Enkripsi Homomorphic Penuh FHE: Alat Perlindungan Privasi di Era AI

Dalam beberapa waktu terakhir, meskipun pasar enkripsi tampak tenang, beberapa teknologi baru sedang berkembang menuju kematangan. Salah satunya, Enkripsi Homomorphic penuh (Fully Homomorphic Encryption, disingkat FHE) adalah bidang yang patut diperhatikan. Pada bulan Mei tahun ini, pendiri Ethereum, V God, bahkan menerbitkan sebuah artikel tentang FHE yang memicu diskusi luas di kalangan industri.

Untuk memahami konsep kompleks FHE ini, kita perlu mulai dari dasar, memahami apa itu "enkripsi", "homomorfik", dan mengapa harus "sepenuhnya".

enkripsi dasar

Kita semua sangat familiar dengan cara enkripsi yang paling sederhana. Misalnya, Alice ingin mengirimkan sebuah angka rahasia kepada Bob "1314 520", tetapi tidak ingin pihak ketiga yang mengirimkan pesan mengetahui isinya. Dia bisa menggunakan aturan enkripsi yang sederhana: mengalikan setiap angka dengan 2. Dengan cara ini, informasi yang disampaikan menjadi "2628 1040". Ketika Bob menerima, dia hanya perlu membagi setiap angka dengan 2 untuk mendekripsi informasi asli. Ini adalah proses enkripsi simetris dasar.

Ciri-ciri Enkripsi Homomorphic

Enkripsi Homomorphic lebih lanjut. Misalkan Alice hanya dapat melakukan operasi dasar kali 2 dan bagi 2, tetapi dia perlu menghitung biaya listrik yang rumit: 400 yuan per bulan, tertunggak selama 12 bulan. Alice tidak dapat melakukan perkalian yang rumit, tetapi dia tidak ingin orang lain mengetahui jumlah yang tepat. Jadi dia bisa melakukan ini: mengalikan 400 dengan 2 menjadi 800, 12 dikalikan 2 menjadi 24, lalu meminta seorang penghitungan yang dapat dipercaya untuk membantu menghitung 800 kali 24. Setelah penghitungan mendapatkan hasil 19200, Alice kemudian membagi 2 dua kali, sehingga dia mendapatkan jawaban yang benar 4800 yuan.

Ini adalah contoh sederhana dari enkripsi homomorphic perkalian. Ini memungkinkan perhitungan pada data terenkripsi tanpa perlu mendekripsi. Metode ini memungkinkan delegasi perhitungan kepada pihak ketiga yang tidak dipercaya, sambil melindungi keamanan data sensitif.

Kebutuhan Enkripsi Homomorphic Penuh

Namun, enkripsi homomorphic sederhana memiliki keterbatasan. Misalnya, jika penghitungan cukup pintar, mungkin dapat membongkar data asli melalui metode pencarian bruteforce. Ini memerlukan metode enkripsi yang lebih kompleks, yaitu enkripsi homomorphic sepenuhnya.

Enkripsi homomorphic sepenuhnya memungkinkan operasi penjumlahan dan perkalian dilakukan pada data terenkripsi sebanyak mungkin, bukan hanya terbatas pada operasi tertentu. Ini secara signifikan meningkatkan kesulitan untuk membongkar, sehingga bahkan operasi polinomial yang kompleks dapat diselesaikan dengan menjaga privasi.

Enkripsi Homomorphic sepenuhnya baru mencapai kemajuan signifikan pada tahun 2009. Pendekatan baru yang diajukan oleh Gentry dan rekan-rekannya membuka kemungkinan baru untuk teknologi ini.

Aplikasi FHE di bidang AI

Teknologi FHE memiliki prospek aplikasi yang luas di bidang AI. Seperti yang kita ketahui, sistem AI yang kuat memerlukan pelatihan dengan data dalam jumlah besar, tetapi banyak data memiliki sensitivitas yang tinggi. FHE dapat dengan baik menyelesaikan kontradiksi ini:

1. Mengenkripsi data sensitif dengan metode FHE
2. Melatih model AI dengan data yang dienkripsi
3. AI mengeluarkan hasil yang telah dienkripsi

Model AI tidak terawasi dapat langsung memproses data enkripsi ini, karena bagi mereka, input pada dasarnya adalah vektor. Sementara pemilik data dapat dengan aman mendekripsi hasilnya secara lokal. Dengan cara ini, tujuan memanfaatkan kekuatan komputasi AI sambil melindungi privasi dapat tercapai.

Contoh Proyek FHE

Saat ini, sudah ada beberapa proyek yang mengeksplorasi teknologi FHE, seperti Zama, Mind Network, Fhenix, dan lain-lain. Mengambil contoh proyek yang diinvestasikan oleh suatu platform perdagangan, proyek tersebut mengusulkan sebuah skenario aplikasi yang menarik: pengenalan wajah. Melalui teknologi FHE, dapat ditentukan apakah seseorang adalah manusia nyata tanpa harus mengakses data wajah asli.

Namun, perhitungan FHE memerlukan dukungan daya komputasi yang besar. Oleh karena itu, proyek ini mengusulkan arsitektur jaringan campuran PoW dan PoS untuk mengatasi masalah daya komputasi. Baru-baru ini, mereka juga meluncurkan perangkat keras penambangan khusus dan sebuah NFT "sertifikat kerja" yang mencoba memberikan insentif daya komputasi sambil menghindari risiko regulasi.

Pentingnya FHE

Jika AI dapat menerapkan teknologi FHE secara besar-besaran, ini akan sangat mengurangi tekanan yang dihadapi saat ini terkait keamanan data dan perlindungan privasi. Dari keamanan nasional hingga privasi individu, FHE dapat menjadi cara perlindungan yang penting.

Dalam era AI yang akan datang, kematangan teknologi FHE mungkin menjadi garis pertahanan terakhir untuk melindungi privasi manusia. Baik dalam aplikasi bisnis maupun bidang penelitian, FHE diharapkan dapat memainkan peran penting di masa depan.