秘密計算とは？

EUのGDPR（一般データ保護規則）第83条が規定する「最大2,000万ユーロまたは全世界年間売上高の4%」という巨額の制裁金リスクや、日本の改正個人情報保護法第24条が求める「個人データの安全管理措置」は、企業間における機密データ共有やマルチクラウド環境でのデータ解析において最大のボトルネックです。データを外部サーバーに送信して演算処理を行う際、従来の暗号化技術では「演算実行時に一度データを復号して平文に戻す」プロセスが必須となるため、メモリ（RAM）上に展開された一瞬の脆弱性を完全に排除できません。このセキュリティの担保とデータ利活用の促進という二律背反の課題に対し、データを暗号化、または復元不可能な断片に分割した状態のまま、一度も平文に戻すことなく演算処理を実行する技術が「秘密計算」です。

「暗号化したまま処理する」秘密計算の基礎定義と従来暗号との技術的差異

データのライフサイクル（保管・移動・利用）から見る秘密計算の定義

ITシステムにおけるデータのライフサイクルは、大きく以下の3つの状態（ステート）に分類されます。秘密計算の定義を正確に理解するには、この3つの状態におけるセキュリティ対策の範囲を整理する必要があります。

• 保管中のデータ（Data at Rest）：データベースやハードディスク、クラウドストレージに保存されている状態。
• 移動中のデータ（Data in Transit）：ネットワーク上を送受信され、サーバーとクライアント間を行き来している状態。
• 利用中のデータ（Data in Use）：CPUによって読み込まれ、メモリ（RAM）上で演算や統計処理、機械学習モデルのトレーニングなどが実行されている状態。

従来のセキュリティ対策において、保管中のデータには「AES-256」などの共通鍵暗号、移動中のデータには「SSL/TLS（HTTPS）」や「IPsec」などの暗号化通信プロトコルが標準的に用いられてきました。しかし、これらの技術は「利用中のデータ」を保護することができません。CPUで計算処理を実行するためには、一度暗号を解いて平文（生データ）に戻す必要があるためです。

秘密計算は、この「利用中（Data in Use）」のデータを保護する唯一の手段として定義されます。すなわち、データを暗号化、または復元不可能な断片に分割した状態のまま、一度も平文に戻すことなく演算処理を実行する技術の総称です。主に以下の3つのアプローチが標準化組織（ISO/IEC 20889など）や実務において用いられています。

• マルチパーティ計算 (MPC)：秘密分散技術を用いて元のデータを意味のない複数の「シェア（破片）」に分割し、それぞれ異なるサーバーに配置します。各サーバーが互いのデータを明かすことなく、協調して計算処理のみを実行する手法です。
• 準同型暗号：数学的な特性を利用し、暗号化したままの状態で足し算や掛け算といった演算を可能にする暗号方式です（Microsoftの「SEAL」やIBMの「HElib」などのオープンソースライブラリがこれに該当します）。
• 信頼実行環境 (TEE)：CPUのハードウェア機能を用いて、OSやハイパーバイザーから隔離された安全なメモリ領域（エンクレーブ）を構築し、その内部でのみ復号して処理を行うアプローチです（Intel SGXやAMD SEVなどが代表例です）。

秘密計算を採用することで、個人情報や機密データを外部のサーバーや第三者機関に提供することなく、安全に高度な統計分析やAIによる予測モデル構築を行う「プライバシー保護データ解析」が実現可能となります。

従来暗号（TLS/AES等）との決定的な違いと処理フェーズにおける脆弱性の解消

従来暗号と秘密計算の決定的な違いは、「演算を実行するタイミングで、システム内に平文のデータと復号キーが存在するか否か」にあります。以下の表は、両者のセキュリティ特性と技術仕様を比較したものです。

比較項目	従来暗号（AES / TLSなど）	秘密計算（MPC / 準同型暗号 / TEE）
保護対象 of データ状態	保管中（At Rest）、移動中（In Transit）	利用中（In Use）を含むすべての状態
演算処理時のデータ形式	平文（必ず復号する必要がある）	暗号文、または秘密分散された分散値
メモリ上のデータ露出	あり（RAM上に平文と鍵が展開される）	なし（暗号のまま処理、または物理隔離）
防御可能な脅威	通信傍受、物理ストレージの窃取	特権ユーザー（管理者）の不正、OS/ハイパーバイザー侵害、インサイダー脅威
主な用途	データの安全な保管、安全なファイル転送	複数企業間での共同分析、機密データの外部委託解析

