Fully Homomorphic Encryption 2026: Was shipped und was noch Hype ist

Zurück
Kevin Riedl

11 min Lesezeit · 5. Juli 2026
Zuletzt geprüft

Weiter
Entsteht auf deinem Gerät, ohne Instagram-Verbindung. Den Beitragslink kopieren wir für deinen Link-Sticker.

Fully Homomorphic Encryption hat den seltsamsten Ruf in der angewandten Kryptographie: gleichzeitig "der heilige Gral" und "für immer zehn Jahre entfernt". Beide Rufe sind inzwischen falsch. Apple und Microsoft dokumentieren produktive Private-Lookup-Deployments, und Zama betreibt verschlüsselte Smart-Contract-Infrastruktur auf Ethereum. Der Performance-Overhead bleibt groß, variiert aber nach Scheme, Operation, Parametern, Batching, Hardware und Klartext-Baseline; ein universeller Multiplikator wäre unehrlich. Dieser Post zeigt, was FHE 2026 in Produktion leistet, welche Messwerte zählen und welche Claims du abwerten solltest.

Engineering-Perspektive, kein Vendor-Pitch. Wo eine Zahl von einem Hersteller stammt oder eine Roadmap-Projektion statt eines ausgelieferten Ergebnisses ist, kennzeichnen wir sie. Die Referenzpunkte stammen aus Wavects Frontier-Tech- und KI-Arbeit.

Du wägst FHE gegen ein TEE für dein Produkt ab?

 Kostenloses Erstgespräch buchen

Was ist FHE, und warum wurde sie plötzlich interessant?

FHE lässt einen Server auf verschlüsselten Daten rechnen, ohne sie je zu entschlüsseln. Der Client verschlüsselt den Input, der Server rechnet blind, und nur der Client kann das Ergebnis entschlüsseln. Der Server erfährt nichts, nicht einmal die Antwort. Das ist ein kategorisch stärkeres Versprechen als Verschlüsselung at rest, und stärker als ein Trusted Execution Environment, weil kein Hardware-Hersteller im Trust Model steckt.

Interessant wurde sie aus zwei Gründen. Erstens Performance: Eine TFHE-Bootstrapping-Operation, die Grundeinheit unbegrenzter verschlüsselter Berechnung, fiel von Dutzenden Millisekunden auf einer CPU auf unter eine Millisekunde auf einer NVIDIA H100. Zweitens Glaubwürdigkeit: Apple shipped sie in Consumer-Skala, und Zama wurde mit einer 57-Millionen-Dollar-Series-B bei einer Bewertung über 1 Milliarde Dollar im Juni 2025 das erste Unicorn des Felds (Zama). Geld und Produktions-Deployments haben das Gespräch verändert.

Welches Scheme für welchen Job?

"FHE" ist eine Familie, und das falsche Mitglied zu wählen ist ein häufiger erster Fehler:

SchemeDatenmodellStärkeTypische Nutzung
TFHE (CGGI)Bits und kleine IntegersSchnelles programmierbares Bootstrapping, beliebige Logik via Lookup-TablesVergleiche, Branching-Logik, verschlüsselte Smart Contracts
CKKSApproximative reelle Zahlen, SIMD-gepacktBester amortisierter Durchsatz für numerische WorkloadsMachine-Learning-Inferenz, Statistik, Analytics
BGV / BFVExakte Integers, SIMD-gepacktExakte Arithmetik in SkalierungPrivate Lookups (PIR), exakte Analytics, Zählungen

Daumenregel: Logik und Vergleiche wollen TFHE, ML will CKKS, exakte Lookups wollen BFV. Eine gute Einführung in die Schemes ist das 2025 erschienene "Beginner’s Textbook for Fully Homomorphic Encryption" (arXiv 2503.05136). Moderne Stacks wechseln zunehmend mitten in der Berechnung das Scheme, genau dafür gibt es Compiler-Projekte wie Googles HEIR.

Was shipped tatsächlich in Produktion?

