---
title: "Was ist Homomorphe Verschlüsselung (FHE)?"
canonical: https://wavect.io/de/glossary/homomorphic-encryption/
language: de
description: "Eine kryptographische Technik, die einen Server auf verschlüsselten Daten rechnen lässt, ohne sie je zu entschlüsseln."
image: "https://wavect.io/img/general/bak/open_graph_preview.jpg"
---

TECHNOLOGIE

# Homomorphe Verschlüsselung

FHE

Eine kryptographische Technik, die einen Server auf verschlüsselten Daten rechnen lässt, ohne sie je zu entschlüsseln.

Zuletzt geprüft: 2026-07-05 von [Kevin Riedl](/de/team/kevin-riedl/) [wiki ↗](https://www.wikidata.org/wiki/Q139796365)

Homomorphe Verschlüsselung erlaubt es jemandem, eine Berechnung auf deinen Daten auszuführen, während die Daten die ganze Zeit verschlüsselt bleiben. 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. Fully Homomorphic Encryption (FHE) ist die allgemeine Form: jede Berechnung, unbegrenzte Tiefe, zu einem Preis.

Der Preis ist die ganze Geschichte. FHE läuft grob 1.000x bis 10.000x langsamer als dieselbe Berechnung in Klartext, was interaktive Workloads und alles in Frontier-Model-Größe ausschließt. Was in Produktion shipped, ist das enge Muster: Private Lookups und kleine, klar definierte Berechnungen. Apples Live Caller ID Lookup prüft unbekannte Anrufer gegen eine Server-Datenbank, ohne die Telefonnummer zu verraten (BFV-Scheme), Microsoft Edge prüft Passwörter gegen Breach-Korpora, ohne sie zu sehen, und Zamas Protokoll settelt verschlüsselte Transaktionen auf Ethereum bei Dutzenden Transaktionen pro Sekunde. Niemand betreibt sein Backend unter FHE, auch nicht die Firmen mit den tiefsten Taschen.

In der Praxis ist “FHE” eine Familie von Schemes mit unterschiedlichen Sweet Spots: TFHE für verschlüsselte Logik und Vergleiche, CKKS für approximative Zahlen und Machine Learning, BGV/BFV für exakte Integer-Lookups. Das Tooling ist Open Source und von starken Engineering-Teams nutzbar, doch die Library-Wahl hängt vom Workload ab: TFHE-rs ist der reife TFHE-Startpunkt, Apples Swift-Library passt zu BFV-Lookups, und für CKKS lohnt ein Benchmark von Poulpy, Lattigo, SEAL, OpenFHE und GPU-nativen Optionen wie FIDESlib. Parameter-Auswahl und Performance-Engineering bleiben Spezialistenarbeit. Wenn das Ziel ist, einen Fakt zu beweisen statt auf versteckten Daten zu rechnen, sind [Zero-Knowledge-Proofs](/de/glossary/zero-knowledge/) das bessere Werkzeug; wenn ein Hardware-Trust-Root akzeptabel ist, erledigt ein Trusted Execution Environment denselben Job bei nahezu nativer Geschwindigkeit. Unser [FHE Deep Dive](/de/blog/fully-homomorphic-encryption-practical-2026/) enthält die belegten 2026er-Zahlen, und das [Decision Framework](/de/blog/zk-vs-fhe-vs-mpc-vs-tee/) behandelt, wann FHE die Alternativen schlägt.

// FAQ

## Häufige Fragen

### Ist FHE 2026 praktikabel?

Für enge Workloads, ja: Private Lookups (das Apple- und Microsoft-Muster), Small-Model-ML-Inferenz und verschlüsselte Logik bei Dutzenden Transaktionen pro Sekunde. Für General-Purpose- oder Echtzeit-Berechnungen, nein: Der Overhead liegt weiterhin drei bis vier Größenordnungen über Klartext.

### Was ist der Unterschied zwischen FHE und Zero-Knowledge-Proofs?

ZK beweist, dass eine Aussage wahr ist, ohne die Evidenz offenzulegen; FHE rechnet auf Daten, die verschlüsselt bleiben. Nimm ZK, wenn eine dritte Partei etwas verifizieren muss, FHE, wenn eine nicht vertrauenswürdige Partei auf Daten rechnen muss, die sie niemals sehen darf. Sie komponieren gut: Viele Architekturen nutzen beide.

### Mit welcher FHE-Library sollten wir starten?

Nutze Zamas TFHE-rs für verschlüsselte Logik und Apples swift-homomorphic-encryption für BFV-Private-Lookups. Für CKKS-Analytics benchmarke Poulpy, Lattigo, SEAL, OpenFHE und eine GPU-native Option wie FIDESlib auf dem exakten Workload; OpenFHE bietet Breite, ist aber nicht automatisch Performance-Leader.

Verwandte Begriffe

- [Zero-Knowledge](/de/glossary/zero-knowledge/)
- [LLM](/de/glossary/llm/)

Passende Leistungen

- [AI & Frontier Tech](/de/services/bleeding-edge/)

Passende Fallstudien

- [Twinsoft AI](/de/case-studies/twinsoft-ai/)

Passende Guides

- [Den richtigen Tech-Stack für ein MVP wählen](/de/software-development-guide/how-to-choose-a-tech-stack-for-mvp/)