従来暗号の最大の技術的課題は、データ処理時の「一瞬の平文露出」に起因する脆弱性です。例えば、月間10万件の個人信用データを扱うシステムにおいて、外部の仮想マシン（VM）上でスコアリングのバッチ処理を行う場合、VMのメモリ内（DRAM）に一度データを復号して展開する必要があります。このとき、メモリ上には一時的に平文の顧客データと復号キーが露出します。もし、クラウド事業者の内部不正や、ホストOSを標的にしたマルウェア感染、あるいはCPUの投機的実行に起因するハードウェア脆弱性（Spectreなど）が発生した場合、このメモリ上の平文データが奪取されるリスクはゼロではありませんでした。

秘密計算（特に準同型暗号やマルチパーティ計算 (MPC)）では、処理プロセス全体を通じて平文や復号キーがサーバーのメモリ上に一切出現しません。サーバー側のOSや管理者がどれほど高い権限を持っていたとしても、処理中のメモリダンプから得られるのはランダムなバイト列に過ぎず、元の情報を復元することは不可能です。これにより、自社の機密データを外部のパブリッククラウドに預けて分析する際や、競合他社と顧客データを持ち寄って相乗効果を得るデータ利活用ビジネスにおいて、インフラレベルでの安全性が数学的・物理的に保証されます。

主要3方式（MPC、準同型暗号、TEE）および秘密分散の技術仕様とトレードオフ

評価項目	マルチパーティ計算 (MPC) × 秘密分散	準同型暗号 (Homomorphic Encryption)	信頼実行環境 (TEE)
計算速度（プレーンテキスト比）	10倍〜1,000倍 （通信ラウンド数に依存）	1,000倍〜1,000,000倍 （演算に伴うノイズ除去処理に依存）	1.05倍〜2.0倍 （メモリ保護の暗号化オーバーヘッドのみ）
メモリオーバーヘッド	極小（データのシェア化による数倍程度）	極大（1暗号文あたり数十KB〜数MB、数千倍〜数万倍）	中（Enclaveサイズ上限、Intel SGX2では仮想メモリ拡張あり）
信頼の起点（Root of Trust）	数学的証明（閾値未満のノードの非結託）	数学的証明（格子暗号・LWE問題の安全基準）	ハードウェア（CPU製造ベンダーの暗号キー）
通信ボトルネック	極めて大きい（演算ごとにノード間通信が発生）	なし（単一のサーバー内で閉じた計算が可能）	なし（プロセッサ内部で完結）
実務上の主な課題	WANをまたぐ複数拠点間でのネットワーク遅延	膨大なCPU・メモリ消費に伴うインフラコストの上昇	サイドチャネル攻撃への対策および特定のCPU依存

マルチパーティ計算（MPC）と秘密分散（Shamirの秘密分散）の協調計算メカニズム

マルチパーティ計算（MPC）と秘密分散は、データを単一のサーバーに集約することなく、分散させた状態のままでプライバシー保護データ解析を実行するための核心的な技術です。その基盤となるのが、数学的な「Shamirの秘密分散（Shamir’s Secret Sharing）」スキームです。

Shamirの秘密分散は、任意の秘密情報 $S$ を $n$ 個の「シェア（分散片）」に分割し、そのうち任意の $k$ 個（閾値）が集まれば元の情報 $S$ を復元できますが、$k-1$ 個以下では $S$ に関する情報を1ビットも得られないという特徴を持ちます。これは、$(k-1)$ 次多項式 $f(x) = a_{k-1}x^{k-1} + \dots + a_1x + S \pmod p$ （$p$ は素数）において、$x=0$ における切片が秘密情報 $S$ となることを利用しています。各計算ノードには、異なる $x_i$ に対する座標値 $(x_i, f(x_i))$ がシェアとして配布されます。

