Glauben Sie, dass Daten vollst\u00e4ndig gesch\u00fctzt sind, weil sie verschl\u00fcsselt sind? Sehr zum Entsetzen vieler ist dies nicht der Fall. Verschl\u00fcsselung ist ein wichtiges Schutzinstrument f\u00fcr Daten bei der \u00dcbertragung oder Speicherung. Allerdings m\u00fcssen die Daten entschl\u00fcsselt werden, um verarbeitet werden zu k\u00f6nnen \u2013 zu genau diesem Zeitpunkt sind sie potentiellen Risiken und Schwachstellen ausgesetzt.<\/p>\n\n\n\n
Jetzt wird das, was bisher nur ein mathematisches Konzept war, zur Realit\u00e4t. Dabei werden Daten ohne Entschl\u00fcsselung verarbeitet und somit sicher gehalten. Genau das ist die St\u00e4rke der vollst\u00e4ndig homomorphen Verschl\u00fcsselung (Fully Homomorphic Encryption, FHE). Zahlreiche gro\u00dfe Player haben in Initiativen zur homomorphen Verschl\u00fcsselung investiert.<\/p>\n\n\n\n
So hat IBM Ende 2020 einen weiteren Schritt zur Demokratisierung dieser Technologie unternommen. Das Unternehmen hat ein IBM Security Homomorphic Encryption Services-Paket<\/a> mit einer Prototyping-Umgebung, spezialisiertem Support und Anleitung auf den Markt gebracht. Damit k\u00f6nnen Interessierte mit FHE beginnen. IBM hatte zuvor FHE-Toolkits f\u00fcr MacOS, iOS, Linux und Android ver\u00f6ffentlicht, die auf seiner Verschl\u00fcsselungsbibliothek HELib basieren.<\/p>\n\n\n\n Dar\u00fcber hinaus hat IBM mit einer ausgew\u00e4hlten Gruppe von Kunden, darunter das gro\u00dfe brasilianische Finanzinstitut Bradesco<\/a>, mit realen Daten gearbeitet. Die Forscher betrachteten Transaktionsdaten und ein auf maschinellem Lernen basierendes Vorhersagemodell, um zwei Experimente durchzuf\u00fchren \u2013 eines davon mit und eines ohne homomorphe Verschl\u00fcsselung. Sie zeigten, dass m\u00f6glich war, Vorhersagen mit der gleichen Pr\u00e4zision in beiden F\u00e4llen zu treffen. Kurz gesagt bedeutet dies, dass Banken Vorhersageaufgaben an externe Anbieter auslagern k\u00f6nnen, ohne den Schutz der Kundendaten zu gef\u00e4hrden. Was noch wichtiger ist: Auch der Schaden durch eventuelle Datenlecks kann so reduziert werden.<\/p>\n\n\n\n Die homomorphe Verschl\u00fcsselung wurde bereits in den 1970er Jahren erforscht. Der entscheidende Moment kam jedoch 2009, als Craig Gentry<\/a>, damals bei IBM t\u00e4tig und heute Forscher der Algorand Foundation, eine Arbeit ver\u00f6ffentlichte. Aus dieser entstand schlie\u00dflich die Idee, FHE f\u00fcr den Datenschutz einzusetzen.<\/p>\n\n\n\n Bis vor kurzem haben sich die FHE-Algorithmen nur sehr schleppend in der t\u00e4glichen Routine von Unternehmen durchgesetzt. Die Verarbeitung von Daten brauchte laut IBM Tage oder Wochen, was ohne Verschl\u00fcsselung normalerweise nur Sekunden dauern w\u00fcrde. Mit zunehmender Rechenleistung und durch Fortschritte bei den FHE-Algorithmen k\u00f6nnen bestimmte Verfahren jedoch Geschwindigkeiten im Bereich von Sekunden pro Bit erreichen. Dies macht die Technologie f\u00fcr viele erste Tests und reale Anwendungsf\u00e4lle praktikabel. Gartner sch\u00e4tzt, dass bis 2025 mindestens 20% der Unternehmen ein Budget f\u00fcr homomorphe Verschl\u00fcsselungsprojekte haben werden. Derzeit liegt der Anteil bei weniger als 1%.