Reden wir

## Structured Data

```json
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@id": "https://wavect.io/#organization",
      "@type": [
        "Organization",
        "ProfessionalService",
        "LocalBusiness"
      ],
      "employee": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "founder": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "legalRepresentative": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "name": "Wavect GmbH",
      "subjectOf": {
        "@id": "https://wavect.io/verified-claims.json#dataset",
        "@type": "Dataset",
        "creator": {
          "@id": "https://wavect.io/#organization",
          "@type": [
            "Organization",
            "ProfessionalService",
            "LocalBusiness"
          ]
        },
        "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.",
        "inLanguage": "en",
        "isAccessibleForFree": true,
        "license": "https://creativecommons.org/licenses/by/4.0/",
        "name": "Wavect verified publication claims",
        "url": "https://wavect.io/verified-claims.json"
      },
      "url": "https://wavect.io/"
    },
    {
      "@id": "https://wavect.io/team/kevin-riedl/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Kevin Riedl",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796365",
        "https://www.linkedin.com/in/wsdt",
        "https://github.com/wsdt"
      ],
      "url": "https://wavect.io/team/kevin-riedl/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/team/christof-jori/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Christof Jori",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796367",
        "https://www.linkedin.com/in/jocr77/",
        "https://github.com/jo-chris"
      ],
      "url": "https://wavect.io/team/christof-jori/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/#website",
      "@type": "WebSite",
      "inLanguage": [
        "en",
        "de",
        "es",
        "zh"
      ],
      "name": "Wavect",
      "potentialAction": {
        "@type": "SearchAction",
        "query-input": "required name=search_term_string",
        "target": {
          "@type": "EntryPoint",
          "urlTemplate": "https://wavect.io/search/?q={search_term_string}"
        }
      },
      "publisher": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      },
      "url": "https://wavect.io/"
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@id": "https://wavect.io/de/glossary/homomorphic-encryption/#term",
      "@type": "DefinedTerm",
      "alternateName": [
        "FHE",
        "Fully Homomorphic Encryption",
        "TFHE",
        "CKKS",
        "Homomorphe Verschlüsselung"
      ],
      "description": "Eine kryptographische Technik, die einen Server auf verschlüsselten Daten rechnen lässt, ohne sie je zu entschlüsseln.",
      "inDefinedTermSet": "https://wavect.io/de/glossary/#termset",
      "name": "Homomorphe Verschlüsselung",
      "termCode": "homomorphic-encryption",
      "url": "https://wavect.io/de/glossary/homomorphic-encryption/"
    },
    {
      "@id": "https://wavect.io/de/glossary/homomorphic-encryption/#webpage",
      "@type": "WebPage",
      "about": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      },
      "author": {
        "@id": "https://wavect.io/team/kevin-riedl/#person",
        "@type": "Person",
        "name": "Kevin Riedl",
        "url": "https://wavect.io/team/kevin-riedl/"
      },
      "dateModified": "2026-07-05",
      "description": "Eine kryptographische Technik, die einen Server auf verschlüsselten Daten rechnen lässt, ohne sie je zu entschlüsseln.",
      "headline": "Homomorphe Verschlüsselung",
      "inLanguage": "de",
      "isPartOf": {
        "@id": "https://wavect.io/#website",
        "@type": "WebSite"
      },
      "lastReviewed": "2026-07-05",
      "mainEntity": {
        "@id": "https://wavect.io/de/glossary/homomorphic-encryption/#term"
      },
      "mentions": [
        {
          "@id": "https://wavect.io/#organization",
          "@type": [
            "Organization",
            "ProfessionalService",
            "LocalBusiness"
          ]
        },
        {
          "@type": "Service",
          "name": "AI & Frontier Tech",
          "url": "https://wavect.io/de/services/bleeding-edge/"
        }
      ],
      "name": "Homomorphe Verschlüsselung",
      "reviewedBy": {
        "@id": "https://wavect.io/team/christof-jori/#person",
        "@type": "Person",
        "name": "Christof Jori",
        "url": "https://wavect.io/team/christof-jori/"
      },
      "speakable": {
        "@type": "SpeakableSpecification",
        "cssSelector": [
          ".gls-single__h1",
          ".gls-single__tldr"
        ]
      },
      "url": "https://wavect.io/de/glossary/homomorphic-encryption/"
    },
    {
      "@type": "BreadcrumbList",
      "itemListElement": [
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/",
          "name": "Startseite",
          "position": 1
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/glossary/",
          "name": "Tech-, Produkt- & Engagement-Glossar",
          "position": 2
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/glossary/homomorphic-encryption/",
          "name": "Homomorphe Verschlüsselung",
          "position": 3
        }
      ]
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Für enge Workloads, ja: Private Lookups (das Apple- und Microsoft-Muster), Small-Model-ML-Inferenz und verschlüsselte Logik bei Dutzenden Transaktionen pro Sekunde. Für General-Purpose- oder Echtzeit-Berechnungen, nein: Der Overhead liegt weiterhin drei bis vier Größenordnungen über Klartext."
      },
      "name": "Ist FHE 2026 praktikabel?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "ZK beweist, dass eine Aussage wahr ist, ohne die Evidenz offenzulegen; FHE rechnet auf Daten, die verschlüsselt bleiben. Nimm ZK, wenn eine dritte Partei etwas verifizieren muss, FHE, wenn eine nicht vertrauenswürdige Partei auf Daten rechnen muss, die sie niemals sehen darf. Sie komponieren gut: Viele Architekturen nutzen beide."
      },
      "name": "Was ist der Unterschied zwischen FHE und Zero-Knowledge-Proofs?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Nutze Zamas TFHE-rs für verschlüsselte Logik und Apples swift-homomorphic-encryption für BFV-Private-Lookups. Für CKKS-Analytics benchmarke Poulpy, Lattigo, SEAL, OpenFHE und eine GPU-native Option wie FIDESlib auf dem exakten Workload; OpenFHE bietet Breite, ist aber nicht automatisch Performance-Leader."
      },
      "name": "Mit welcher FHE-Library sollten wir starten?"
    }
  ],
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": [
      ".faq-question",
      ".faq-answer"
    ]
  }
}
```