FHE (mã hóa toàn đồng nhất) là một công nghệ mã hóa tiên tiến, cho phép thực hiện các phép toán trực tiếp trên dữ liệu đã được mã hóa. Điều này có nghĩa là có thể xử lý dữ liệu trong khi vẫn bảo vệ quyền riêng tư. FHE có nhiều ứng dụng tiềm năng, đặc biệt trong lĩnh vực xử lý và phân tích dữ liệu cần bảo vệ quyền riêng tư, như tài chính, chăm sóc sức khỏe, điện toán đám mây, học máy, hệ thống bỏ phiếu, Internet vạn vật, và bảo vệ quyền riêng tư blockchain. Tuy nhiên, việc thương mại hóa vẫn cần thời gian, thách thức chính là chi phí tính toán và bộ nhớ khổng lồ do thuật toán mang lại, cũng như khả năng mở rộng kém. Tiếp theo, chúng tôi sẽ giới thiệu ngắn gọn nguyên lý cơ bản của thuật toán và tập trung thảo luận về các vấn đề mà thuật toán mật mã này đang đối mặt.
Nguyên tắc cơ bản
Để thực hiện tính toán trên dữ liệu mã hóa và đạt được kết quả giống nhau, FHE sử dụng đa thức để ẩn thông tin gốc. Đa thức có thể chuyển đổi thành bài toán đại số tuyến tính hoặc bài toán tính toán vector, thuận tiện cho máy tính hiện đại thực hiện các phép toán tối ưu hóa cao như tính toán song song (.
Lấy số 2 trong tiền điện tử làm ví dụ, trong hệ thống HE đơn giản, có thể sẽ:
Chọn đa thức khóa s)x( = 3x^2 + 2x + 1
Tạo đa thức ngẫu nhiên a)x( = 2x^2 + 5x + 3
Tạo đa thức "sai số" nhỏ e)x( = -x + 2
c)x( = 2 + a)x(*s)x( + e)x(
Việc này được thực hiện để bảo vệ tính bí mật của s)x(. Chỉ cần biết s)x(, và bỏ qua những sai số nhỏ trong c)x(, là có thể thu được văn bản rõ m.
Khi chọn đa thức, cần xem xét:
Độ của đa thức thường là lũy thừa của 2, chẳng hạn như 1024/2048
Hệ số được chọn ngẫu nhiên từ trường hữu hạn q, chẳng hạn như mod 10000
Các phương án khác nhau có yêu cầu lựa chọn hệ số khác nhau.
Việc đưa vào tiếng ồn e)x( nhằm mục đích đánh lừa kẻ tấn công, ngăn chặn việc suy luận mối quan hệ giữa s)x( và c)x( thông qua việc nhập lại văn bản rõ ràng m. Ngân sách tiếng ồn )Noise Budget( là một tham số quan trọng, quyết định số lần tính toán có thể thực hiện.
Để biểu thị các phép toán như c)x( * d)x(, cần chuyển đổi chúng thành "mạch". Mô hình mạch có thể theo dõi và quản lý chính xác tiếng ồn do mỗi phép toán gây ra, đồng thời thuận tiện cho việc tăng tốc tính toán trên phần cứng chuyên dụng như ASIC, FPGA. Mạch có thể được chia thành hai loại: mạch số học và mạch Boolean.
Nhiễu là nguyên nhân chính hạn chế khả năng của thuật toán HE trong việc biểu diễn các phép tính tùy ý. Để giải quyết vấn đề này, nhiều giải pháp đã được đề xuất:
LHE: Thích hợp để thực hiện bất kỳ hàm nào trong độ sâu xác định.
Chuyển đổi khóa: Nén văn bản mã hóa, nhưng sẽ gây ra một chút nhiễu.
Chuyển đổi mô-đun: Giảm bớt số mũ q để giảm tiếng ồn
Bootstrap: Đặt lại tiếng ồn về mức ban đầu, duy trì khả năng tính toán của hệ thống
Hiện tại, các giải pháp FHE chính đều sử dụng công nghệ Bootstrap, bao gồm BGV, BFV, CKKS, TFHE.
Thách thức chính của FHE nằm ở chi phí tính toán khổng lồ của nó. Lấy ví dụ về giải mã AES-128, thời gian tính toán của phiên bản FHE khoảng 500 triệu lần so với phiên bản thông thường.
