---
# System prepended metadata

title: 'قبل الوصول إلى FHE: لماذا لم يكن الأمر سهلًا؟'

---

---
dir: rtl
lang: ar
title: "التشفير المتجانس: من الجزئي إلى الكامل (PHE → SHE → FHE) وكيف حلّ جنتري معضلة الضجيج"
date: 2025-12-27
tags: [Cryptography, FHE, Lattices, Algebraic Number Theory, Post-Quantum]
---

<style>
   body { direction: rtl; text-align: right; }
</style>

<div dir="rtl" lang="ar">
    
# التشفير المتجانس (Homomorphic Encryption): الحساب على بيانات لا تُرى

الفكرة التي تبدو “سحرًا” في التشفير المتجانس (Homomorphic Encryption – HE) هي في الواقع **رياضيات قاسية**:  
تُشفّر بياناتك (Encrypted Data / Ciphertext)، ثم يُجري طرفٌ غير موثوق (Server / Cloud) عمليات حسابية عليها **وهي ما تزال مشفّرة**، ثم تفك أنت فقط التشفير (Decryption) فتجد أن النتيجة مطابقة تمامًا لما لو أجريت الحساب على البيانات الأصلية (Plaintext).

النتيجة: **حوسبة دون كشف** (Computation without Disclosure).  
وهذا بالضبط ما تحتاجه الحوسبة السحابية (Cloud Computing)، البيانات الطبية والمالية الحساسة، وأجزاء من الذكاء الاصطناعي (AI/ML) عندما تكون الخصوصية خطًا أحمر.

---

## صورة سريعة للفكرة (Conceptual Setup)

> (الصورة التالية مرخّصة CC0 من ويكيميديا كومنز)

![Homomorphic Encryption Setup (CC0)](https://upload.wikimedia.org/wikipedia/commons/2/2c/Homomorphic_Encryption_Setup.jpg)

**المعنى**:  
- المستخدم يرسل قيَمًا مشفّرة.
- الخادم يحسب على المشفّر.
- المستخدم يسترجع ناتجًا مشفّرًا ويفك تشفيره فقط.

---

## التعريف الرسمي (مع قليل من LaTeX للتدقيق)

لنفترض لدينا:
- دالة تشفير `Enc(·)` (Encryption)
- دالة فك تشفير `Dec(·)` (Decryption)
- وخوارزمية تقييم/حساب على النص المشفّر `Eval(·)` (Evaluation)

الخاصية المتجانسة تعني – بصيغة مثالية – أن:

```latex
Dec\big(Eval(f, Enc(m))\big) = f(m).
````

أي أن “فك تشفير ناتج الحساب على المشفّر” يساوي “ناتج الحساب على الصريح”.

---

# قبل الوصول إلى FHE: لماذا لم يكن الأمر سهلًا؟

## 1) التشفير المتجانس الجزئي (Partially Homomorphic Encryption – PHE)

هذا هو الجيل الأبسط: يدعم **نوعًا واحدًا فقط** من العمليات:

* إما جمع (Addition)
* أو ضرب (Multiplication)
  لكن ليس كليهما معًا بمرونة كاملة.

**أمثلة شهيرة (كمفهوم)**:

* RSA غير المبطّن يدعم ضربًا متجانسًا بشكل طبيعي (Multiplicative Homomorphism).
* Paillier يدعم جمعًا متجانسًا (Additive Homomorphism).

وهنا جوهر القيد:
معظم الخوارزميات الواقعية (وخاصة تعلم الآلة) تحتاج **جمعًا وضربًا معًا** وبشكل متكرر، لذا PHE مفيد لكنه غير كافٍ لبناء “حاسوب عام على بيانات مشفّرة”.

---

## 2) التشفير المتجانس المحدود (Somewhat Homomorphic Encryption – SHE)

جاءت الخطوة التالية: أن ندعم الجمع والضرب معًا، لكن **إلى حد معيّن فقط**.
السبب ليس مزاج المصمّم… بل “وحش” اسمه:

### الضجيج (Noise) — سلاح الأمان الذي يتحول إلى لعنة

في معظم مخططات HE الحديثة، كل نصّ مشفّر يحمل معه **ضجيجًا رياضيًا** صغيرًا مقصودًا:

* الضجيج ضروري للسرية (Security).
* لكنه **يتراكم** أثناء الحساب.