この秘密分散された状態のまま計算を進行する協調計算（MPC）では、加算と乗算で処理の複雑性が大きく異なります。加算（$A + B$）においては、各ノードが自身の持つシェア同士をローカルで加算するだけで、通信を発生させずに全体の加算結果のシェアを得ることができます。これは多項式の線形性に基づいています。一方、乗算（$A \times B$）においては、シェア同士を掛け合わせることで多項式の次数が $2k-2$ に増加し、閾値を超えてしまうため、ノード間での相互通信（通信ラウンド）が必要になります。

この乗算時の通信ボトルネックを解決するため、実務では「Beaver Triples（乗算トリプレット）」と呼ばれる事前計算技術や、SPDZ（スピードズ）プロトコルが採用されています。しかし、ノード間のネットワーク往復遅延（RTT）が全体の処理速度を決定づけるため、実用に際してはインフラ設計が極めて重要です。例えば、100万件の顧客リストに対して2つのデータベース間で論理積（AND）を求めるデータ利活用のシナリオにおいて、同一データセンター内の10Gbps回線（RTT < 1ms）であれば数秒で完了する処理が、地理的に離れたWAN環境（RTT > 50ms）を経由すると、通信待ち時間によって処理時間が数百倍に延伸します。この定量的な制約を踏まえ、MPCを導入する際は、ノードの配置トポロジーと1トランザクションあたりの通信ラウンド数を正確に算出することが、個人情報保護法に準拠したシステム設計の必須要件となります。

準同型暗号（Homomorphic Encryption）の数学的原理と信頼実行環境（TEE）のハードウェア保護

これに対し、データを分散させずに、1つのサーバー上で暗号化したまま任意の計算を行うアプローチが準同型暗号です。現在実用化されている完全準同型暗号（FHE）の多くは、格子暗号の一種である「LWE（Learning with Errors：エラー学習）問題」または「RLWE（Ring-LWE）問題」の数学的困難性を安全性の根拠としています。

準同型暗号（例：CKKSやBFVスキーム）では、暗号文に「ノイズ」と呼ばれる微小な乱数を意図的に混入させることで安全性を担保します。加算や乗算などの演算を繰り返すたびに、この暗号文内部のノイズは累積・増大していきます。ノイズが一定の閾値を超えると、暗号文は正しく復号できなくなります。この破綻を防ぐために、暗号化された状態のままでノイズを取り除く「ブートストラップ（Bootstrapping）」という極めて重い処理を実行する必要があります。マイクロソフトが公開しているオープンソースの準同型暗号ライブラリ「Microsoft SEAL」を用いたベンチマークにおいても、ブートストラップ処理を実行する際、通常のプレーンテキストでの演算と比較してCPUクロック数ベースで10万倍から100万倍のオーバーヘッドが生じ、暗号文1つあたりのデータサイズも元の実数データ（8バイト）から数メガバイトへと肥大化します。これが、準同型暗号における「メモリオーバーヘッド」と「計算速度」の深刻なトレードオフの本質です。

この数学的アプローチにおける計算負荷の壁を、ハードウェアの物理的障壁によって解決するのが信頼実行環境 (TEE)です。代表的な実装である「Intel SGX（Software Guard Extensions）」や「AMD SEV（Secure Encrypted Virtualization）」、クラウドサービスが提供する「AWS Nitro Enclaves」などでは、CPU内部に「Enclave（アンクレイブ）」と呼ばれる、OSやハイパーバイザー（特権管理者）からも完全に隔離されたメモリ領域を構築します。

TEEの保護メカニズムは以下の3つのステップで機能します。

• ハードウェアによるメモリ暗号化: CPU内部の専用ハードウェア（AES-MEEなど）が、Enclave外のメインメモリ（DRAM）に書き出されるデータをリアルタイムで暗号化し、読み込み時に復号します。これにより、物理的にメモリ（DIMM）にプローブを当ててデータを盗み出す攻撃を防ぎます。
• リモートアテステーション（遠隔検証）: 起動されたプログラムが、改ざんされていない正当なコードであることを示す「暗号学的署名（測定値）」をCPUが発行します。データ提供者は、この署名を検証することで、信頼できないクラウド環境であっても、自身のデータが安全なコードのみによって処理されることを事前に確認できます。
• プロセッサ内でのプレーンテキスト処理: 復号キーはEnclave内部にのみ安全に展開され、演算処理自体はCPUのレジスタおよびL1/L2キャッシュ内で、通常のプレーンテキスト（平文）として実行されます。

