في العصر الرقمي، أصبحت حماية خصوصية البيانات أكثر أهمية من أي وقت مضى. مع التطور السريع للبيانات الضخمة والحوسبة السحابية وتقنيات إنترنت الأشياء، أصبح جمع المعلومات الشخصية وتخزينها وتحليلها أمرًا شائعًا بشكل متزايد. ومع ذلك، فإن هذا يؤدي أيضًا إلى خطر تسرب البيانات وإساءة استخدامها.

يرمز FHE إلى Fully Homomorphic Encryption، والذي يسمح بإجراء العمليات الحسابية مباشرة على البيانات المشفرة، وتكون نتائج الحساب التي تم الحصول عليها متوافقة مع نتائج نفس الحساب على البيانات الأصلية. وهذا يعني أنه يمكننا معالجة البيانات وتحليلها دون الكشف عن البيانات الأصلية، مما يوفر حلاً جديدًا لحماية خصوصية البيانات وسلامتها.

يمكن إرجاع الأساس النظري لـ FHE إلى عام 1978، عندما اقترح Rivest وآخرون مسألة التشفير المتماثل الأولى. وحتى عام 2009، قام Gentry في أطروحته للدكتوراه ببناء أول مخطط للتشفير المتماثل القابل للتحقيق، ومن ثم بدأ بحث FHE في التطور بشكل حقيقي ومزدهر. كانت كفاءة حساب مخططات FHE المبكرة منخفضة جدًا ولا تلبّي متطلبات التطبيقات العملية. ومع استمرار طرح الباحثين لمخططات محسّنة، تحسنت أداء FHE بشكل ملحوظ. يتجه بحث FHE حاليًا نحو رفع الكفاءة وتقليل تعقيد الحوسبة وتوسيع نطاق سيناريوهات التطبيقات.

مسار التنفيذ التقني لـ FHE

مخططات FHE مبنية على شبكات مثالية

هذا هو حاليًا الأسلوب الأكثر قبولًا على نطاق واسع والأكثر عملية وكفاءة لبناء FHE. وتتلخص الفكرة الرئيسية في الاستفادة من البنية الجبرية لعمليات الحلقات (ring operations)، وذلك عبر عمليات الجمع/الطرح (modular) وتحلل العوامل المثالية في الحلقة لإنجاز عمليات التشفير وفك التشفير. ومن المخططات الممثلة: BGV وBFV وCKKS وغيرها. تتمثل ميزة هذه الفئات في كفاءة الحسابات المرتفعة، بينما تتمثل العيوب في الحاجة إلى مفاتيح ومساحة نص مشفر أكبر.

مخططات FHE قائمة على المصفوفات

يعمل هذا المخطط على ترميز المعلومات النصية (plaintext) داخل مصفوفة، ويحقق التماثلية عبر عمليات المصفوفة. ومن المخططات الممثلة: GSW وHiNC وغيرها. تتميز هذه المخططات بأنها عالية الأمان جدًا، لكنها أقل كفاءة.

مخططات FHE مبنية على NTRU

تمتلك NTRU (وحدة أبحاث نظرية الأعداد) بنية جبرية ودورية جيدة، ويمكنها بناء مخططات FHE فعّالة مثل YASHE وNTRU-FHE وغيرها. تتمثل ميزة هذه الفئات في أن أحجام المفاتيح والنصوص المشفّرة صغيرة نسبيًا، مما يجعلها مناسبة للبيئات محدودة الموارد.

مخططات FHE مبنية على دوائر حساب الضوضاء المتعلمة (LWE/LWR)

مخططات مبنية على مشاكل LWE/LWR الصعبة، مثل FHEW وTFHE وغيرها. تركز هذه الفئات أكثر على الابتكار النظري، ويمكنها تحقيق أمان قوي جدًا، لكن فعاليتها العملية محدودة.

FHE مقابل ZKP

كل من FHE وZKP هما تقنيتا تشفير، لكنهما تقريبًا متكاملتان.