قاعدة عملية شائعة:

* الجمع يزيد الضجيج قليلًا.
* الضرب يرفع الضجيج بقفزة كبيرة.

عندما يتجاوز الضجيج حدًا معيّنًا (Noise Threshold)، يصبح فك التشفير غير مضمون:
النتيجة تنهار أو تصبح عشوائية.

---

## 3) مفهوم مهم: عمق الضرب (Multiplicative Depth)

ليس عدد العمليات هو ما يقتل الأداء فقط، بل **عدد طبقات الضرب المتسلسلة** داخل الدائرة الحسابية (Circuit).
لهذا السبب تسمع غالبًا أن HE “يكره الضرب” أكثر مما يكره الجمع.

---

# المعضلة التاريخية قبل جنتري: كيف نحصل على FHE؟

المعضلة كانت واضحة ومزعجة:

1. نحتاج ضجيجًا لتحقيق الأمن.
2. لكن الضجيج ينفجر مع الضرب المتكرر.
3. إذن: كيف ننفّذ حسابات غير محدودة (Unbounded Computation) دون أن يقتل الضجيج فك التشفير؟

طوال عقود، كانت النتيجة العملية:

* **PHE**: جيد لعملية واحدة (جمع أو ضرب).
* **SHE**: جيد لعدد محدود من العمليات/عمق محدود.
* **FHE**: فكرة مرغوبة لكنها “غير عملية/غير معروفة الطريق”.

---

# حلّ جنتري (Craig Gentry) سنة 2009: فتح الباب نحو FHE

في 2009 قدّم كريغ جنتري أول بناء مقنع لـ **التشفير المتجانس الكامل** (Fully Homomorphic Encryption – FHE) مبنيًا على تشفير قائم على الشبكيات (Lattice-based).

الفكرة الجوهرية التي قلبت الطاولة اسمها:

## Bootstrapping (إعادة التهيئة/إعادة الإقلاع)

بدل أن نترك الضجيج يتراكم حتى يقتل النص المشفّر، نقوم بعملية “تجديد” (Noise Refreshing):

* نأخذ نصًا مشفّرًا ضجيجه مرتفع.
* نجري عليه عملية داخل النظام تقلل الضجيج دون كشف الرسالة.
* فيعود النص صالحًا لمزيد من الحساب.

الفكرة العميقة هنا:
أن يكون النظام قادرًا على **تقييم دالة فك التشفير الخاصة به** على نحوٍ مشفّر، أي “يشغّل نفسه على نفسه” بشكل مضبوط.
عندها تصبح الحسابات قابلة للتمديد نظريًا بلا حد (Unbounded Depth).

> ملحوظة مهمة: كثير من المكتبات اليوم تستخدم “FHE بمستوى محدد” (Leveled FHE) بدون bootstrapping دائمًا، لأن bootstrapping مكلف—لكن وجوده هو الذي يعطيك مبدئيًا FHE الحقيقي.

---

# لماذا الرياضيات هنا ليست زينة؟ (الدور الحاسم للأعداد الجبرية والشبكيات)

هذه النقطة هي لبّ الموضوع:
**FHE لا يعيش على الأفكار البرمجية وحدها**، بل على بنية رياضية عميقة.

## أولًا: نظرية الأعداد الجبرية (Algebraic Number Theory)

معظم مخططات FHE العملية الحديثة تعمل في حلقات كثيرات حدود (Polynomial Rings) بدل الأعداد الصحيحة فقط.
الشكل الشائع هو العمل في فضاء من نوع:


$$R_q = \mathbb{Z}_q[x]/(f(x))$$


حيث:

* `q` عدد كبير (Modulus)
* و `f(x)` كثير حدود خاص، وغالبًا يُختار ليعطي بنية دورانية/سيكلوتومية (Cyclotomic Structure)

لماذا هذا الاختيار مهم؟

* يسمح بحسابات جمع وضرب أسرع على “كتل” من البيانات.
* يعطي انتظامًا بنيويًا يمكن استغلاله للتسريع.
* يقلّل أحجام المفاتيح والتمثيلات مقارنة ببعض البدائل.