Để đối phó với thách thức này, DARPA đã khởi động chương trình Dprive vào năm 2021, với mục tiêu tăng tốc độ tính toán FHE lên 1/10 so với tính toán thông thường. Chương trình bắt đầu từ một số khía cạnh sau:
Tăng độ dài từ khóa của bộ xử lý lên 1024 bit hoặc lớn hơn
Xây dựng bộ xử lý ASIC chuyên dụng
Xây dựng kiến trúc song song MIMD
Mặc dù tiến triển chậm, công nghệ FHE vẫn có ý nghĩa đặc biệt, đặc biệt là trong việc xử lý dữ liệu nhạy cảm. Nó đặc biệt phù hợp với dữ liệu nhạy cảm quan trọng trong các lĩnh vực quốc phòng, y tế, tài chính, và càng trở nên quan trọng hơn trong thời kỳ hậu lượng tử.
Trong blockchain, FHE chủ yếu được sử dụng để bảo vệ quyền riêng tư dữ liệu, các lĩnh vực ứng dụng bao gồm quyền riêng tư trên chuỗi, quyền riêng tư dữ liệu đào tạo AI, quyền riêng tư bỏ phiếu trên chuỗi, kiểm tra giao dịch riêng tư trên chuỗi, v.v. FHE cũng được coi là một trong những giải pháp MEV tiềm năng trên chuỗi.
Tuy nhiên, giao dịch hoàn toàn mã hóa cũng sẽ mang lại một số vấn đề, chẳng hạn như sự mất mát của các ngoại tác tích cực do các bot MEV gây ra, các validator và Builder cần hoạt động trong môi trường FHE, làm tăng đáng kể yêu cầu vận hành nút và giảm thông lượng mạng.
Hiện tại, hầu hết các dự án FHE sử dụng công nghệ từ Zama, như Fhenix, Privasea, Inco Network, Mind Network, v.v. Những dự án này chủ yếu khác nhau ở mô hình kinh doanh:
Fhenix: Xây dựng Optimism Layer 2 ưu tiên quyền riêng tư
Privasea: Sử dụng FHE để thực hiện tính toán dữ liệu LLM
Zama dựa trên giải pháp TFHE, sử dụng công nghệ Bootstrap, phù hợp để xử lý các phép toán Boolean và phép toán số nguyên có độ dài thấp. Các công việc chính của nó bao gồm:
Sử dụng Rust viết lại TFHE
Phát triển công cụ Concrate, chuyển đổi Python thành mã tương đương rs-TFHE
Phát triển fhEVM, hỗ trợ hợp đồng thông minh mã hóa đầu cuối dựa trên Solidity.
Zama là sản phẩm To B, đã xây dựng một ngăn xếp phát triển blockchain + AI dựa trên TFHE khá hoàn chỉnh.
Công nghệ FHE vẫn đang ở giai đoạn đầu, phát triển không bằng công nghệ ZK. Những thách thức chính bao gồm chi phí cao, độ khó kỹ thuật cao, triển vọng thương mại không rõ ràng. Khi ngày càng nhiều vốn và sự chú ý đổ vào, dự kiến sẽ có nhiều dự án FHE xuất hiện hơn.
Việc triển khai chip FHE là điều kiện tiên quyết quan trọng cho thương mại hóa, hiện tại nhiều nhà sản xuất như Intel, Chain Reaction, Optalysys đang khám phá lĩnh vực này.
Mặc dù gặp phải những rào cản kỹ thuật, FHE như một công nghệ có triển vọng và nhu cầu rõ ràng, có thể mang lại những thay đổi sâu sắc cho các ngành quốc phòng, tài chính, y tế, v.v. Với việc triển khai các chip FHE, giải phóng dữ liệu riêng tư và kết hợp với các công nghệ như thuật toán lượng tử trong tương lai, FHE có khả năng bước vào thời điểm bùng nổ.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
13 thích
Phần thưởng
13
3
Đăng lại
Chia sẻ
Bình luận
0/400
FudVaccinator
· 8giờ trước
Toàn đồng thái toàn đồng thái bạn nói đúng cái der
Xem bản gốcTrả lời0
AirdropHunter
· 8giờ trước
Áo choàng tàng hình có thể, tôi muốn lấy dữ liệu riêng tư.
