Un hôpital souhaite comparer des résultats médicaux pour mieux repérer certains risques, sans transmettre les dossiers de ses patients en clair. Le chiffrement homomorphe rend ce type de calcul possible : un serveur peut traiter des informations chiffrées et renvoyer un résultat qui demeure lui aussi protégé.
Cette approche de cryptographie intéresse la santé, la finance et les services en ligne, où l’analyse statistique exige parfois l’accès à des données sensibles. Elle ne règle toutefois pas tout : la confidentialité des informations et la vérification des algorithmes sont deux enjeux distincts.
À retenir :
- Calculs sur données chiffrées sans exposition directe des informations personnelles
- Confidentialité renforcée pour les analyses externalisées dans le cloud
- Coût informatique et paramétrage à évaluer selon chaque usage
- Vérification du calcul nécessaire au-delà du seul chiffrement
Comment fonctionne le chiffrement homomorphe sur des données sensibles
Pour comprendre son intérêt, il faut d’abord distinguer le chiffrement homomorphe des méthodes habituelles, qui imposent généralement de déchiffrer les données avant leur traitement. Avec cette technique, le serveur opère sur une représentation chiffrée et le destinataire déchiffre ensuite le résultat.
De la clé secrète aux opérations protégées
Dans un chiffrement à clé secrète, une même clé sert à chiffrer et à déchiffrer : les parties doivent donc la partager avec prudence. La cryptographie à clé publique sépare ces rôles, avec une clé publique destinée au chiffrement et une clé privée gardée pour le déchiffrement.
Le chiffrement homomorphe ajoute une propriété particulière : certaines opérations appliquées aux données chiffrées correspondent à des opérations sur les valeurs originales. Imaginons une clinique qui envoie des relevés protégés à un prestataire ; celui-ci peut calculer une moyenne sans lire les dossiers individuels.
Les étapes habituelles d’un traitement :
- Chiffrement des données avec une clé publique adaptée
- Transmission des valeurs protégées au serveur de calcul
- Exécution des opérations prévues sur les données chiffrées
- Déchiffrement du résultat par la partie autorisée
Des capacités différentes selon les schémas
La méthode ne désigne pas un algorithme unique. Certains schémas prennent en charge une famille limitée d’opérations, tandis que le chiffrement entièrement homomorphe vise des calculs plus généraux, au prix de contraintes techniques supérieures.
Le choix dépend donc du travail demandé : additionner des résultats, exécuter un modèle statistique ou traiter un calcul plus complexe. Les schémas entièrement homomorphes peuvent aussi devoir gérer le bruit mathématique accumulé pendant les opérations, notamment par des procédures spécialisées.
Le tableau distingue les grandes catégories sans leur attribuer de performances chiffrées, qui varient selon les paramètres et les implémentations.
| Famille | Opérations possibles | Usage indicatif |
|---|---|---|
| Partiellement homomorphe | Une catégorie d’opérations, selon le schéma | Calcul ciblé, comme certaines additions |
| Quelque peu homomorphe | Additions et multiplications en nombre limité | Traitement de circuits de profondeur restreinte |
| Entièrement homomorphe | Calculs plus généraux sur données chiffrées | Applications exigeant plusieurs opérations |
| Schéma selon l’usage | Capacités définies par ses paramètres | Arbitrage entre sécurité et besoins métier |
Quels usages pour l’analyse statistique et le calcul sécurisé
Une fois le principe posé, les applications apparaissent là où plusieurs organisations veulent exploiter des données sans se les révéler mutuellement. La protection des données devient alors un moyen de collaborer, et non seulement une mesure défensive.
Santé et apprentissage automatique
Dans un scénario de recherche, un hôpital chiffre des informations médicales avant de les transmettre à un serveur qui applique un modèle d’apprentissage automatique. Le résultat peut aider à estimer un risque ou à repérer une tendance, sans donner au prestataire un accès direct aux dossiers.
Cette possibilité ne signifie pas que chaque modèle est automatiquement sûr ou fiable. Les données doivent être préparées correctement, le modèle choisi pour la tâche et les résultats interprétés par des professionnels ; la confidentialité technique ne remplace pas la validation médicale.
