ComputeFHE: A Privacy-Preserving General-Purpose Computation Library
作者: Faris Serdar Tasel, Efe Ciftci
分类: cs.CR, cs.CL
发布日期: 2026-06-23
备注: 16 pages, 3 figures
💡 一句话要点
提出ComputeFHE以解决全同态加密计算复杂性问题
🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)
关键词: 全同态加密 隐私保护 计算库 TFHE C++ 性能优化 开源软件
📋 核心要点
- 现有的全同态加密方法在计算成本和开发复杂性上存在显著挑战，限制了其实际应用。
- 本文提出ComputeFHE库，基于TFHE密码系统，提供多种加密数据类型和操作，简化隐私保护应用的开发。
- 实验结果表明，ComputeFHE在引导操作数量上有显著减少，某些操作性能提升可达3.9倍，显示出其有效性。
📝 摘要（中文）
全同态加密（FHE）允许在加密数据上直接进行计算，同时保持数据的机密性。然而，由于高计算成本和开发复杂性，其实际应用仍然有限。本文提出了ComputeFHE，一个基于TFHE密码系统的开源C++库，旨在促进隐私保护应用的开发。该库提供了加密整数和定点数据类型，以及算术、逻辑、比较、条件和隐匿数组访问操作，使开发者能够使用熟悉的命令式编程范式实现算法。实验结果显示，所需的引导操作数量显著减少，某些操作的性能提升达到3.9倍。此外，该库还包括一个模拟模式，允许在不执行实际密码计算的情况下进行测试、调试和复杂性分析，同时提供电路复杂性和引导成本。ComputeFHE建立在OpenFHE之上，为开发和评估隐私保护算法和应用提供了一个实用且易于访问的框架。
🔬 方法详解
问题定义：本文旨在解决全同态加密（FHE）在实际应用中面临的高计算成本和开发复杂性的问题。现有方法往往难以实现高效的隐私保护计算，限制了其广泛应用。
核心思路：ComputeFHE库通过提供加密整数和定点数据类型，以及多种算术和逻辑操作，简化了隐私保护应用的开发过程。该库允许开发者使用熟悉的命令式编程范式，从而降低了学习曲线和开发难度。
技术框架：ComputeFHE的整体架构基于TFHE密码系统，包含加密数据类型、算术和逻辑操作模块，以及一个模拟模式用于测试和调试。库的设计使得开发者可以在不进行实际加密计算的情况下进行复杂性分析。
关键创新：ComputeFHE的主要创新在于其优化的算术逻辑单元（ALU）架构，利用FHE友好的逻辑原语，显著减少了所需的引导操作数量。这一设计与传统的基于标准两输入逻辑门的算术方法有本质区别。
关键设计：库中实现了多种加密数据类型和操作，包括加密整数、定点数、算术运算、逻辑运算等。此外，模拟模式的设计允许开发者在不执行实际加密计算的情况下进行电路复杂性和引导成本的分析。该库的实现基于OpenFHE，确保了其可扩展性和实用性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，ComputeFHE在引导操作数量上显著减少，某些操作的性能提升达到3.9倍。这一结果表明，ComputeFHE在优化全同态加密计算效率方面具有显著优势，为隐私保护应用的实际部署提供了强有力的支持。
🎯 应用场景
ComputeFHE库的潜在应用领域包括金融、医疗和云计算等需要保护数据隐私的场景。通过简化隐私保护算法的开发过程，该库能够帮助开发者更容易地实现安全计算，推动相关技术的实际应用和普及。未来，随着隐私保护需求的增加，ComputeFHE有望在更多领域发挥重要作用。
📄 摘要（原文）
Fully Homomorphic Encryption (FHE) enables computations to be performed directly on encrypted data while preserving data confidentiality. However, its practical applications remain limited by high computational costs and development complexity. This paper presents ComputeFHE, an open-source C++ library that facilitates the development of privacy-preserving applications based on the TFHE cryptosystem. The library provides encrypted integer and fixed-point data types together with arithmetic, logical, comparison, conditional, and oblivious array-access operations which allow developers to implement algorithms using a familiar imperative programming paradigm. ComputeFHE supports both conventional TFHE arithmetic based on standard two-input logic gates and an optimized Arithmetic Logic Unit (ALU) architecture utilizing FHE-friendly logic primitives. Experimental results demonstrate significant reductions in the number of required bootstrapping operations, achieving performance improvements of up to 3.9x for selected operations. In addition, the library includes a simulation mode that enables testing, debugging, and complexity analysis without performing actual cryptographic computations while providing circuit complexity and bootstrapping costs. Built on top of OpenFHE, ComputeFHE offers a practical and accessible framework for developing and evaluating privacy-preserving algorithms and applications.