11] и преобразовать их в FHE-эквиваленты. Поддерживаются линейные модели, деревья решений и нейронные сети.
• Инференс на зашифрованных данных – модель предсказывает результат, не видя сами данные.
• Обучение на зашифрованных данных – позволяет обучать линейные модели и дообучать LLM напрямую на шифрованных данных.
• Квантизация – перед FHE-компиляцией модель автоматически переводится в целочисленный формат, так как FHE работает с целыми числами.
• Поддержка федеративного обучения – можно импортировать модели, обученные в федеративной среде.

Zama развивает направление fhEVM – виртуальную машину для конфиденциальных смарт-контрактов на EVM-совместимых блокчейнах[12]. Суть в том, что все входные данные транзакции шифруются и никогда не видны никому в открытом виде, смарт-контракт выполняет логику непосредственно над шифротекстами, состояния блокчейна обновляются, оставаясь зашифрованными на всём протяжении.

Это позволяет создавать полностью приватные DeFi-протоколы (скрытые балансы и ордера), анонимное голосование в DAO (децентрализованных автономных организациях) и другие конфиденциальные приложения на публичных блокчейнах.

Другие поставщики

Если говорить о менее крупных игроках на рынке технологий конфиденциальности, то их ключевая стратегическая линия – это гибридные подходы, объединяющие сильные стороны разных криптографических парадигм для решения конкретных прикладных задач, где использование какой-то одной технологии оказывается недостаточно эффективным. В отличие от гигантов вроде IBM или Microsoft, разрабатывающих фундаментальные библиотеки и облачные платформы, нишевые компании фокусируются на узких вертикалях – будь то защита блокчейн-транзакций, конфиденциальный AI-инференс или постквантовая безопасность для корпоративных систем. Их главное оружие – гибридные криптографические конструкции, комбинирующие FHE, MPC (Multi-Party Computation)[13], ZK (Zero-Knowledge)[14] и TEE (Trusted Execution Environment)[15] в рамках единого решения.

Так, CryptoNext Security (Франция) специализируется на постквантовой криптографии. Компания предлагает Quantum Safe Library (QSL) – крипто-гибкую библиотеку, включающую финалистов конкурса NIST по постквантовой криптографии. Ключевая особенность – поддержка гибридных режимов (PQ+Hybrid), где постквантовые алгоритмы комбинируются с классической криптографией для плавного перехода организаций в постквантовую эру. Решения CryptoNext охватывают широкий спектр сценариев: безопасный веб, конференц-связь, HSM[16], VPN, цифровые подписи, IoT и блокчейн. В партнёрстве с Thales компания использует аппаратные модули безопасности Luna 7 как корень доверия для своей постквантовой инфраструктуры.

Arcium – проект, строящий параллелизованную сеть конфиденциальных вычислений, которую часто называют «зашифрованным суперкомпьютером».

*Справочно

Проект Arcium (ARX) – это инфраструктурный проект в экосистеме Web3, который основан командой из более чем 20 экспертов, включая докторов и ведущих инженеров в области прикладной криптографии, машинного обучения и математики. Среди сооснователей – Янник Шраде, который занимает пост генерального директора.

Arcium позиционируется как фундаментальная инфраструктура для будущего Web3, позволяющая выполнять сложные вычисления на зашифрованных данных и открывающая новые возможности для конфиденциальных приложений в финансах, здравоохранении, корпоративном секторе и других областях.

В отличие от большинства конкурентов, делающих ставку на одну криптографическую технологию, Arcium объединяет в едином исполнительном слое многосторонние вычисления (MPC), FHE и ZK-доказательства (Zero-Knowledge Proofs). Архитектурной инновацией является Multiparty computation eXecution Environment (MXE) – среда, где каждая технология применяется там, где она даёт максимальную эффективность: ZK – для верифицируемости утверждений, FHE – для вычислений над зашифрованными данными, MPC – для безопасных совместных вычислений между несколькими сторонами.