Phân tích công nghệ FHE: Mã hóa đồng cấu hoàn toàn mang đến cách mạng tính toán riêng tư cho Web3
FHE: Mặc áo choàng tàng hình của Harry Potter
FHE (mã hóa toàn đồng nhất) là một công nghệ mã hóa tiên tiến, cho phép thực hiện các phép toán trực tiếp trên dữ liệu đã được mã hóa. Điều này có nghĩa là có thể xử lý dữ liệu trong khi vẫn bảo vệ quyền riêng tư. FHE có nhiều ứng dụng tiềm năng, đặc biệt trong lĩnh vực xử lý và phân tích dữ liệu cần bảo vệ quyền riêng tư, như tài chính, chăm sóc sức khỏe, điện toán đám mây, học máy, hệ thống bỏ phiếu, Internet vạn vật, và bảo vệ quyền riêng tư blockchain. Tuy nhiên, việc thương mại hóa vẫn cần thời gian, thách thức chính là chi phí tính toán và bộ nhớ khổng lồ do thuật toán mang lại, cũng như khả năng mở rộng kém. Tiếp theo, chúng tôi sẽ giới thiệu ngắn gọn nguyên lý cơ bản của thuật toán và tập trung thảo luận về các vấn đề mà thuật toán mật mã này đang đối mặt.
Nguyên tắc cơ bản
Để thực hiện tính toán trên dữ liệu mã hóa và đạt được kết quả giống nhau, FHE sử dụng đa thức để ẩn thông tin gốc. Đa thức có thể chuyển đổi thành bài toán đại số tuyến tính hoặc bài toán tính toán vector, thuận tiện cho máy tính hiện đại thực hiện các phép toán tối ưu hóa cao như tính toán song song (.
Lấy số 2 trong tiền điện tử làm ví dụ, trong hệ thống HE đơn giản, có thể sẽ:
Việc này được thực hiện để bảo vệ tính bí mật của s)x(. Chỉ cần biết s)x(, và bỏ qua những sai số nhỏ trong c)x(, là có thể thu được văn bản rõ m.
Khi chọn đa thức, cần xem xét:
Việc đưa vào tiếng ồn e)x( nhằm mục đích đánh lừa kẻ tấn công, ngăn chặn việc suy luận mối quan hệ giữa s)x( và c)x( thông qua việc nhập lại văn bản rõ ràng m. Ngân sách tiếng ồn )Noise Budget( là một tham số quan trọng, quyết định số lần tính toán có thể thực hiện.
Để biểu thị các phép toán như c)x( * d)x(, cần chuyển đổi chúng thành "mạch". Mô hình mạch có thể theo dõi và quản lý chính xác tiếng ồn do mỗi phép toán gây ra, đồng thời thuận tiện cho việc tăng tốc tính toán trên phần cứng chuyên dụng như ASIC, FPGA. Mạch có thể được chia thành hai loại: mạch số học và mạch Boolean.
Nhiễu là nguyên nhân chính hạn chế khả năng của thuật toán HE trong việc biểu diễn các phép tính tùy ý. Để giải quyết vấn đề này, nhiều giải pháp đã được đề xuất:
Hiện tại, các giải pháp FHE chính đều sử dụng công nghệ Bootstrap, bao gồm BGV, BFV, CKKS, TFHE.
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣])https://img-cdn.gateio.im/webp-social/moments-4a7670767b0963cded31da66c52ad97e.webp(
Các vấn đề mà FHE đang phải đối mặt
Thách thức chính của FHE nằm ở chi phí tính toán khổng lồ của nó. Lấy ví dụ về giải mã AES-128, thời gian tính toán của phiên bản FHE khoảng 500 triệu lần so với phiên bản thông thường.
Để đối phó với thách thức này, DARPA đã khởi động chương trình Dprive vào năm 2021, với mục tiêu tăng tốc độ tính toán FHE lên 1/10 so với tính toán thông thường. Chương trình bắt đầu từ một số khía cạnh sau:
Mặc dù tiến triển chậm, công nghệ FHE vẫn có ý nghĩa đặc biệt, đặc biệt là trong việc xử lý dữ liệu nhạy cảm. Nó đặc biệt phù hợp với dữ liệu nhạy cảm quan trọng trong các lĩnh vực quốc phòng, y tế, tài chính, và càng trở nên quan trọng hơn trong thời kỳ hậu lượng tử.
