Par rapport au Web2, pourquoi le chiffrement homomorphe entièrement (FHE) a-t-il de meilleures perspectives d'application dans le Web3 ?
TechFlow SélectionTechFlow Sélection
Par rapport au Web2, pourquoi le chiffrement homomorphe entièrement (FHE) a-t-il de meilleures perspectives d'application dans le Web3 ?
Grâce au développement et à l'innovation technologiques constants, le chiffrement homomorphe entier (FHE) devrait jouer un rôle clé dans les domaines futurs de la protection de la vie privée et du calcul sécurisé.
Dédié à des analyses Web3 approfondiesRédaction : IOSG Ventures
La confidentialité est un droit fondamental pour les individus et les organisations. Pour les personnes, elle permet une expression libre sans avoir à divulguer d'informations indésirables à des tiers. Pour la plupart des organisations actuelles, les données sont considérées comme une marchandise principale, et la protection de leur confidentialité est cruciale pour préserver cette ressource. Le mouvement cypherpunk et la marchandisation des données ont accéléré la recherche et le développement de primitives cryptographiques.
La cryptographie est un domaine vaste. Dans un contexte computationnel, de nombreux schémas différents ont émergé — preuves à connaissance nulle, chiffrement homomorphe, partage secret, etc. — en constante amélioration depuis leur apparition dans les années 1960. Ces schémas sont essentiels pour déblocher des méthodes de calcul privé (les données étant précieuses car elles permettent d’en extraire des informations exploitables). Aujourd’hui, le domaine du calcul privé a connu des progrès significatifs grâce au calcul multipartite (MPC) et aux preuves à connaissance nulle, mais la confidentialité des données d’entrée reste un problème central.
Lorsque la marchandise la plus précieuse est exposée publiquement, il devient extrêmement difficile pour tout propriétaire de données de sous-traiter son traitement sans accords juridiques contraignants. Actuellement, chacun dépend de normes réglementaires telles que HIPAA pour les données médicales ou le RGPD pour la protection des données en Europe.
Dans l’univers blockchain, nous privilégions l’intégrité technique plutôt que celle des régulateurs. Convaincus de l’ouverture d’accès et de la maximisation de la propriété, si nous croyons en un futur où les utilisateurs possèdent leurs données, nous avons besoin de méthodes sans confiance pour effectuer des calculs sur ces données. Avant les travaux de Craig Gentry en 2009, l’idée de réaliser des calculs sur des données chiffrées n’avait pas connu de percée. Il a été le premier à montrer qu’il était possible d’effectuer des opérations (additions et multiplications) directement sur des textes chiffrés.
1. Comment fonctionne le chiffrement entièrement homomorphe (FHE)
Quelle est donc cette « mathématique magique » qui permet aux ordinateurs d’effectuer des calculs sans connaître les entrées ?
Le chiffrement entièrement homomorphe (Fully Homomorphic Encryption, FHE) est une catégorie de schémas cryptographiques permettant d’effectuer des calculs sur des données chiffrées (chiffrés) sans avoir besoin de les déchiffrer, ouvrant ainsi un large éventail d’applications en matière de confidentialité et de protection des données.
Dans le processus FHE, lors du chiffrement des données, une donnée supplémentaire appelée « bruit » est ajoutée aux données originales. C’est ce bruit qui constitue le cœur du chiffrement.
À chaque opération homomorphe (addition ou multiplication), du bruit supplémentaire est ajouté. Si les calculs deviennent trop complexes et que le bruit s’accumule à chaque étape, le déchiffrement final devient extrêmement difficile (et coûteux en termes de calcul). Ce phénomène convient mieux aux additions, où le bruit croît linéairement, tandis qu’en cas de multiplications, il croît exponentiellement. Ainsi, pour des polynômes complexes impliquant de nombreuses multiplications, le déchiffrement du résultat devient pratiquement impossible.
Si le bruit est le principal obstacle rendant le FHE difficile à utiliser, il doit être contrôlé. C’est ici qu’intervient un nouveau processus appelé « bootstrapping » (amorçage). L’amorçage consiste à chiffrer à nouveau les données chiffrées à l’aide d’une nouvelle clé, puis à déchiffrer dans le domaine chiffré. Cette étape est cruciale car elle réduit fortement la surcharge computationnelle ainsi que le coût du déchiffrement final. Bien que l’amorçage diminue le coût du déchiffrement, il induit une forte surcharge opérationnelle pendant le processus, ce qui peut être à la fois coûteux et lent.
Les principaux schémas FHE actuels sont : BFV, BGV, CKKS, FHEW et TFHE. À l’exception de TFHE, les acronymes correspondent aux initiales des auteurs des articles fondateurs.