このため、TEE의 計算速度は通常のプログラムと遜色なく（オーバーヘッドは5%〜20%程度）、大規模なゲノム解析や複雑な機械学習の学習処理など、演算量が膨大なプライバシー保護データ解析において圧倒的な優位性を持ちます。しかし、TEEの安全性は「ハードウェア製造ベンダーが内部に書き込んだ秘密鍵」および「CPU自体の物理的な設計」に完全に依存します。過去に報告された「SGA（サイドチャネル攻撃：SpectreやMeltdownの亜種など）」のように、CPUの投機的実行やキャッシュの挙動を観測することでEnclave内のデータを推測する脆弱性が発見された場合、マイクロコードのアップデートや、サイドチャネル対策パッチの適用によって処理性能が大幅に低下するリスクを内包しています。

個人情報保護と価値創出を両立する産業別・実在ユースケースと共同検証実績

ゲノム情報や金融取引データといった機微性の高いデータを、個人情報保護法などの法規制を遵守しながら安全に連携・分析する試みは、すでに研究段階を超えて実用レベルでの社会実装・検証フェーズへと移行しています。暗号化したままデータを処理する秘密計算技術は、個別企業の中だけに閉じていたデータの価値を、プライバシーを完全に保護した状態で安全に結合し、新たなデータ利活用の道を切り拓く鍵として機能しています。

医療・ゲノム解析および多機関共同の金融不正検知における実在の導入・検証事例

機微データの最たるものであるゲノム情報や、厳格な守秘義務が課される金融取引データにおいて、秘密計算は具体的な解決策を提示しています。以下に、国内外で行われた具体的なプロジェクトに基づく3つの産業別ユースケースを詳述します。

1. 医療・ゲノム解析：東北メディカル・メガバンク機構と東芝による実証

ゲノムデータは個人識別符号に該当し、漏洩時のリスクが極めて高いため、共同研究であっても複数機関でのデータ集約は極めて困難でした。この課題に対し、東北大学東北メディカル・メガバンク機構（ToMMo）と株式会社東芝は、秘密分散技術とマルチパーティ計算 (MPC) を組み合わせたゲノム解析システムの共同検証を行いました。3つのサーバー（ノード）にゲノムデータを復元不可能な「シェア（分散片）」として分割・保存し、データを元の状態に復号することなく、ゲノムワイド関連解析（GWAS）で頻用されるカイ二乗検定やフィッシャーの正確確率検定を実時間で実行することに成功しています。このシステムにより、個人のプライバシーを完全に保護したまま、多機関に分散した数十万人規模の症例データを結合した大規模な病因究明や創薬研究が可能となっています。

2. 金融不正検知：複数金融機関をまたぐAML/CFT対策

マネーロンダリングやテロ資金供与対策（AML/CFT）において、犯罪集団は複数の金融機関にまたがる口座を複雑に経由して送金を行います。しかし、各金融機関は個人情報保護法や守秘義務の観点から、顧客の口座情報や送金履歴を他行と自由に共有することができません。この実務課題を解決するため、株式会社LayerXなどの専門企業や主要メガバンクは、信頼実行環境 (TEE) であるIntel SGXを利用した秘密計算システムを用いた共同検証を実施しました。各行が保有する疑わしい取引履歴データを暗号化したまま共通のTEE領域にアップロードし、暗号化状態を維持したままアカウント間の接続関係をグラフ解析することで、プライバシーを完全に担保しつつ、不正送金ルートをリアルタイムで検知できるシステム構成を立証しています。

3. マーケティング：プライバシー保護データ解析（データクリーンルーム）

サードパーティクッキーの廃止など、デジタルマーケティングにおける規制が強まる中、自社データを他社のデータと安全に突合する「データクリーンルーム」の需要が急増しています。例えば、国内のシンクタンクや広告代理店は、EAGLYS株式会社が提供する準同型暗号技術を組み込んだデータベース連携プラットフォーム「DataArmor Gate」を採用し、メディア側の閲覧履歴データと、EC事業者側の購買データを暗号化したまま結合する実証を行いました。双方の事業者が生データを相手に開示することなく、暗号化した状態でSQLによる論理積（JOIN演算）を実行し、購買に至る広告効果を正確に算出できる環境を実現。これにより、改正個人情報保護法における「個人関連情報」の第三者提供制限をクリアしながら、高度なプライバシー保護データ解析を可能にしています。

