暗号化したまま推論する場合のオーバーヘッドは、いまどこまで下がっているのか

「暗号化したまま推論する」ことが理論的に可能だ、というところまでは知っている。問題はいつもその次の質問 — 実際どのくらい遅くなるのか、そして 本番のワークロードに載せられるのか です。本ページでは、最近の論文から取り出せる定量的なオーバーヘッドの値と、それをどう読めば実装判断に使えるのかを整理します。準同型暗号（HE）の入門解説ではなく、すでに概要を知っているエンジニア・研究者を想定した整理ノートです。

何がわかっているか

オーバーヘッドの「絶対値」を語った研究としては、虹彩認証への FHE 適用を評価した次の研究が分かりやすい数字を出しています。

研究記事 プライバシー・セキュリティ

完全準同型暗号で虹彩認証のプライバシーを守れるか？──精度は維持、しかし計算コストは12万倍

虹彩認証データを暗号化したまま照合できる完全準同型暗号（FHE）ベースのフレームワークを構築し、暗号化なしの場合とほぼ同等の認識精度を達成しました。

CASIA-Iris-Thousand を用いた 1 ペア比較で、暗号文上の照合は平文比およそ 12 万倍。認識精度は平文とほぼ同等を保てたものの、1 対 N 照合に素直に持ち込める速度ではない、という結論でした。同論文はこの問題に対する道筋として、軽量手法でショートリストを作り FHE は最終照合だけに使う「2 段階方式」を提示しています。

一方で、HE 全体の処理コストはアルゴリズムやスキーマ設計次第で大きく動くというのも、ここ最近の流れです。

研究記事 プライバシー・セキュリティ

暗号化したままデータを検索、プライバシーを守るデータベース技術『NSHEDB』

データを暗号化したまま計算できる準同型暗号の、実用上の課題（速度・容量）を解決する新技術「NSHEDB」が提案されました。

レベル付き準同型暗号（LHE）とノイズアウェアなクエリプランナーを組み合わせ、TPC-H ベースの DB ワークロードで既存 HE DB 比 20〜1370 倍の高速化、ストレージは 73 倍削減を報告しています。重い演算であるブートストラッピングを設計上回避できる範囲に処理を収めることが、この差の主因と説明されています。

行列演算層からのアプローチもあります。

研究記事 プライバシー・セキュリティ

暗号化したまま計算する技術を高速化――疎行列の「詰め替え」が拓くプライバシー保護の未来

データを暗号化したまま計算できる「準同型暗号」の処理コストを、行列の並び替え最適化により平均5.5倍削減する手法を提案しました。

Halevi–Shoup 方式に渡す行列の行と列の並び替えだけで、SuiteSparse 上の疎行列ベクトル積に必要な対角線数を平均 5.5 倍削減できることを示しました。さらに、密な行・列を分離する戦略と組み合わせた特定のインスタンスでは、並び替え単独で 1.9 倍だった改善が 23.7 倍まで伸びる事例も報告されています。暗号化方式そのものを差し替えるのではなく、「演算に入る前の表現」を変えるだけで効くのが特徴です。

これらを並べると見えてくるのは、推論ワークロードでの HE オーバーヘッドは「単一の係数」ではなく 何層もの最適化レイヤの積で決まる量 だ、ということです。スキーマ選択、ブートストラッピング回避、データ配置 — それぞれの貢献度は別の論文で別の指標で測られており、横並びで足し算できる値ではありません。

実装で考慮するポイント

HE で推論を載せる際に最初に効きやすいのは、おそらくスキーマレベルの設計判断です。

逆に、避けたいのは引用した数値を縦に足し算して「これくらいで動くだろう」と早合点することです。論文ごとに測定対象も粒度も違うので、足し算では実態と乖離します。

設計上の留意点と専門家相談の目安

引用した研究の多くは「セミオネスト」モデル — プロトコルには従うが通信記録は盗み見る — を前提にしています。プロトコル違反や悪意のあるパラメータ操作まで耐えさせたい場合、暗号方式・パラメータ設定・コミットメント方式すべてに別の検討が必要になります。次のような変更に踏み込む際は、社内のセキュリティ / 法務 / プライバシー専門家を巻き込んでください。

• 規制カテゴリ（個人情報、医療、金融、生体）に新規該当するデータを暗号文として扱う設計
• 推論結果がエンドユーザの判断（採否、健康、信用）に直結する場面
• 攻撃面が拡大する変更（新規 API 公開、第三者ホスト、外部 SDK 経由のクライアント側暗号化）
• GDPR・改正個情法・業界自主規制との接点が新たに発生するアーキテクチャ変更
• 2 段階方式の第 1 段階フィルタが平文情報を漏らす可能性がある場合

本ページで紹介した手法はあくまで「現在地のスナップショット」であり、専用ハードウェアの普及や、汎用的な深層学習推論を end-to-end で評価した結果はまだ蓄積途上です。判断に迷う領域では、早めに専門家と並走する設計を選んでください。