On peut comparer ces schémas à des langues différentes parlées dans un même pays, chacune optimisée pour des usages spécifiques. L’objectif idéal serait d’unifier ce pays, c’est-à-dire permettre à une même machine de comprendre toutes ces langues. De nombreux groupes de travail FHE s’efforcent aujourd’hui de rendre ces schémas composable entre eux. Des bibliothèques comme SEAL (combinant BFV et CKKS) ou HElib (BGV + CKKS pour nombres approchés) facilitent l’utilisation combinée de différents schémas FHE selon les besoins. Par exemple, la bibliothèque Concrete de Zama est un compilateur Rust dédié au schéma TFHE.
2. Comparaison des schémas FHE
Voici une comparaison des performances de différentes bibliothèques issue de l’article « SoK: New Insights into Fully Homomorphic Encryption Libraries via Standardized Benchmark » (2022), rédigé par Charles Gentry, Dimitris Mouris et Nektarios Georgios Tsoutsos.
Applications Web3
Lorsque nous utilisons aujourd’hui les blockchains et leurs applications, toutes les données sont publiques et visibles par tous. Cela présente des avantages pour de nombreux cas d’usage, mais exclut totalement ceux nécessitant une confidentialité par défaut ou une protection des données (par exemple modèles d’apprentissage automatique, bases de données médicales, génomique, finance privée, jeux non truquables, etc.). Une blockchain ou une machine virtuelle supportant le FHE permettrait théoriquement à l’état entier de la chaîne d’être chiffré dès l’origine, assurant la confidentialité tout en autorisant des calculs arbitraires sur les données chiffrées. Toutes les données stockées ou traitées sur un réseau blockchain utilisant le FHE seraient intrinsèquement sécurisées. Zama propose un schéma fhEVM, permettant d’exécuter des calculs EVM dans un environnement entièrement homomorphe. Cela garantit la confidentialité au niveau d’exécution pour tout projet L1/L2 construit avec cette bibliothèque. Malgré l’attrait technologique des blockchains privées, leur adoption et la performance de leurs jetons restent limitées.
En matière de délégation de calculs généraux, le FHE ne cherche pas à remplacer le ZK ni le MPC, mais à compléter ces technologies afin de créer un géant du calcul privé sans confiance. Par exemple, Sunscreen développe un « moteur de confidentialité » permettant à toute application blockchain de déléguer ses calculs vers leur environnement FHE et de renvoyer les résultats. Les calculs peuvent ensuite être vérifiés via des preuves ZK. Octra suit une démarche similaire, mais utilise un type différent de schéma cryptographique appelé hFHE.
Les preuves ZK excellent à démontrer quelque chose sans révéler les données, mais le prouveur y accède momentanément. Elles ne permettent pas de calculer sur des données privées, seulement de vérifier qu’un calcul a bien été effectué correctement.
Le MPC distribue le calcul sur plusieurs machines, exécute les opérations en parallèle, puis agrège les résultats. Tant que la majorité des machines participant au calcul sont honnêtes, les données d’origine ne peuvent pas être récupérées — mais cela repose encore sur une hypothèse de confiance. En outre, le MPC nécessite une communication continue entre les parties (fractionnement, calcul, recombinaison), ce qui rend difficile sa mise à l’échelle matérielle.
Avec le FHE, tous les calculs s’effectuent directement sur les données chiffrées, sans besoin de déchiffrement, et peuvent être réalisés sur un seul serveur. Les performances du FHE peuvent être améliorées grâce à du matériel supérieur, davantage de ressources computationnelles ou à des accélérateurs matériels.
Actuellement, le meilleur usage du FHE dans le domaine blockchain réside davantage dans la délégation de calculs généraux que dans la construction de L1/L2 intégrant nativement le FHE. Voici quelques cas d’usage intéressants que le FHE pourrait débloquer :
-
Première génération (crypto-native) : DID on-chain, casinos, paris, vote, jeux, DeFi privé, jetons privés, dark pools, authentification à deux facteurs (2FA), sauvegardes, mots de passe.
-
Deuxième génération (modulaire) : « blockchain de confidentialité » (Chainlink pour la vie privée), délégation de calcul privé, chiffrement de bout en bout entre blockchains et contrats, disponibilité des données chiffrées, stockage vérifiable et sécurisé des données.
-
Troisième génération (niveau entreprise) : applications consommateurs complexes, LLM chiffrés et distribués, intelligence artificielle, dispositifs portables, communications, militaire, santé, solutions de paiement protégeant la vie privée, paiements P2P privés.
Projets actuels basés sur le FHE
L’évolution du chiffrement entièrement homomorphe (FHE) a stimulé plusieurs projets innovants dans le domaine blockchain, exploitant cette technologie pour renforcer la confidentialité et la sécurité des données. Cette section explore en détail les approches techniques et singulières de projets notables tels qu’Inco, Fhenix et Zama.