Die Produktionsliste ist kurz, real und lehrreich:

  • Apple Live Caller ID Lookup (iOS 18+). Dein iPhone prüft einen unbekannten Anrufer gegen die Datenbank eines Caller-ID-Anbieters, ohne dem Server die Telefonnummer zu verraten, mit BFV-basiertem Private Information Retrieval. Apple hat den Stack als swift-homomorphic-encryption open-sourced (Swift.org, 2024). Zusammen mit Enhanced Visual Search unten ist das vermutlich der größte Consumer-FHE-Footprint überhaupt.
  • Apple Enhanced Visual Search. Fotos gleicht ein verschlüsseltes Embedding mit einem Serverindex ab. Apple dokumentiert Scheinanfragen und einen OHTTP-Relay, der die ursprüngliche IP-Adresse vor Apples Servern verbirgt. Technische Hinweise von Apple.
  • Microsoft Edge Password Monitor. Edge prüft auf kompromittierte Zugangsdaten mit einem privaten Mitgliedschaftstest auf Basis von Microsoft SEAL. Protokoll von Microsoft Research.
  • Zama Protocol auf Ethereum. Mainnet seit 31. Dezember 2025, mit verschlüsselten Token-Balances und vertraulichen Transfers über TFHE plus Threshold-MPC-Key-Service (Zama Docs). Das Protokoll ist live; der Anwendungsdurchsatz hängt von den verschlüsselten Operationen ab und muss gemessen werden.
  • Enterprise-Datenkollaboration. Duality Technologies betreibt homomorphe und föderierte Analytics mit Healthcare-Partnern wie Dana-Farber, typischerweise als Kombination aus HE und Federated Learning statt alles unter FHE laufen zu lassen.

Beachte, was jedes Consumer-Deployment gemeinsam hat: Es ist ein Private Lookup gegen ein Server-Dataset, in der Literatur als Private Information Retrieval bekannt. Kleine Query, begrenzte Berechnung, asynchron-tolerante Latenz. Das ist das Muster, das shipped. Niemand betreibt sein Backend unter FHE, auch nicht die Firmen mit dem meisten Geld der Welt.

Kevin Riedl

"Jedes FHE-Deployment, das wirklich shipped ist, ist ein enger Private Lookup. Die Teams, die scheitern, sind die, die das ganze Backend verschlüsseln wollen."

Wie langsam ist FHE wirklich?

Die ehrlichen Zahlen, geprüft am 11. November 2026:

  • Für generellen Overhead gibt es keinen belastbaren universellen Multiplikator. Scheme, Security-Parameter, Operationen, Tiefe, Packing, Bootstrap-Frequenz, Hardware und Klartext-Vergleich verändern ihn. Benchmarke den kompletten Request-Pfad.
  • TFHE-Bootstrapping: einstellige Millisekunden auf einem modernen CPU-Kern, unter einer Millisekunde auf einer GPU der H100-Klasse, mit Berichten von rund 189.000 Bootstraps pro Sekunde auf einem 8-GPU-Node (Hersteller-Zahl).
  • Small-Model-ML-Inferenz: Logistische Regression, Decision Trees und kleine neuronale Netze laufen in Sekunden unter CKKS oder via Zamas Concrete ML, das quantisierte Modelle konvertiert und die Genauigkeit bei 4-Bit-Quantisierung innerhalb weniger Punkte von Klartext hält (Hugging Face / Zama).
  • PIR in Skalierung: heute praktikabel. Apple beantwortet verschlüsselte Lookups für einen großen Teil der iPhones der Welt mit akzeptabler Latenz und Serverkosten.

Skaliere Klartext-Latenz nicht mit einer generischen FHE-Regel. Modelliere Operationen, Parameter, Ciphertext-Packing, Bootstraps, Serialisierung, Transfer und Zielhardware und miss dann End-to-End. Primitive Benchmarks sagen keine komplette Anwendungslatenz voraus.

Vergleiche Bibliotheken mit derselben Ende-zu-Ende-Aufgabe. Erfasse Latenz, Durchsatz, maximalen Speicherbedarf, Ergebnisgenauigkeit und Sicherheitsparameter. Die Benchmark-Suite der Community verlangt Parameter mit einem Sicherheitsziel von mindestens 128 Bit. Der CKKS-Teil ISO/IEC 28033-3 ist ein finaler Entwurf im Genehmigungsverfahren. FHE Benchmarking Suite · Entwurfsstatus von ISO/IEC 28033-3

Kannst du ein LLM unter FHE laufen lassen?

Die oft zitierten 8,2 Minuten pro Token für GPT-2 und 25,3 GB Datenverkehr stammen aus einem Experiment zur Zwei-Parteien-Berechnung. Die Kommunikationskosten beschreiben dieses Protokoll. arXiv 2410.13060.