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣])https://img-cdn.gateio.im/webp-social/moments-186e4abe7434e22b3daf0389cf199699.webp(
Sự kết hợp của blockchain
Trong blockchain, FHE chủ yếu được sử dụng để bảo vệ quyền riêng tư dữ liệu, các lĩnh vực ứng dụng bao gồm quyền riêng tư trên chuỗi, quyền riêng tư dữ liệu đào tạo AI, quyền riêng tư bỏ phiếu trên chuỗi, kiểm tra giao dịch riêng tư trên chuỗi, v.v. FHE cũng được coi là một trong những giải pháp MEV tiềm năng trên chuỗi.
Tuy nhiên, giao dịch hoàn toàn mã hóa cũng sẽ mang lại một số vấn đề, chẳng hạn như sự mất mát của các ngoại tác tích cực do các bot MEV gây ra, các validator và Builder cần hoạt động trong môi trường FHE, làm tăng đáng kể yêu cầu vận hành nút và giảm thông lượng mạng.
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣])https://img-cdn.gateio.im/webp-social/moments-673ae606fcd3769523e1a330f991464d.webp(
Dự án chính
Hiện tại, hầu hết các dự án FHE sử dụng công nghệ từ Zama, như Fhenix, Privasea, Inco Network, Mind Network, v.v. Những dự án này chủ yếu khác nhau ở mô hình kinh doanh:
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣])https://img-cdn.gateio.im/webp-social/moments-22d66cabb8f0a526bb728b7b4ced159b.webp(
) Zama
Zama dựa trên giải pháp TFHE, sử dụng công nghệ Bootstrap, phù hợp để xử lý các phép toán Boolean và phép toán số nguyên có độ dài thấp. Các công việc chính của nó bao gồm:
Zama là sản phẩm To B, đã xây dựng một ngăn xếp phát triển blockchain + AI dựa trên TFHE khá hoàn chỉnh.
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣]###https://img-cdn.gateio.im/webp-social/moments-d745afb65d7c110a6e6333a6d73b60b5.webp(
) Octra
Octra sử dụng công nghệ hypergraphs để triển khai bootstrap, cho rằng điều này có thể đạt được FHE hiệu quả hơn. Các đặc điểm của nó bao gồm:
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣]###https://img-cdn.gateio.im/webp-social/moments-99ea73218c9e569a2de152d8a37338f4.webp(
Mong đợi
Công nghệ FHE vẫn đang ở giai đoạn đầu, phát triển không bằng công nghệ ZK. Những thách thức chính bao gồm chi phí cao, độ khó kỹ thuật cao, triển vọng thương mại không rõ ràng. Khi ngày càng nhiều vốn và sự chú ý đổ vào, dự kiến sẽ có nhiều dự án FHE xuất hiện hơn.
Việc triển khai chip FHE là điều kiện tiên quyết quan trọng cho thương mại hóa, hiện tại nhiều nhà sản xuất như Intel, Chain Reaction, Optalysys đang khám phá lĩnh vực này.
Mặc dù gặp phải những rào cản kỹ thuật, FHE như một công nghệ có triển vọng và nhu cầu rõ ràng, có thể mang lại những thay đổi sâu sắc cho các ngành quốc phòng, tài chính, y tế, v.v. Với việc triển khai các chip FHE, giải phóng dữ liệu riêng tư và kết hợp với các công nghệ như thuật toán lượng tử trong tương lai, FHE có khả năng bước vào thời điểm bùng nổ.
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣])https://img-cdn.gateio.im/webp-social/moments-74c86e1ff0ef22f5aef9b5cc441d60eb.webp(
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣])https://img-cdn.gateio.im/webp-social/moments-93dd078bf652201018797c88a14203f9.webp(
![Gate Ventures研究院：FHE，披上哈利波特的隐身衣])https://img-cdn.gateio.im/webp-social/moments-ed3a576f24107d796df96ed44068e43f.webp(