Перспективы применимости FHE

Гомоморфное шифрование позволяет выполнять операции над зашифрованными данными, обеспечивая безопасность на архитектурном уровне, но требует учёта инженерных нюансов:

1. Точечное применение – FHE эффективен не для всех потоков, а для агрегированных данных или параметров моделей (например, обновлений в федеративном обучении, инференса по готовым признакам). Это снижает издержки и не требует полного реинжиниринга систем.

2. Гибридные архитектуры – комбинации FL и HE, HE и DP, HE и TEE становятся приоритетными для масштабируемых защищённых ИИ-решений, особенно в распределённых сценариях с несколькими независимыми участниками (клиники, банки, операторы).

3. Реальные вычисления уже сегодня – промышленные библиотеки (SEAL, Concrete, PALISADE, HELib) позволяют выполнять арифметику и инференс нейросетей с миллисекундной задержкой, что достаточно для многих задач без жёстких требований к латентности.

Также стоит отметить, что крупные игроки (Google, Microsoft, Intel, IBM, NVIDIA) и DARPA вкладываются в разработку ускорителей и языков описания FHE-операций, что форсирует переход от прототипов к промышленным внедрениям.

Несмотря на прогресс в области теоретической проработки схем FHE, практическое применение этой технологии остается ограниченным из-за сложности настройки и высоких требований к инфраструктуре. В ближайшие годы ключевыми направлениями, способными расширить область применимости FHE, будут следующие:

• Аппаратное ускорение

Одним из наиболее перспективных векторов развития является создание специализированных аппаратных ускорителей FHE. Ожидается появление специализированных ASIC-чипов, которые сократят время операций на порядки, открывая FHE для задач с жёсткой задержкой (финансы, периферийная медицина). Цель – миллионы гомоморфных операций в секунду.

• Унификация стандартов параметризации

В отличие от PHE-схем, таких как Пайе, RSA, которые уже прошли сертификацию NIST, в FHE до сих пор нет единой системы классификации схем, уровней безопасности и параметров шумоподавления. Разработка общепринятых рекомендаций снизит входной порог для индустриальных команд и упростит регуляторные проверки. Цель – выработка стандартизированного профиля параметров FHE-схем (например, CKKS), пригодных для типовых бизнес-применений.

• Автоматизация параметризации и верификации

Применение FHE требует глубокой экспертной настройки – выбора уровня шума, схемы буферизации, параметров бутстраппинга и т.д. Снизить риски ошибок конфигурации и упростить внедрение FHE в ИТ-стек поможет встраивание автоматизированных инструментов настройки и верификации в пайплайны CI/CD[17].

Таким образом, гомоморфное шифрование, несмотря на сохраняющиеся вычислительные и инженерные барьеры, уверенно переходит из разряда академических исследований в плоскость практических внедрений. Ведущие мировые вендоры (IBM, Microsoft) и профильные стартапы (Zama, Duality, CryptoNext) предлагают зрелые библиотеки, облачные сервисы и отраслевые решения, закрывающие потребности финансового сектора, здравоохранения и государственных структур. Ключевыми драйверами ближайших лет станут аппаратные ускорители (ASIC/GPU), стандартизация параметров и автоматизация настройки, что позволит снизить порог входа и повысить производительность на порядки. В среднесрочной перспективе FHE займёт нишу специализированного инструмента для обработки высокочувствительных данных в распределённых и других сценариях взаимодействия, а гибридные архитектуры (FHE+MPC+ZK+TEE) станут индустриальным стандартом для построения доверенных систем искусственного интеллекта и конфиденциальных вычислений нового поколения.

[1] Инференс моделей (inference – «вывод», «умозаключение») – это процесс использования уже обученной нейросети или модели машинного обучения для решения конкретных задач на новых, ранее не встречавшихся данных.

[2] Рефакторинг (refactoring) – процесс систематического улучшения внутренней структуры, читаемости и поддерживаемости уже написанного кода без изменения его внешнего поведения и без добавления новой функциональности.

[3] Data Scientist (дата-сайентист, специалист по Data Science) – профессионал, который использует статистику, математику, программирование и методы машинного обучения для анализа больших объёмов данных и построения математических моделей, помогающих находить скрытые закономерности, делать прогнозы и принимать решения в бизнесе, науке, медицине и других сферах.

