Enc(x) ⊕ Enc(y)
在密文上运算
数据在整个计算过程中都保持加密。计算者拿到的是密文，返回的也是密文。
密码学 · Cryptography让信任有规则可循
01 一个反常识的能力
传统加密保护的是“静止”的数据。
文件存进硬盘时可以加密，经过网络时也可以加密。但一旦服务器要搜索、统计或运行模型，通常必须先把它解开。那一刻，秘密变回了明文。
FHE 改变的是计算时刻的信任边界。
传统方式加密→解密并暴露→计算
FHE加密→直接计算密文→仅结果解密
02 试一次
把数字锁起来，
再让它参与运算。
下面是一个帮助理解流程的可视化模拟，并未在浏览器中执行真正的 FHE。
私密输入 / Your secret
7
120
ƒ(x) = 2x + 3
服务器会执行这个函数，但不应该知道 x 是多少。
UNTRUSTED COMPUTE● LIVE
等待加密7
encrypt(x)evaluate(2x+3)decrypt(result)
注意 这里使用确定性占位字符串表现密文，仅用于解释协议流程。
03 机制，而非魔法
它为什么
真的能运行？
粗略地说，FHE 把一个消息藏进带有可控噪声的数学结构中。密文保留了某些代数关系，因此加法与乘法能够在不知道明文的前提下被映射过去。
Dec(ƒ̂(c)) = ƒ(x)
结果仍然正确
把密文计算的结果解密，会得到与明文计算相同的答案——但中间过程不暴露输入。
c noisy → c fresh
噪声可以刷新
同态运算会积累噪声。Bootstrapping 像一次密文内的自我清洁，让计算继续进行。
正确性 / Correctness
Decsk(Evalpk(ƒ, Encpk(x))) = ƒ(x)
读法：先加密 x，再让不可信的计算者执行函数 ƒ，最后由持钥者解密；得到的结果，等同于直接对明文 x 运行 ƒ。
04 工程现实
Powerful ≠ universal
什么时候
值得用 FHE？
尤其适合
- 云端处理高度敏感的数据
- 跨机构联合统计与风险分析
- 隐私机器学习推理
- 无法信任计算环境的场景
不是默认答案
- 速度和延迟通常比明文计算更差
- 算法要改写成受支持的电路
- 参数选择影响安全与性能
- 简单的访问控制可能已经足够
05 下一步密码学