<\/p>\n\n\n\n Auch Intel unterst\u00fctzt die homomorphe Verschl\u00fcsselung, indem es Initiativen f\u00f6rdert, um die Technologie besser zug\u00e4nglich zu machen. Eine davon richtet sich an Entwickler und basiert auf dem HE-Transformer f\u00fcr nGraph.<\/a> Diese Entwicklungsumgebung erm\u00f6glicht es Entwicklern, Deep-Learning-L\u00f6sungen f\u00fcr die Verarbeitung verschl\u00fcsselter Daten zu erstellen.<\/p>\n\n\n\n Da die homomorphe Verschl\u00fcsselung eine erhebliche Rechenleistung erfordert, kann Intel auch seine Prozessorexpertise nutzen, um sie effizienter zu machen. Dar\u00fcber hinaus ist es nach Ansicht des Unternehmens f\u00fcr die gesamte Technologiebranche wichtig, die M\u00f6glichkeiten der K\u00fcnstlichen Intelligenz weiterhin voll aussch\u00f6pfen zu k\u00f6nnen und dabei gleichzeitig den Datenschutz zu wahren.<\/p>\n\n\n\n IBM und Google, hat Intel im August 2019 ein Treffen veranstaltet, um Gemeinsamkeiten zu identifizieren und diese den Standardisierungsgremien vorzuschlagen. Ein offenes Konsortium aus privaten Initiativen, Regierung und Wissenschaft wurde bereits gegr\u00fcndet, um einen Konsens \u00fcber Standards f\u00fcr homomorphe Verschl\u00fcsselung zu finden.<\/p>\n\n\n\n Ein weiterer Vorsto\u00df kommt von Facebook, der New York University und der Stanford University. Die Gruppe schlug die Schaffung von Porcupine<\/a> vor, einem „Synthesizer-Compiler“ f\u00fcr homomorphe Verschl\u00fcsselung. Laut den Forschern ist es dank vieler Fortschritte m\u00f6glich, den FHE-Verarbeitungsaufwand in den Griff zu bekommen. Automatische Compiler-Prozesse, die effiziente Kernel erzeugen, um mit der FHE-Technologie zu arbeiten, seien jedoch relativ ungenutzt geblieben. Mit dem vorgeschlagenen Compiler soll eine Leistungssteigerung von bis zu 51 %<\/a> im Vergleich zu nicht-automatisch optimierten Codes erreicht werden.<\/p>\n\n\n\n Im Februar 2021 k\u00fcndigten Intel, Microsoft und die United States Defense Advanced Research Projects Agency (DARPA) an, die Initiativen rund um homomorphe Verschl\u00fcsselung zu intensivieren. Ziel dies mehrj\u00e4hrigen DPRIVE-Programms (Data Protection in Virtual Environments) ist es, einen Hardware-Beschleuniger f\u00fcr FHE zu entwickeln \u00ad\u2013 basierend auf dem Know-how von Intel \u2013, um den mit dieser Art der Verschl\u00fcsselung verbundenen Verarbeitungsaufwand zu reduzieren. Auf der anderen Seite \u00fcbernimmt Microsoft die Aufgabe, die Einf\u00fchrung dieser Technologie zu beschleunigen, sobald sie bereit ist. So soll der Datenschutz bei der gemeinsamen Nutzung von Daten w\u00e4hrend des gesamten Lebenszyklus garantiert werden.