同态加密
Parent: ai_keywords
同态加密
核心定义
同态加密（Homomorphic Encryption, HE）是一种允许直接在密文上执行计算，且解密结果与对明文执行相同计算所得结果一致的密码学技术。其核心价值在于：无需解密即可完成对敏感数据的运算，从而在数学层面保障数据全生命周期的机密性——即便计算方（如云服务器）也无法窥探原始数据。
关键技术点
- 加性同态与乘性同态：加性同态支持密文的加法运算（如Paillier算法），乘性同态支持乘法运算（如ElGamal算法）。两者结合可构建任意算术电路。
- 全同态加密（FHE）：可实现任意深度的加法和乘法运算。现代方案（如CKKS、BFV、BGV）引入“自举”（Bootstrapping）技术刷新噪声，使同态评估能力不再受限。
- 噪声管理与参数选择：大部分HE方案基于带错误学习（LWE/RLWE）问题，密文随着运算次数增加而噪声累积。合理选择多项式阶、明文模数及噪声参数，是平衡安全等级与计算效率的关键。
- 性能瓶颈：密文尺寸膨胀（通常为明文的数十至上千倍），且计算开销远高于明文运算（典型FHE乘法延迟为毫秒级），目前主要应用于低频协作计算场景。
医学/神经科学应用场景
背景：首都医科大学附属医院联合多家分中心，拟利用多源脑电（EEG）与功能磁共振（fMRI）数据，构建癫痫发作预测模型。然而，患者神经电生理数据属高度敏感信息，直接集中训练违反数据隐私法规。
方案：各中心将本地的原始脑电/影像数据通过同态加密（采用CKKS方案，支持浮点运算）加密后上传至云端中央服务器。服务器在密文域下执行特征提取与梯度计算（例如，加密后的短时傅里叶变换结果进行神经网络的加权求和），无需接触任何明文。仅最终模型参数或预测结果被解密发送回各中心。该过程可保证：
- 在任何中间环节（包括恶意云服务商）都不泄露单个患者的脑电图模式、癫痫棘波位置或功能性连接矩阵；
- 各中心合规共享数据价值，提升模型对复杂神经电信号的泛化能力；
- 符合《健康医疗大数据安全管理办法》对“数据可用不可见”的核心要求。