産総研「Magatama」とNTT「IOWN」が示す次世代データ流通インフラの構成案

秘密計算をより広範なビジネスや公共インフラに組み込むためには、処理速度の低下やノード間の通信遅延といった技術的ボトルネックを克服する必要があります。これらの課題に対して、国内の先進的な研究機関やインフラ事業者は、ハードウェア技術と次世代ネットワークを統合した具体的なアーキテクチャを提示しています。

信頼実行環境 (TEE) をベースとした産総研の「Magatama」

国立研究開発法人 産業技術総合研究所（AIST）が開発を主導する「Magatama（勾玉）」は、信頼実行環境 (TEE) をベースにした安全なデータ処理・流通システムです。準同型暗号やマルチパーティ計算 (MPC) などの暗号技術は、暗号化したまま計算を行うためにCPUへの演算負荷が大きく、処理速度が通常の処理に比べて数百倍から数万倍に低下するという欠点がありました。Magatamaは、CPU内部に構築されるセキュアな隔離領域（Enclave）に暗号化データを送り、領域内部でのみ瞬時に復号して高速に処理を実行します。このアーキテクチャにより、データの保護レベルを最大に保ちながら、機械学習（XGBoostやディープラーニングなど）の大規模な訓練や推論処理を、通常の処理とほぼ同等の実用的な速度で実行可能なプラットフォームを提示しています。

NTTの「IOWN APN」による通信ボトルネックの解消

一方、データを複数ノードに分散させて演算を行うマルチパーティ計算 (MPC) においては、各ノード間で暗号データの断片を頻繁に送受信するため、ネットワークの帯域幅と通信遅延（レイテンシ）が最大のボトルネックとなります。日本電信電話株式会社（NTT）が提唱する「IOWN（Innovative Optical and Wireless Network）」構想の主要技術であるオールフォトニクス・ネットワーク（APN）は、このボトルネックを根本から解決します。APNが提供する「超低遅延・大容量」の光パケット通信路を用いることで、地理的に分散したデータセンター間に設置されたMPCノード群が、あたかも同一筐体内にあるかのような極小の遅延（ミリ秒以下）でデータをやり取りできます。これにより、これまで実用が難しかった大容量データに対するリアルタイムの秘密計算処理がインフラレベルで実現可能となります。

自社で秘密計算を用いたデータ利活用ビジネスを設計する際は、取り扱うデータの「秘匿性の高さ（法的規制のレベル）」「データ規模」「処理に必要なリアルタイム性」の3軸から、最適なシステム構成を判断する必要があります。例えば、ゲノム解析のように計算の複雑性と機微性の双方を極限まで求める分野にはMPCや準同型暗号の組み合わせが適合し、マーケティングデータなどの数千万件規模の高速処理を要する場合には、産業技術総合研究所が開発を主導する「Magatama」に代表されるTEEベースの技術、あるいはEAGLYS等の高速準同型暗号ソリューションが適しています。また、地理的に分散した環境で協調計算を行う場合は、NTTのIOWN APNのような次世代光ネットワークをインフラとして組み込むことで、ネットワーク遅延によるボトルネックを解消することが可能です。

ISO/IEC国際標準規格の策定状況と主要国（米・欧・日）における政策・市場動向

秘密計算をビジネスや官公庁のシステムに組み込む際、最大の障壁となるのが「その暗号強度や実装が信頼に足るか」という客観的な証明です。現在、グローバルなデータ流通において、セキュリティとプライバシー保護の両立を保証するため、国際標準規格の策定と各国の政策誘導が急速に進んでいます。企業がグローバルサプライチェーンにおいてデータ利活用を行うためには、これらの標準規格や各国の法規制への適合が実質的な参入障壁となりつつあります。

ISO/IECで標準化が進む秘密計算関連技術の規格番号と適合基準

国際標準化機構（ISO）および国際電気標準会議（IEC）では、秘密計算を構成する要素技術の標準化が進められています。特に以下の規格群は、企業が導入する秘密計算ソリューションの信頼性を担保する重要な基準となっています。