Usages possibles dans les organisations :
- Analyse statistique de données médicales entre établissements
- Calcul d’indicateurs financiers sans divulguer des portefeuilles
- Traitement de mesures issues de capteurs connectés
- Calcul sécurisé externalisé auprès d’un prestataire informatique
Finance, cloud et transactions blockchain
En finance, une entreprise pourrait faire calculer des indicateurs sur des données qu’elle ne souhaite pas dévoiler, par exemple des informations commerciales ou des stratégies propriétaires. Dans le cloud, le même principe vise à limiter l’exposition des données confiées à une infrastructure externe.
Les recherches associées à Anamaria Costache évoquent aussi une collaboration avec Flashbots autour de transactions blockchain. L’objectif présenté consiste à traiter des intentions de transaction chiffrées afin de préserver leur confidentialité avant leur finalisation, sans supposer que le chiffrement règle à lui seul tous les risques du système.
Comparaison de quelques contextes :
| Secteur | Calcul envisagé | Information à protéger |
|---|---|---|
| Santé | Statistiques ou prédictions assistées par modèle | Dossiers et informations médicales |
| Finance | Indicateurs calculés sur des données confidentielles | Portefeuilles et stratégie commerciale |
| Cloud | Traitement externalisé de données chiffrées | Informations confiées au prestataire |
| Blockchain | Organisation de transactions protégées | Intentions soumises avant finalisation |
Limites du chiffrement homomorphe : performance et vérifiabilité
Ces usages prometteurs se heurtent à une difficulté concrète : effectuer des calculs sur des données chiffrées demande souvent davantage de ressources qu’un traitement classique. Le coût dépend du schéma, des paramètres de sécurité et de la nature des opérations.
Ressources, paramètres et mise en œuvre
Une addition chiffrée et un calcul complexe ne sollicitent pas les systèmes de la même manière. Les organisations doivent mesurer la latence, la capacité de traitement et les besoins matériels avant de choisir cette approche, plutôt que de la considérer comme un remplacement universel.
La mise en œuvre exige aussi une expertise en informatique et en cryptographie. Une bibliothèque logicielle facilite le développement, mais elle ne dispense pas de sélectionner des paramètres adaptés, de contrôler l’implémentation et d’organiser des audits de cybersécurité.
Points à évaluer avant le déploiement :
- Nature des opérations réellement nécessaires
- Temps de réponse acceptable pour les utilisateurs
- Paramètres de sécurité et gestion des clés
- Audit du code et protection contre les attaques auxiliaires
Confidentialité et preuve du calcul effectué
Le chiffrement protège le contenu traité, mais ne prouve pas que le serveur a exécuté le calcul demandé correctement. Un service pourrait fournir un résultat erroné ou omettre certaines opérations ; la confidentialité et l’intégrité du traitement nécessitent donc des garanties différentes.
Dans un service de santé, par exemple, le patient peut vouloir s’assurer que le modèle convenu a bien été appliqué à ses données. Pour un vote électronique, le secret du bulletin ne suffit pas à démontrer que toutes les voix ont été comptabilisées ; des mécanismes de vérifiabilité doivent compléter le chiffrement.
Recherche post-quantique et évolution des algorithmes
La question de la durée de protection conduit les chercheurs à examiner des schémas fondés sur des problèmes mathématiques considérés comme résistants aux attaques quantiques connues. Cette orientation post-quantique vise notamment les données qui doivent rester confidentielles pendant de longues périodes.
Vers des systèmes mieux adaptés aux usages
Les travaux décrits par Anamaria Costache portent sur le calcul sur données chiffrées, l’apprentissage automatique respectueux de la vie privée et la cryptographie post-quantique. Ils s’intéressent aussi à la vérifiabilité, enjeu essentiel lorsque les utilisateurs confient un traitement à un serveur qu’ils ne contrôlent pas.
Une autre piste est le chiffrement à seuil : la clé est répartie entre plusieurs participants et un nombre minimal de fragments est requis pour déchiffrer. Associée à des calculs homomorphes, cette méthode peut répartir la confiance, mais demande une coordination et une conception rigoureuses.
Des choix à relier au risque réel
Pour une organisation, la bonne décision commence par une question simple : faut-il réellement traiter les données sans jamais les déchiffrer chez le prestataire ? Si la réponse est oui, un prototype limité permet de tester la qualité des résultats, les coûts et les garanties techniques.
Le chiffrement homomorphe ne supprime pas le besoin de gouvernance, de contrôle des accès ou de vérification des algorithmes. Il ouvre plutôt une voie supplémentaire : exploiter des informations utiles tout en réduisant leur exposition, à condition d’associer confidentialité, performance et preuve du calcul.
