fully homomorphic encryption FHE: Alat Perlindungan Privasi di Era AI

Meskipun pasar enkripsi baru-baru ini menunjukkan kinerja yang biasa-biasa saja, masih ada beberapa teknologi baru yang semakin matang, salah satunya adalah Enkripsi Homomorphic Penuh (Fully Homomorphic Encryption, disingkat FHE) yang patut diperhatikan. Pada bulan Mei tahun ini, pendiri Ethereum, Vitalik Buterin, juga menerbitkan sebuah artikel tentang FHE yang memicu diskusi luas di industri.

Untuk memahami konsep kompleks FHE ini, kita perlu terlebih dahulu memahami arti dari "enkripsi" dan "homomorfik", serta mengapa perlu ada "fully" homomorfik.

Enkripsi dasar

enkripsi adalah metode umum untuk melindungi keamanan informasi. Misalnya, Alice ingin mengirimkan informasi "1314 520" kepada Bob melalui pihak ketiga C, tetapi tidak ingin C mengetahui isinya. Dia dapat menggunakan metode enkripsi simetris sederhana, dengan mengalikan setiap angka dengan 2, menjadi "2628 1040". Setelah menerima, Bob cukup membagi 2 untuk mendekripsi dan mendapatkan informasi aslinya. Cara ini dapat menyelesaikan komunikasi rahasia tanpa mempercayai pihak yang mengirim.

Enkripsi Homomorphic

Enkripsi Homomorphic lebih lanjut, memungkinkan perhitungan tertentu pada data terenkripsi tanpa perlu mendekripsi terlebih dahulu. Misalnya, Alice perlu menghitung total tagihan listrik sebesar 400 yuan selama 12 bulan, tetapi dia tidak bisa melakukan perhitungan yang rumit. Dia dapat mengenkripsi 400 dan 12 masing-masing dengan mengalikan 2, dan membiarkan pihak terpercaya C menghitung hasil dari 800×24. Setelah C mendapatkan 19200, Alice kemudian membagi dengan 4 untuk mendapatkan jawaban yang benar yaitu 4800 yuan. Selama proses ini, C tidak mengetahui jumlah tagihan listrik yang sebenarnya dan jumlah bulan.

Necessitas Enkripsi Homomorphic Penuh

Namun, enkripsi homomorphic yang sederhana mudah untuk dipecahkan. Enkripsi homomorphic penuh meningkatkan kesulitan pemecahan dengan memperkenalkan kebisingan yang lebih kompleks dan memungkinkan operasi penjumlahan dan perkalian yang tidak terbatas. Ini dapat menangani masalah matematika yang lebih kompleks, bukan hanya perhitungan sederhana. Pada tahun 2009, ide baru yang diajukan oleh Gentry dan rekan-rekannya membuka jalan untuk implementasi enkripsi homomorphic penuh.

Aplikasi FHE di bidang AI

Teknologi FHE memiliki prospek aplikasi yang luas di bidang AI. Model AI membutuhkan pelatihan data yang besar, tetapi banyak data memiliki tingkat privasi yang tinggi. FHE dapat melindungi privasi data sekaligus memungkinkan AI untuk melakukan perhitungan dan pembelajaran:

1. Menggunakan enkripsi FHE untuk data sensitif
2. Masukkan data enkripsi ke AI untuk perhitungan
3. AI menghasilkan hasil enkripsi
4. Pengguna mendekripsi hasil secara aman di lokal

Cara ini memungkinkan AI menyelesaikan tugas tanpa mengakses data asli, secara efektif menyelesaikan konflik antara privasi data dan perkembangan AI.

Perkembangan Proyek FHE

Saat ini sudah ada beberapa proyek terkait FHE, seperti Zama, Privasea, Mind Network, dan lain-lain. Mengambil Privasea sebagai contoh, proyek ini mengusulkan skenario aplikasi seperti pengenalan wajah, yang dapat menentukan apakah itu manusia nyata tanpa membocorkan informasi sensitif. Untuk mengatasi kebutuhan daya komputasi yang tinggi dari FHE, Privasea merancang arsitektur jaringan dan perangkat keras khusus.

Arti dan Prospek FHE

Dengan penyebaran teknologi AI, masalah privasi data semakin menonjol. Dari keamanan negara hingga privasi pribadi, teknologi FHE dapat menjadi garis pertahanan terakhir dalam melindungi data. Ini tidak hanya dapat mempromosikan perkembangan AI yang sesuai dengan peraturan, tetapi juga dapat berperan penting dalam berbagai skenario sensitif.

Dalam sepuluh tahun ke depan, AI mungkin akan terintegrasi secara mendalam dalam kehidupan kita. Jika teknologi FHE dapat benar-benar matang, itu akan memberikan alat yang kuat untuk melindungi privasi manusia di era AI.