بعبارة مباشرة:
**الأعداد الجبرية هنا هي ما يجعل الأداء “قابلًا للتفاوض”، لا مجرد نظري.**

---

## ثانيًا: نظرية الشبكيات (Lattice Theory) — أساس الأمن

الأمن في كثير من مخططات FHE الحديثة يرتبط بمسائل من نوع:

* LWE (Learning With Errors)
* RLWE (Ring Learning With Errors)

الصيغة المبسطة (للتقريب الذهني) لفكرة LWE/RLWE هي وجود علاقة من نمط:

```latex
b \approx a \cdot s + e \pmod q
```

حيث:

* `s` هو السر (Secret)
* `e` ضجيج صغير (Error/Noise)
* والمهاجم يرى `a` و `b` لكنه لا يستطيع استخراج `s` لأن الضجيج يربك المعادلة.

السبب في قوة هذا النموذج هو أن محاولة “إزالة الضجيج” تقود إلى مشاكل هندسية صعبة داخل الشبكيات، مثل:

* مشكلة أقصر متجه (Shortest Vector Problem – SVP)
* مشكلة أقرب متجه (Closest Vector Problem – CVP)

وهذه المسائل تقع في فضاءات عالية الأبعاد (High-Dimensional Geometry)، ويُعتقد أنها صعبة حتى أمام الحواسيب الكمية (Quantum Computers).
لذلك تُصنّف هذه العائلة ضمن **تشفير ما بعد الكم** (Post-Quantum Cryptography).

---

## صورة توضيحية مفيدة: اختزال الشبكة (Lattice Reduction)

> (الصورة التالية في المجال العام Public Domain من ويكيميديا كومنز)

![Lattice Reduction (Public Domain)](https://upload.wikimedia.org/wikipedia/commons/thumb/2/27/Lattice-reduction.svg/960px-Lattice-reduction.svg.png)

الفكرة: نفس الشبكة يمكن تمثيلها بقواعد مختلفة (Bases)، وبعض القواعد “أسهل” من غيرها—ومن هنا تأتي خوارزميات مثل LLL و BKZ في التشفير القائم على الشبكيات.

---

# لماذا لا يزال FHE صعبًا عمليًا؟ (العوائق والمشاكل)

لنكن صريحين: FHE ليس مجانيًا.

## 1) البطء (Performance Overhead)

الحساب على نصوص مشفّرة أثقل بكثير من الحساب على بيانات صريحة:

* عمليات أكثر تعقيدًا
* معاملات أكبر
* ومحددات صارمة على شكل الحساب (خصوصًا الضرب)

## 2) كلفة الذاكرة (Memory Overhead)

النصوص المشفّرة عادة أكبر بكثير من البيانات الأصلية، خصوصًا مع:

* تعبئة البيانات (Packing/SIMD)
* أو معايير أمان أعلى
* أو عمليات bootstrapping

## 3) صعوبة البرمجة (Programming Model Constraints)

أشياء بديهية في البرمجة العادية تصبح مكلفة أو غير مباشرة هنا:

* المقارنات (Comparisons)
* الشروط (If/Else)
* الفروع (Branching)
  لذلك تُحوّل كثير من الحسابات إلى دوائر (Circuits) أو كثيرات حدود (Polynomials)، وهذا يغيّر طريقة التفكير كليًا.

## 4) اختيار المعاملات (Parameter Selection)

أي خطأ في المعاملات قد يعطي:

* نظامًا بطيئًا جدًا
* أو غير صحيح (يفشل فك التشفير)
* أو (في أسوأ الأحوال) أضعف أمنيًا

---

# أين يلمع FHE فعليًا؟ (Use Cases واقعية)

يظهر FHE عندما تكون الخصوصية أهم من كل شيء:

* تحليلات طبية حساسة (Healthcare Analytics)
* بيانات مالية ومعاملات تحتاج سرية شديدة (Finance)
* تعاون بين أطراف لا تثق ببعضها (Distrustful Parties)
* استعلامات قواعد بيانات مشفّرة
* تشغيل نماذج تعلم آلي على بيانات خاصة دون كشفها (Privacy-preserving ML inference)

---

# المستقبل (Future Outlook): ماذا نتوقع بواقعية؟

## ما لن يحدث قريبًا

* FHE لن يصبح أسرع من الحساب التقليدي (Plain Computation) بشكل عام.
* ولن يدخل “كل تطبيق يومي” دون تمييز.