規格番号	技術領域	主な内容とビジネスへの影響
ISO/IEC 18033-6	暗号技術（準同型暗号）	完全準同型暗号（FHE）を含む、暗号化した状態でのデータ処理手法に関するセキュリティ基準を定義。ベンダーロックインを防ぎ、異なる暗号ライブラリ間の相互運用性を確保する指針となります。
ISO/IEC 29167-20	秘密分散（IoT・RFID認証）	データを複数のシェアに分割して保管する「秘密分散」技術を、RFIDやIoTデバイスのセキュリティ認証に応用するための規格です。エッジデバイスの安全なデータ通信を標準化します。
ISO/IEC 4922	マルチパーティ計算 (MPC)	複数システム間でデータを明かさずに協調計算を行うマルチパーティ計算 (MPC) のプロトコルおよび評価基準を定義。金融機関同士の共同不正検知システムなどで、この規格への準拠が調達要件に盛り込まれるケースが増えています。

欧州の「サイバーレジリエンス法（CRA）」や米国の連邦調達規則（FAR）に準拠したシステム構築において、上記のような国際規格への適合証明がサプライヤー選定の必須条件となりつつあります。例えば、自動車産業のデータ連携基盤「Catena-X」では、サプライチェーン上の機密性の高いCO2排出量データなどを相互に提供し合う際、自社データを秘匿したまま計算を行う秘密計算技術の導入が進んでいます。その際、ISO/IEC規格に準拠した実装であることが、参加企業間での法的コンプライアンス（GDPR等）をクリアするための技術的担保として機能しています。

米国・欧州のデータ規制・推進政策とガートナーのハイプサイクルに見る市場成熟度

秘密計算の普及は、各国の安全保障および産業振興政策と密接に結びついています。単なる一企業のセキュリティ対策ではなく、国家規模のデータ統治（ガバナンス）戦略として推進されています。

米国では、国防高等研究計画局（DARPA）が主導した「PROCEED（Programming Computation on Encrypted Data）」プロジェクトにより、準同型暗号の実用的な計算速度向上（初期の100万倍から数十倍への高速化）に向けた基礎研究が確立されました。また、米国国立標準技術研究所（NIST）は「プライバシー強化技術（PETs）」のロードマップを提示し、連邦政府調達においてマルチパーティ計算 (MPC)や信頼実行環境 (TEE)の採用を推進しています。具体的には、米センサス局（国勢調査局）が公的データの非特定化処理に秘密計算技術を導入するなど、政府主導の社会実装が先行しています。

欧州連合（EU）においては、データ主権の確立を目指す「GAIA-X」プロジェクトにおいて、参加者間の信頼を担保する基盤としてプライバシー保護データ解析（PPDA）が位置づけられています。欧州データ保護会議（EDPB）のガイドラインにおいても、GDPR下での第三国へのデータ移転において、準同型暗号や秘密分散を用いた適切な秘密計算が、データの暗号学的「仮名化・匿名化」を担保する有効な補完措置（Supplementary Measures）として明示されています。

日本国内においては、個人情報保護法の度重なる改正が秘密計算の普及を強く後押ししています。法改正により「仮名加工情報」や「個人関連情報」の制度が創設され、企業間でのデータ利活用における安全管理措置（法第24条）の義務化が厳格化されました。これに対し、総務省・経済産業省が策定した「DX時代における企業のプライバシーガバナンスガイドブック」では、技術的なプライバシー保護対策（PETs）として秘密計算が推奨されています。実務的には、JR東日本などの実在するデータホルダーがヘルスケアやマーケティング領域でクロスバリューチェーン of データ連携を行う際、個人情報保護法上の制限をクリアしつつセキュアに統計分析を行う手段として、MPCやTEEを用いた秘密計算システムが実導入されています。

こうした政策的・法的な要請を受け、市場調査会社のガートナー（Gartner）が発表している「Hype Cycle for Privacy」および「Hype Cycle for Cloud Security」において、秘密計算を含む「プライバシー強化技術（PETs）」や、主にTEEをベースとする「機密コンピューティング（Confidential Computing）」は、過度な期待のピーク期を越え、実用的な導入が進む「啓発期（Slope of Enlightenment）」に位置づけられています。Intel SGXやAMD SEVといったハードウェアレベルのTEE技術がMicrosoft AzureやGoogle Cloud（Confidential VMs）などの主要パブリッククラウドに標準実装されたことで、特別なハードウェアを用意することなく、月間数千万トランザクションを処理するエンタープライズの決済システムや、ゲノム解析などの高度医療研究において、数億レコード規模の機密データをセキュアに処理できる環境がすでに実用段階に達しています。