Für Llama-3-8B gibt es inzwischen verschlüsselte Forschungsimplementierungen. Sylph meldet rund 20 Sekunden für einen verschlüsselten Prompt mit 128 Token und 18 Sekunden je generiertem Token auf acht RTX PRO 6000. Der Perseus-Preprint vom November meldet 7,8 Sekunden für einen Dekodierschritt bei 512 Token Kontext auf einer RTX PRO 6000. Die Tests verwenden unterschiedliche Promptlängen und Hardware. Miss Prefill und Decode getrennt und rechne die clientseitige Ver- und Entschlüsselung in die Gesamtlatenz ein. Sylph-Preprint · Perseus-Preprint, Tabelle 1

Wird Hardware den Overhead beheben?

Teilweise, auf einer glaubwürdigen Timeline:

  • Heute lieferbar: GPUs. Veröffentlichte GPU-Bootstrap-Ergebnisse zeigen starke Beschleunigung für konkrete TFHE-Parameter, belegen aber keinen End-to-End-Anwendungsdurchsatz. Zamas aktuelle Dokumentation beschreibt CPU- und GPU-Coprozessorpfade; benchmarke den tatsächlich eingesetzten Pfad.
  • Prototyp-Silizium: Intel HERACLES. Intel demonstrierte im Februar 2026 auf der ISSCC einen gefertigten 8192-Way-SIMD-FHE-Beschleuniger und meldete über sieben Primitive hinweg 1.074x bis 5.547x Speedup gegenüber einem Xeon (IEEE Spectrum). Das korrigiert zwei gegensätzliche Fehler: HERACLES wurde nicht eingestellt und ist nicht mehr bloß eine Simulation. Es bleibt aber ein Forschungsprototyp ohne angekündigte kommerzielle Verfügbarkeit. Architektiere daher für heute einsetzbare GPUs und behandle ASICs als künftiges Upside.

Mit welcher Library solltest du starten?

LibraryScheme-FokusSpracheNimm sie, wenn
TFHE-rs / Concrete (Zama)TFHERust, PythonVerschlüsselte Logik und Integers; der De-facto-TFHE-Standard mit der größten Community
Concrete ML (Zama)TFHEPython, scikit-learn-artige APIPrivate ML-Inferenz auf kleinen Modellen; nicht offiziell deprecated, aber prüfe Release-Takt und Support-Fit vor einem neuen Produktions-Commitment (offizielle Docs)
OpenFHE (Konsortium)Alle großen SchemesC++CPU-Basis für mehrere Verfahren und Schwellwertverfahren. v1.6.1 behebt Entschlüsselungsfehler nach CKKS-Bootstrapping bei bestimmten Konfigurationen mit gleichverteiltem ternärem Geheimnis. Release v1.6.1.
PoulpyCKKS, Binary FHERustCKKS-Bootstrapping und verschlüsselte Matrixarithmetik. v0.10.0 ergänzt über CubeCL ein portables GPU-Backend. CPU-Backends stehen für den Vergleich bereit. Release v0.10.0.
FIDESlibCKKSC++ / CUDAPerformance-sensitives serverseitiges CKKS auf NVIDIA-GPUs; interoperabel mit OpenFHE-Clients und laut Paper beim Bootstrapping mindestens 70x schneller als AVX-optimiertes OpenFHE (Paper)
swift-homomorphic-encryption (Apple)BFVSwiftPIR-artige Private Lookups, besonders in Apple-Ökosystemen
Lattigo (Tune Insight)CKKS, BGV, MultipartyGoGo-Shops und Multiparty-HE-Setups
Microsoft SEALBFV, CKKSC++Kompakter C++-Stack für bestehende BFV- und CKKS-Integrationen. SEAL 4.7.2 ist verfügbar. Neuere .NET-Pakete musst du aus dem Quellcode bauen. Microsofts Anleitung für .NET-Pakete.
HEIR (Google)Compiler über Schemes hinwegMLIR-basiertHigh-Level-Code auf FHE-Backends kompilieren; die wahrscheinlichste langfristige Abstraktionsschicht (heir.dev)

Vergleiche für CKKS CPU- und GPU-Builds bei gleicher Präzision, gleichem Sicherheitsziel und gleicher Batchgröße. Poulpy deckt beide Pfade ab, FIDESlib ist eine CKKS-Option für NVIDIA. Miss im Pilot auch die Übertragung von Chiffraten und Auswertungsschlüsseln, den GPU-Speicherbedarf und hohe Latenzperzentile.