## ما يُرجّح أن يحدث

* تحسّن كبير في bootstrapping وطرق تقليل كلفته.
* أدوات ومترجمات (Compilers) تنقل الخوارزميات تلقائيًا إلى شكل مناسب للحساب المشفّر.
* حلول هجينة تجمع بين:

  * FHE
  * الحوسبة متعددة الأطراف (Multi-Party Computation – MPC)
  * العتاد الموثوق (Trusted Hardware / TEEs)
    للوصول إلى توازن عملي بين السرية والكلفة.

الخلاصة المستقبلية:
**FHE سيصبح “طبقة خصوصية معيارية” في القطاعات الحساسة، لا بديلًا شاملًا لكل الحوسبة.**

---

# قاموس مصطلحات مختصر (Glossary)

* التشفير المتجانس: Homomorphic Encryption (HE)
* التشفير المتجانس الجزئي: Partially Homomorphic Encryption (PHE)
* التشفير المتجانس المحدود: Somewhat Homomorphic Encryption (SHE)
* التشفير المتجانس الكامل: Fully Homomorphic Encryption (FHE)
* تشفير كامل بمستوى محدد: Leveled FHE
* الضجيج/الخطأ: Noise / Error
* إعادة التهيئة: Bootstrapping
* نظرية الأعداد الجبرية: Algebraic Number Theory
* نظرية الشبكيات: Lattice Theory
* تعلّم مع وجود أخطاء: Learning With Errors (LWE) / Ring-LWE (RLWE)
* أقصر/أقرب متجه: SVP / CVP
* ما بعد الحوسبة الكمية: Post-Quantum Cryptography (PQC)

---

# صور إضافية (اختيارية) عن “السيادة على البيانات” ودمج HE

> (الصورة التالية مرخّصة CC0 من ويكيميديا كومنز)

![Hybrid homomorphic encryption diagram (CC0)](https://upload.wikimedia.org/wikipedia/commons/f/fe/Secured_video_conferencing_using_a_hybrid_of_two_homomorphic_encryption_schemes.png)

---

# مراجع مقترحة للقراءة (Recommended Reading)

* Craig Gentry (2009): "A Fully Homomorphic Encryption Scheme" (thesis).
* Wikipedia: Homomorphic Encryption (overview + taxonomy + history).
* Wikipedia: Lattice problem (SVP/CVP definitions and relations).
* Hanrot, Stehlé et al.: "Algorithms for the Shortest and Closest Lattice Vector Problems" (survey PDF).

---
</div>



اعتمدتُ في **التقسيم الرسمي للأنواع (PHE/SHE/Leveled FHE/FHE)**، وشرح تراكم الضجيج وعمق الضرب، وملخص تاريخ “جنتري 2009 + bootstrapping” على صفحة *Homomorphic encryption* في ويكيبيديا. :contentReference[oaicite:0]{index=0}  
واعتمدتُ في **النقطة التاريخية** (أول بناء مقنع لـ FHE سنة 2009، وفكرة تقييم الدوائر على نصوص مشفّرة، وكون المسألة طُرحت منذ 1978) على أطروحة جنتري وملخص ورقته “Ideal Lattices”. :contentReference[oaicite:1]{index=1}  
وفي تعريفات **SVP/CVP** وعلاقتها بمشاكل الشبكيات استندتُ إلى تعريفات “Lattice problem” في ويكيبيديا وإلى مسح Hanrot/Stehlé. :contentReference[oaicite:2]{index=2}  
أما الصور الثلاث المدرجة فهي من ويكيميديا كومنز وبترخيص CC0 أو Public Domain كما هو مذكور في صفحات الملفات. :contentReference[oaicite:3]{index=3}
::contentReference[oaicite:4]{index=4}