<\/p>\n\n\n\n Im April 2021 gab Nasdaq<\/a> – ein global agierendes Technologieunternehmen, das Kapitalm\u00e4rkte und andere Branchen bedient – bekannt, dass es neue Erweiterungen der Befehlsarchitektur der dritten Generation des Intel Xeon Scalable Prozessors erforscht. Auch hiermit sollen die homomorphen Verschl\u00fcsselungsanwendungen deutlich beschleunigt werden. Nasdaq geht davon aus, im Rahmen einer gemeinsamen Forschungs- und Innovationsinitiative mit Intel bis 2021 eine 100-fache Leistungssteigerung<\/a> zu erreichen. Die von Nasdaq durchgef\u00fchrten Machbarkeitspr\u00fcfungen testen die FHE im Kampf gegen Finanzkriminalit\u00e4t \u00ad\u2013 insbesondere Geldw\u00e4sche und Betrugserkennung \u2013 unter Verwendung gesch\u00fctzter Daten und unter Einhaltung der Datenschutzgesetze. Durch die Zusammenarbeit von Nasdaq und Intel soll beurteilt werden, wie sich FHE in den Transaktionsdatenfluss der elektronischen B\u00f6rse einf\u00fcgen kann. Zurzeit wird die FHE-Technologie in keiner Gesch\u00e4ftsumgebung der Nasdaq eingesetzt.<\/p>\n\n\n\n Wof\u00fcr k\u00f6nnte FHE in der Praxis n\u00fctzlich sein? Gesundheitseinrichtungen k\u00f6nnten zum Beispiel Patientendaten mit Forschern teilen, um k\u00fcnstliche Intelligenz und maschinelle Lernmodelle zu trainieren und so Krankheitsmarker zu identifizieren. Mit FHE geschieht dies, ohne Datenschutzbestimmungen zu verletzen. Finanzdienstleister k\u00f6nnen Daten zu Bankkonten und Kundenverhalten nutzen, um bessere Algorithmen zur Betrugserkennung zu entwickeln. Auch hierbei kann mit FHE die Vertraulichkeit gew\u00e4hrleistet werden. Benutzer werden sich auch mit verschl\u00fcsselten biometrischen Daten bei Anwendungen anmelden k\u00f6nnen.<\/p>\n\n\n\n Das FHE-Verschl\u00fcsselungsverfahren findet in der Regel an den Stellen statt, an denen vertrauliche Daten erfasst werden, zum Beispiel in Kameras oder Datenbanken. Die Verarbeitung der verschl\u00fcsselten Daten wird immer in Systemen mit k\u00fcnstlicher Intelligenz oder \u00e4hnlichem stattfinden, die mit vertraulichen Daten arbeiten m\u00fcssen. Und schlie\u00dflich wird die Entschl\u00fcsselung nur an dem Punkt stattfinden, an dem die Ergebnisse der Datenverarbeitung einer dritten Partei offengelegt werden m\u00fcssen.<\/p>\n\n\n\n Was fehlt noch, damit FHE von Unternehmen auf breiter Basis eingesetzt werden kann? Kurz gesagt ist FHE immer noch eine Technologie im Anfangsstadium, die die Forschungslabors verl\u00e4sst, um bekannter zu werden. Zudem weist sie einen erheblichen Grad an Komplexit\u00e4t auf. Aufgrund dieser Tatsachen k\u00f6nnen Entwickler ohne spezifische Erfahrung in der Kryptographie Schwierigkeiten haben, die Konzepte zu verstehen und sie in der t\u00e4glichen Programmierarbeit umzusetzen.<\/p>\n\n\n\n Eine weitere wichtige Einschr\u00e4nkung ist die Rechenleistung. Obwohl sich diese Szenarien im Laufe der Jahre aufgrund der Prozessorkapazit\u00e4t stark weiterentwickelt haben, k\u00f6nnen bestimmte Transaktionen im Vergleich zu traditionellen Operationen, die keine verschl\u00fcsselten Daten verwenden, viel mehr Ressourcen erfordern.<\/p>\n\n\n\nFHE in der Praxis<\/h2>\n\n\n\n
Hindernisse f\u00fcr die Einf\u00fchrung von FHE<\/h2>\n\n\n\n