Inco
Inco ouvre la voie à l’intégration du FHE avec la blockchain, en créant une plateforme où les calculs de données sont à la fois sécurisés et privés. Inco utilise une cryptographie fondée sur les réseaux (lattice-based) pour implémenter son schéma FHE, garantissant que les opérations sur les textes chiffrés peuvent être effectuées sans exposer les données en clair. La plateforme prend en charge des contrats intelligents respectueux de la vie privée, permettant de traiter directement des données chiffrées sur la blockchain.
-
FHE basé sur les réseaux (lattice-based) : Inco exploite la cryptographie fondée sur les réseaux pour son implémentation FHE, reconnue pour sa sécurité post-quantique, assurant ainsi une résilience face aux attaques quantiques futures.
-
Contrats intelligents privés : les contrats intelligents d’Inco peuvent exécuter des fonctions arbitraires sur des entrées chiffrées, garantissant qu’aucun contrat ni aucun nœud exécutant le contrat n’accède aux données en clair.
-
Gestion du bruit et amorçage (bootstrapping) : pour contrôler la croissance du bruit durant les opérations homomorphes, Inco met en œuvre des techniques efficaces d’amorçage, rafraîchissant les chiffrés, préservant leur déchiffrabilité tout en permettant des calculs complexes.
Fhenix
Fhenix se concentre sur la fourniture d’une infrastructure robuste pour les applications privées, utilisant le FHE pour offrir des solutions de chiffrement de bout en bout, protégeant ainsi les données utilisateur. La plateforme de Fhenix vise à supporter une large gamme d’applications, allant des messages sécurisés aux transactions financières privées, en garantissant la confidentialité des données à chaque étape du calcul.
-
Chiffrement de bout en bout : Fhenix assure que les données restent chiffrées du point d’entrée jusqu’au traitement et au stockage. Cette protection est obtenue en combinant le FHE avec des techniques de calcul multipartite sécurisé (SMPC).
-
Gestion efficace des clés : Fhenix intègre un système avancé de gestion des clés, facilitant la distribution et la rotation sécurisées des clés — une composante essentielle pour maintenir la sécurité à long terme dans un environnement FHE.
-
Extensibilité : la plateforme utilise des opérations homomorphes optimisées et le traitement parallèle pour gérer efficacement des calculs à grande échelle, répondant ainsi à l’un des principaux défis du FHE.
-
Coprocesseur : Fhenix développe également des coprocesseurs spécialisés destinés à accélérer les calculs FHE. Ces composants matériels dédiés traitent les opérations mathématiques intensives requises par le FHE, améliorant significativement les performances et l’évolutivité des applications privées.
Zama
Zama est un leader dans le domaine du FHE, notamment grâce à son schéma fhEVM. Ce dernier permet d’exécuter des calculs EVM dans un environnement entièrement homomorphe, garantissant la confidentialité au niveau d’exécution pour tout projet L1/L2 construit avec cette bibliothèque.
-
Schéma fhEVM : le schéma fhEVM de Zama intègre le FHE à la machine virtuelle Ethereum (EVM), permettant l’exécution de contrats intelligents chiffrés. Cela ouvre la voie à des transactions et calculs confidentiels au sein de l’écosystème Ethereum.
-
Bibliothèque Concrete : la bibliothèque Concrete de Zama est un compilateur Rust dédié à TFHE (une variante du FHE). Elle fournit une implémentation haute performance des schémas de chiffrement homomorphe, rendant les calculs chiffrés plus efficaces.
-
Interopérabilité : Zama s’engage à développer des solutions capables de collaborer harmonieusement avec les infrastructures blockchain existantes. Cela inclut le support de diverses primitives et protocoles cryptographiques, assurant une compatibilité étendue et une intégration facile.
3. Rôle clé du FHE dans les infrastructures et applications Crypto et IA
Aujourd’hui, la convergence entre cryptographie et intelligence artificielle est en plein essor. Sans entrer dans les détails, il est important de souligner que l’innovation autour des nouveaux modèles et jeux de données sera alimentée par une collaboration open source impliquant de multiples parties. Au-delà du calcul, la donnée elle-même reste primordiale — elle constitue l’élément central de ce pipeline collaboratif. L’utilité des modèles et applications d’IA dépend fondamentalement des données sur lesquelles ils sont entraînés, qu’il s’agisse de modèles de base, de modèles affinés ou d’agents intelligents. Protéger la confidentialité de ces données ouvre un vaste espace de conception pour la collaboration open source, tout en permettant aux propriétaires de données de tirer continuellement profit des modèles formés ou des applications finales. Si ces données étaient publiques, leur monétisation deviendrait ardue (car accessibles à tous), ce qui pousse à une protection stricte.