[4] Privacy-preserving ML-приложения (часто сокращают до PPML – Privacy-Preserving Machine Learning) – системы машинного обучения, которые одновременно позволяют извлекать полезные инсайты из данных и при этом надёжно защищают конфиденциальность людей, чьи данные используются.

[5] Федеративное обучение (Federated Learning, FL) – метод машинного обучения, который позволяет обучать модели на распределённых данных без их централизации. Вместо того чтобы собирать все данные в одном месте, обучение происходит «на местах» – на устройствах пользователей или в разных организациях (например, в больницах, банках, телеком-компаниях).

[6] Бэкенд (backend) – серверная часть приложения, которая работает «за кулисами», обрабатывает запросы от пользователя (фронтенда), реализует бизнес-логику, взаимодействует с базами данных и внешними сервисами.

[7] LLVM (Low Level Virtual Machine) – это инфраструктура для компиляции, которая предоставляет набор инструментов и библиотек для анализа, оптимизации кода и генерации машинного кода для различных архитектур процессоров. Она не является прямым компилятором, который используется напрямую разработчиками, а служит основой (бэкендом), которую другие проекты могут использовать в своих цепочках компиляции.

[8] Высокоуровневый транспайлер – это инструмент, который преобразует исходный код с одного высокоуровневого языка программирования на другой высокоуровневый язык. В отличие от традиционного компилятора, который переводит код с языка высокого уровня на язык низкого уровня (например, ассемблер или машинный код), транспайлер работает в рамках одного уровня абстракции.

[9]Криптографический бэкенд – это специализированная часть серверной логики, которая отвечает за шифрование, дешифрование, хеширование данных, управление ключами и реализацию протоколов безопасности.

[10] Scikit-learn – популярная библиотека для классического машинного обучения (классификация, регрессия, кластеризация). Она следует парадигме «подгонка-предсказание» (fit-predict) и хорошо интегрируется с другими научными библиотеками Python (NumPy, SciPy, Pandas).

[11] PyTorch – фреймворк для глубокого обучения, который отличается динамическим построением вычислительных графов, что делает его гибким для исследований и прототипирования. Он активно используется в компьютерном зрении, NLP и других областях.

[12] EVM-совместимые блокчейны – это сети, которые умеют выполнять код смарт-контрактов в той же виртуальной среде, что и Ethereum (Ethereum Virtual Machine, EVM). Проще говоря, они «понимают» те же правила работы, что и основной блокчейн Ethereum, и могут запускать его смарт-контракты практически без изменений.

[13] MPC (Многостороннее вычисление) даёт возможность нескольким участникам совместно производить вычисления над их секретными данными, не раскрывая их друг другу. Это устраняет необходимость доверия отдельному центру и обеспечивает распределённое управление ключами.

[14] ZK (Доказательства с нулевым разглашением) позволяют одной стороне (пруверу) доказать другой (верификатору) знание определённого секрета, не раскрывая сам секрет. Это основа для приватной аутентификации, конфиденциальных транзакций и сжатия данных в блокчейне.

[15] TEE (Доверенная среда выполнения) – это аппаратно-изолированная область в устройстве, где код и данные выполняются в защищённом режиме, недоступном для операционной системы и даже администратора. Это обеспечивает конфиденциальность и целостность вычислений.

[16] HSM (Hardware Security Module, аппаратный модуль безопасности) – специализированное физическое устройство, предназначенное для надёжного хранения, генерации и управления криптографическими ключами, а также для выполнения криптографических операций (шифрование, цифровая подпись, аутентификация) в изолированной и защищённой среде.

[17] CI/CD (Continuous Integration / Continuous Delivery/Deployment) – это набор практик и инструментов, которые автоматизируют весь цикл разработки ПО: от интеграции кода до тестирования и развёртывания. Основная цель – ускорить доставку обновлений, повысить качество продукта и снизить количество ошибок за счёт автоматизации рутинных задач.