Häufig gestellte Fragen

Ist Fully Homomorphic Encryption 2026 praktikabel?
Ja, für ausgewählte enge Workloads wie Private Lookups, Small-Model-Inferenz und begrenzte verschlüsselte Logik. General-Purpose- oder latenzkritische Systeme brauchen End-to-End-Benchmarks, weil Kosten stark von Scheme, Parametern, Operationen, Batching und Hardware abhängen.
Was ist der Unterschied zwischen FHE und einem TEE wie Intel TDX oder einer Confidential GPU?
Ein TEE verarbeitet Klartext in Hardware-Isolation; seine Trust Boundary umfasst Chip-Hersteller, Firmware, Attestation und Side-Channel-Abwehr. FHE rechnet auf Ciphertext und entfernt diesen Hardware-Confidentiality-Root, bringt aber Kryptographieparameter, Key Handling, Implementierungsrisiko und workload-spezifischen Overhead. Entscheide nach Threat Model und Messung, nicht nach einer generischen Speed Ratio.
Kann FHE ChatGPT-artige Modelle privat betreiben?
Forschungssysteme können vollständig verschlüsselte Prompts verarbeiten und mit Llama-3-8B Token erzeugen. Der Perseus-Preprint vom November meldet 7,8 Sekunden für einen Dekodierschritt auf einer RTX PRO 6000 bei 512 Token Kontext. Das ist ein Forschungswert für deine Latenzplanung.
Was ist TFHE versus CKKS?
TFHE rechnet auf Bits und kleinen Integers mit schnellem Bootstrapping, ideal für Vergleiche, Branching und exakte Logik. CKKS rechnet auf approximativen reellen Zahlen mit starkem SIMD-Packing, das Scheme der Wahl für Machine Learning und Statistik. Ernsthafte Anwendungen kombinieren oft beide via Scheme-Switching.
Welche FHE-Library sollte ein neues Projekt nutzen?
Wähle nach Scheme und gemessenem Workload, nicht nach Vendor-Prominenz. TFHE-rs ist der reife Default für TFHE-Logik, Apples Swift-Library passt zu BFV-Private-Lookups, und CKKS braucht einen Bake-off: Poulpy, Lattigo, SEAL und OpenFHE auf CPU plus gegebenenfalls eine GPU-native Option wie FIDESlib. OpenFHE bietet außergewöhnliche Breite, ist aber nicht automatisch die schnellste CKKS-Implementierung.

Fazit

FHE ist 2026 weder Gral noch Vaporware. Sie ist ein Spezialwerkzeug mit einem bewiesenen Produktionsmuster: Ein Client verschlüsselt eine kleine Query, ein Server rechnet blind, niemand außer dem User sieht je die Daten. Apple, Microsoft und Zama shippen alle genau diese Form, und starke Engineering-Teams können sie heute mit gewarteten Open-Source-Stacks bauen.

Die Disziplin liegt in dem, was du dich weigerst zu bauen: alles Interaktive, alles in Frontier-Model-Größe, alles, wo eine Datenbank plus Access Control das Trust Model schon erfüllt. Scope FHE auf die eine Berechnung, die blind bleiben muss, benchmarke Libraries auf dem exakten Workload und der Zielhardware, und lass ein TEE die Workloads tragen, die FHE nicht kann. So bekommst du die stärkste Privacy-Garantie der Kryptographie in ein Produkt, ohne dass das Produkt an Latenz stirbt.

Ehrlicher Feasibility-Check für FHE in deinem Stack gefällig?

 Kostenloses Erstgespräch buchen

Hilfe für KI in Produktion

Du baust ein KI-Produkt und machst dir Sorgen um Inference-Kosten, Architektur oder Production Readiness? Wavect hilft Gründern, KI-Prototypen in zuverlässige Produktionssysteme zu verwandeln.

Passender Service:

Postfach, ohne Lärm

Folge der Arbeit, die für dich zählt

Du bekommst eine kurze E-Mail, wenn wir etwas Neues veröffentlichen. Folge dem ganzen Blog oder nur den Themen, die dich interessieren.

Was möchtest du erhalten?
Themen auswählen

Kostenlos, Double-Opt-in, ohne Tracking-Pixel.

Zurück
Kevin Riedl

11 min Lesezeit · 5. Juli 2026
Zuletzt geprüft

Weiter

Erhalte die nächste Feldnotiz zu Web3 und Datenschutz

Eine kurze E-Mail, wenn wir veröffentlichen. Ohne Tracking-Pixel und ohne Postfachfüller.

Kostenlos, Double-Opt-in, ohne Tracking-Pixel.