Dans ce contexte, le FHE peut jouer un rôle décisif. Idéalement, il permettrait d’entraîner des modèles sans révéler les jeux de données sous-jacents, ouvrant ainsi la possibilité de les monétiser et favorisant grandement la coopération entre détenteurs de données.
Source : Bagel Network
Comment le FHE renforce l’apprentissage automatique protégé par la confidentialité (PPML)
-
Confidentialité des données : grâce au FHE, des données sensibles telles que dossiers médicaux, informations financières ou identifiants personnels peuvent être chiffrées avant d’entrer dans un modèle ML. Cela garantit que même en cas de compromission de l’environnement de calcul, les données restent confidentielles.
-
Entraînement sécurisé de modèles : l’entraînement de modèles ML requiert souvent d’importantes quantités de données. Avec le FHE, ces données peuvent rester chiffrées, permettant ainsi d’entraîner des modèles sans exposer les données brutes — crucial pour les secteurs manipulant des informations hautement sensibles et soumis à des réglementations strictes.
-
Inférence confidentielle : au-delà de l’entraînement, le FHE peut aussi servir à chiffrer l’inférence. Une fois le modèle formé, des prédictions peuvent être faites sur des entrées chiffrées, garantissant que les données utilisateur restent privées durant tout le processus d’inférence.
Applications du FHE en PPML :
-
Santé : former des modèles ML tout en préservant la vie privée peut conduire à des traitements plus personnalisés et efficaces, sans exposer d’informations sensibles sur les patients.
-
Finance : les institutions financières peuvent analyser des données de transactions chiffrées pour détecter les fraudes ou évaluer les risques, tout en protégeant la confidentialité de leurs clients.
-
Objets connectés et appareils intelligents : les dispositifs peuvent collecter et traiter des données sous forme chiffrée, garantissant que des informations sensibles comme la localisation ou les habitudes d’utilisation restent confidentielles.
Problèmes liés au FHE :
Comme mentionné précédemment, il n’existe pas de « schéma unifié » pour le FHE. Les schémas ne sont pas composable entre eux, et il est souvent nécessaire de combiner différents schémas selon le type de calcul. Tester différents schémas pour une même opération est également fastidieux. Le cadre CHIMERA, actuellement en développement, permettrait de basculer entre différents schémas FHE (TFHE, BFV, HEAAN, etc.), mais il est encore loin d’être utilisable. Un autre problème majeur est le manque de benchmarks standardisés. Ces derniers sont essentiels pour faciliter l’adoption par les développeurs, car ils permettraient d’économiser beaucoup de temps. Étant donné la surcharge computationnelle (chiffrement, déchiffrement, amorçage, génération de clés, etc.), le matériel informatique généraliste actuel n’est pas très adapté. Une forme d’accélération matérielle, voire la création de puces dédiées (FPGA ou ASIC), sera nécessaire pour un usage massif du FHE. Ces défis peuvent être comparés à ceux rencontrés par l’industrie du ZK (zéro-connaissance). Tant qu’un groupe de mathématiciens brillants, scientifiques appliqués et ingénieurs restera passionné par ce domaine, nous resterons optimistes tant pour le FHE (confidentialité) que pour le ZK (vérifiabilité).
4. À quoi pourrait ressembler un futur piloté par le FHE
Un seul schéma FHE dominera-t-il tous les autres ? Ce débat anime toujours la communauté. Bien que l’idéal soit un schéma unique, la diversité des besoins applicatifs exigera probablement toujours des schémas spécialisés et optimisés pour des tâches spécifiques. L’interopérabilité entre schémas serait-elle la meilleure solution ? Oui, elle semble être une approche pratique, permettant une flexibilité face à des besoins variés tout en exploitant les forces de chaque schéma.
Quand le FHE deviendra-t-il utilisable ? Sa disponibilité dépendra directement de la réduction des surcharges computationnelles, de l’amélioration des standards de benchmarking et du développement de matériel spécialisé. À mesure que ces domaines progresseront, le FHE deviendra plus accessible et pratique.
En résumé, le FHE offre un outil puissant pour la protection de la vie privée et le calcul sécurisé. Bien qu’il fasse encore face à des défis en matière d’interopérabilité, de surcharge computationnelle et de support matériel, son potentiel dans les blockchains, l’apprentissage automatique respectueux de la vie privée et plus largement dans les applications Web3 est incontestable. Grâce à l’innovation continue, le FHE devrait jouer un rôle central dans l’avenir du calcul privé et sécurisé.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
IOSG Ventures