自社導入を成功させる秘密計算の選定基準と要件定義・ベンダー比較チェックリスト

「セキュリティ強度・パフォーマンス・コスト」を最適化する技術選定マトリクス

秘密計算を構成する主要技術である「マルチパーティ計算 (MPC)」「準同型暗号」「信頼実行環境 (TEE)」および、これらと組み合わせて用いられる「秘密分散」は、それぞれセキュリティ強度、処理パフォーマンス、導入・運用コストにおいて明確なトレードオフの関係にあります。技術選定におけるミスマッチを防ぐため、各技術の特性と国内主要ベンダーの提供ソリューションを整理したマトリクスを以下に示します。

技術方式	セキュリティ強度	処理速度（パフォーマンス）	導入・運用コスト	得意なユースケースと国内主要ベンダー
マルチパーティ計算 (MPC)	極めて高い（理論的安全性）	中〜低（ネットワーク通信回数に依存）	中（複数サーバーの維持が必要）	複数企業間での顧客データの統合・統計分析。 NTT（NTT社会情報研究所/NTTコミュニケーションズ）の「算師」など。
準同型暗号	極めて高い（数学的安全性）	低（暗号状態での乗算時に高負荷）	高（高スペックな計算資源が必要）	クラウドへの秘匿データ保管と、外部への開示を伴わない検索・機械学習推論。 EAGLYSの「DataArmor」など。
信頼実行環境 (TEE)	高い（ハードウェア依存の安全性）	極めて高い（ほぼネイティブと同等）	低〜中（対応CPU・クラウドの利用料）	大容量データの高速なプライバシー保護データ解析、ゲノム解析。 主要なクラウドベンダー（Azure、AWS等）のConfidential Computing機能など。
秘密分散	極めて高い（情報を無意味なシェアに分割）	高い（復元・結合処理のみ）	低（シンプルなストレージ構成）	データの安全なバックアップ、エンドポイント端末のセキュリティ対策。 ZenmuTechの「ZENMU」など。

技術選定においては、単に「セキュリティが最も強固だから」という理由だけで準同型暗号を選択すると、実用に耐えないパフォーマンスとなる可能性があります。例えば、準同型暗号を用いた格子暗号スキーム（CKKSやBFVなど）では、プレーンテキストでの計算と比較してCPUの演算負荷が100倍から1万倍以上に達することがあります。これにより、100万件の顧客リストに対する単純なマッチング処理に数時間を要するケースが生じます。このパフォーマンス課題を解決するために、EAGLYSではアクセラレータ（GPUやFPGA）を活用した高速化処理を実装し、実務で耐えうる応答速度を確保するアプローチを採っています。

一方、ネットワークを介したサーバー間の協調動作が必要なマルチパーティ計算 (MPC)では、通信のレイテンシがボトルネックとなります。そのため、サーバー間のネットワーク帯域が確保できない広域なマルチクラウド環境下では処理遅延が顕著になります。この領域では、国内で長年の研究実績を持つNTTが、通信回数を最適化するプロトコル設計技術を保有しており、自社開発の「算師」エンジンを用いて実用的なプライバシー保護データ解析プラットフォームを展開しています。

これらに対して、ハードウェアによる隔離領域（Enclave）を利用する信頼実行環境 (TEE)（代表例：Intel SGX、AMD SEV）は、暗号化に伴う演算オーバーヘッドが数％から数十％程度に抑えられるため、パフォーマンス面では圧倒的に有利です。しかし、2018年以降に相次いで報告された「Spectre」や「Meltdown」といったCPUのサイドチャネル攻撃に対する脆弱性の懸念があり、ハードウェアベンダーによるファームウェアのアップデート追従や、パッチ適用プロセスの運用コストが発生します。また、Intel SGXの初期バージョンにおけるEnclaveメモリサイズ（128MB）の制限のように、ハードウェアの仕様に依存する制約を考慮したメモリ管理設計が求められます。

