Leuvenshtein: Efficiënte FHE-gebaseerde berekening van de bewerkingsafstand met een enkele bootstrap per cel

Leuvenshtein: Efficient FHE-based Edit Distance Computation with Single Bootstrap per Cell

August 20, 2025

Auteurs: Wouter Legiest, Jan-Pieter D'Anvers, Bojan Spasic, Nam-Luc Tran, Ingrid Verbauwhede

cs.AI

Samenvatting

Dit artikel presenteert een nieuwe benadering voor het berekenen van de Levenshtein (edit) afstand binnen het raamwerk van Fully Homomorphic Encryption (FHE), met specifieke aandacht voor derdegeneratieschema's zoals TFHE. Editafstandsberekeningen zijn essentieel in toepassingen binnen financiën en genomica, zoals DNA-sequentie-uitlijning. We introduceren een geoptimaliseerd algoritme, genaamd Leuvenshtein, dat de kosten van editafstandsberekeningen aanzienlijk reduceert. Dit algoritme vermindert specifiek het aantal benodigde programmeerbare bootstraps (PBS) per cel van de berekening, van ongeveer 94 operaties -- vereist door het conventionele Wagner-Fisher algoritme -- naar slechts 1. Daarnaast stellen we een efficiënte methode voor voor het uitvoeren van gelijkheidscontroles op karakters, waarbij ASCII-karaktervergelijkingen worden teruggebracht tot slechts 2 PBS-operaties. Tot slot onderzoeken we de mogelijkheid voor verdere prestatieverbeteringen door gebruik te maken van preprocessing wanneer een van de invoerstrings niet-versleuteld is. Onze Leuvenshtein bereikt tot 278 keer snellere prestaties vergeleken met de best beschikbare TFHE-implementatie en tot 39 keer sneller dan een geoptimaliseerde implementatie van het Wagner-Fisher algoritme. Bovendien, wanneer offline preprocessing mogelijk is vanwege de aanwezigheid van een niet-versleutelde invoer aan de serverzijde, kan een extra snelheidsverbetering van 3 keer worden bereikt.

English

This paper presents a novel approach to calculating the Levenshtein (edit) distance within the framework of Fully Homomorphic Encryption (FHE), specifically targeting third-generation schemes like TFHE. Edit distance computations are essential in applications across finance and genomics, such as DNA sequence alignment. We introduce an optimised algorithm that significantly reduces the cost of edit distance calculations called Leuvenshtein. This algorithm specifically reduces the number of programmable bootstraps (PBS) needed per cell of the calculation, lowering it from approximately 94 operations -- required by the conventional Wagner-Fisher algorithm -- to just 1. Additionally, we propose an efficient method for performing equality checks on characters, reducing ASCII character comparisons to only 2 PBS operations. Finally, we explore the potential for further performance improvements by utilising preprocessing when one of the input strings is unencrypted. Our Leuvenshtein achieves up to 278times faster performance compared to the best available TFHE implementation and up to 39times faster than an optimised implementation of the Wagner-Fisher algorithm. Moreover, when offline preprocessing is possible due to the presence of one unencrypted input on the server side, an additional 3times speedup can be achieved.