Sicherheitslücke in FHE-basierten neuronalen Netzen
Vollständig homomorphe Verschlüsselung (FHE) ermöglicht es, Machine-Learning-Modelle auf verschlüsselten Daten auszuführen, ohne die Rohdaten preiszugeben. Das ist für datensensible Anwendungen attraktiv – ein Server kann Inferenzen durchführen, ohne je Zugriff auf die eigentlichen Eingaben zu haben.
Das CKKS-Schema hat sich dabei als Standard etabliert. Es unterstützt Addition, Multiplikation und Array-Rotation, weshalb Aktivierungsfunktionen als Polynome approximiert werden müssen. Hier liegt das Problem: Diese polynomialen Approximationen gelten nur innerhalb bestimmter Wertebereiche.
Das Overflow-Problem
Wissenschaftler haben jetzt erstmals demonstriert, dass dieser Mechanismus anfällig für Overflow-Attacken ist. Der Angriffsvektor ist simpel: Ein Angreifer speist Input-Daten ein, die außerhalb der erwarteten Toleranzbereiche liegen. Dies führt dazu, dass die polynomialen Approximationen versagen und verfälschte, unbrauchbare Ausgaben entstehen.
In praktischen Tests zeigten sich massive Auswirkungen: Fehlerquoten von bis zu 47% bei solchen Überlauf-Szenarien.
Formale Verifikation als Lösung
Die Forscher schlagen eine formale Verifikationstechnik vor, die vorab zertifizierte Wertebereiche für alle Neuronen im Netzwerk berechnet. Mit diesem Ansatz lassen sich Überläufe vollständig eliminieren – in den Experimenten sank die Fehlerrate auf 0%.
Der praktische Vorteil: Die Methode ist mit bestehenden CKKS-Frameworks kompatibel. Man kann einfach Standard-Polynome durch rigorös verifizierte Polynome mit definierten Wertebereichen ersetzen, ohne die gesamte Implementierung umzuschreiben.
Bedeutung für die Praxis
Das ist relevant für jeden Produktiveinsatz von homomorph verschlüsselten Modellen. Wer bisher CKKS-basierte Systeme einsetzt, muss davon ausgehen, dass unter ungünstigen Bedingungen Outputs korrumpiert werden können – ohne dass dies sofort auffällt.
Die formale Verifikation bietet hier Sicherheit durch Design: Statt Überläufe zu hoffen zu vermeiden, werden sie mathematisch ausgeschlossen. Das senkt das Risiko deutlich und macht FHE-Systeme zuverlässiger für Produktionsumgebungen.