PoC（概念実証）から本番移行を失敗させないための要件定義チェックリスト

秘密計算プロジェクトにおいて、PoC段階では動作したものの、本番環境への移行フェーズで法規制への適合性不足や、データ利活用ビジネスにおける採算性の悪化によって頓挫するケースが散見されます。これを防ぐため、実務担当者は以下の「3ステップの要件定義フロー」に従って要件を整理し、検証を進める必要があります。

実務担当者がそのまま使える3ステップの要件定義フロー

1. ステップ1：データの法的性質と保護レベルの確定
   
   扱うデータが個人情報保護法における「個人情報」に該当するか、あるいは「仮名加工情報」「匿名加工情報」として処理すべきかを法務部門と合意します。秘密計算技術を用いていても、鍵の管理権限や処理プロセスによっては個人データの「第三者提供」とみなされるリスクがあるため、データライフサイクル全体を通じた暗号化の境界線を定義します。
2. ステップ2：計算処理の複雑性とリアルタイム性の定義
   
   対象となるアルゴリズムが、SQL型の単純な集計（SUM、AVERAGEなど）か、あるいはロジスティック回帰やディープラーニングなどの複雑な機械学習かを選定します。同時に、処理結果がバッチ処理（翌朝までに完了すれば良い）で許容されるのか、API経由で数秒以内にレスポンスを返す必要があるリアルタイム処理かを定義します。
3. ステップ3：信頼境界（Trust Boundary）とインフラ制約の評価
   
   計算を行うサーバー群を「誰が」「どこで」管理するかを確定します。自社と協業他社が互いを100%は信用できない状況（ゼロトラストモデル）であればマルチパーティ計算 (MPC)が適しており、パブリッククラウド事業者自体を信用しない（政府規制や業界コンプライアンス等による制約）のであれば、準同型暗号やTEEをクラウド上に構築する Confidential Computing のアプローチが最適解となります。

ベンダー選定およびPoC設計時に活用すべき比較チェックリスト

上記のフローを踏まえ、秘密計算ソリューションを導入する際の具体的な選定基準をチェックリストとして提示します。

• セキュリティ・法規制準拠性の確認
  • [ ] 個人情報保護法・GDPRへの適合性： 秘密計算で処理中のデータは、法的に「個人データ」の扱いから除外できるか。また、第三者提供の制限（法第27条）や共同利用（法第27条第5項第3号）のスキームに適合しているか。
  • [ ] 鍵管理の権限分離： 暗号化キーおよび復号キーを、クラウド事業者やシステム開発ベンダーから完全に隔離し、データ所有者側のみで管理できる仕組みが用意されているか。
  • [ ] 監査ログの担保： どのデータに対して、誰が、どのような秘密計算を実行したかを改ざん不可能な形で記録するオーディットトレイル（監査証跡）機能が備わっているか。
• パフォーマンス・拡張性の検証
  • [ ] スケーラビリティ： データ件数が100万件、1,000万件とスケールした際、処理時間やメモリ消費量が指数関数的に増加（O(N^2)など）しないか。事前にベンチマーク測定が実施可能か。
  • [ ] 既存システムとの統合容易性： 既存のデータベース（PostgreSQL、Snowflake、BigQuery等）に対して、専用のAPIやSQLインターフェース経由でシームレスにデータ利活用を行えるラッパーツールが提供されているか。
  • [ ] ネットワーク帯域の要求水準： マルチパーティ計算 (MPC)を導入する場合、ノード間のレイテンシ制限がどの程度に設定されているか。一般的なインターネット回線（WAN環境）での動作実績があるか。
• 導入・運用コストの評価
  • [ ] ライセンス・開発費用の妥当性： PoCフェーズでのスモールスタート用ライセンスと、本番環境移行時におけるボリュームライセンスの価格体系が明確に分離されているか。
  • [ ] インフラコストのシミュレーション： 準同型暗号などで発生する高負荷な演算処理により、パブリッククラウド（AWSやAzureなど）のインスタンス利用料が通常のシステム運用時と比較して何倍に膨らむか試算されているか。
  • [ ] ベンダーロックインの回避： 採用する暗号ライブラリや秘密計算スキームが国際標準（ISO/IEC 19592など）に準拠しているか、またはオープンソースソフトウェア（OSS）ベースで構成されており、特定ベンダーに依存しない運用が可能か。

よくある質問（FAQ）