تسمح ZKP للمدّعي بإثبات صحة معلومة للمدقق دون كشف التفاصيل المحددة. لا يحتاج المدقق إلى إعادة تنفيذ الحساب للتحقق من صحة المعلومة واكتمال الحساب. ورغم أن ZKP يمكنها إثبات الصحة دون كشف المعلومات، إلا أن مدخلاتها غالبًا ما تكون في صورة نص صريح (plaintext)، ما قد يؤدي إلى تسريب الخصوصية.

يمكن إدخال FHE لحل هذه المشكلة: إذ يمكن لـ FHE تنفيذ أي عملية على البيانات المشفرة دون الحاجة إلى فك التشفير، وبالتالي يحمي خصوصية البيانات. لكن المشكلة في FHE هي عدم القدرة على ضمان صحة الحساب وموثوقيته. وهذه بالضبط هي التي تعالجها ZKP.

من خلال الجمع بين تقنيات FHE وZKP: من ناحية، تحمي FHE خصوصية بيانات الإدخال وعملية الحوسبة. ومن ناحية أخرى، توفر ZKP أدلة تشفيرية على الصحة والشرعية وقابلية التدقيق لحسابات FHE. وبالنتيجة، يتحقق نوع من الحوسبة الخصوصية الآمنة والمُوثوقة فعلاً. وهذا ذو قيمة كبيرة لسيناريوهات تطبيقات حماية الخصوصية مثل معالجة البيانات الحساسة والحوسبة التعاونية متعددة الأطراف.

ZAMA: قائد/رائد FHE

Zama شركة تشفير مفتوحة المصدر تبني حلول FHE متقدمة لسلاسل البلوك تشين والذكاء الاصطناعي. تمتلك أساسًا أربع حلول مفتوحة المصدر:

TFHE-rs هو تشفير متماثل بالكامل (Fully Homomorphic Encryption) على Torus بتطبيق بلغة Rust، يُستخدم لإجراء عمليات منطقية وعمليات على الأعداد الصحيحة على بيانات مشفرة. تقوم مكتبة TFHE-rs بتنفيذ متغير TFHE من Zama، وهي تنفّذ كل عمليات التماثل المطلوبة، مثل إجراء عمليات الجمع وتقييم الدوال عبر 可 برمجة自_bootstrapping (Programmable Bootstrapping).

Concrete هو إطار عمل مفتوح المصدر لـ FHE، ويتضمن مُترجم TFHE كجزء من الإطار. يقوم هذا المُترجم بتحويل كود برمجي تقليدي إلى تعليمات قابلة للتنفيذ يمكن للحاسوب إجراءها باستخدام FHE، ما يمكّن المطورين من كتابة برامج FHE بسهولة. قد يؤدي إجراء الحساب على بيانات FHE المشفرة إلى إدخال كمية كبيرة من الضوضاء، مما يؤدي إلى أخطاء. تكون احتمالية الخطأ الافتراضية في Concrete منخفضة جدًا، ويمكن للمطورين تعديل هذا الاحتمال المرنّ من خلال معاملات قابلة للتخصيص.

Concrete ML هي أداة مفتوحة المصدر لتعلم الآلة لحماية الخصوصية (PPML) مبنية على Concrete. يمكن للمطورين دمج FHE في نماذج تعلم الآلة دون الحاجة إلى معرفة بالتشفير.

يقوم fhEVM بإدخال FHE إلى نظام EVM البيئي، بحيث يمكن للمطورين تنفيذ عقود ذكية مشفرة على السلسلة. ومع الحفاظ على شرط خصوصية بيانات السلسلة، تظل العقود الذكية قابلة للتركيب (composability). وبالإضافة إلى دمجه مع TFHE-rs، يقدّم fhEVM مكتبة جديدة لـ TFHE Solidity، ما يسمح للمطورين بإجراء الحساب على البيانات المشفرة باستخدام Solidity.

Fhenix：أول رول أب مبني على FHE

Fhenix هو أول Layer2 Rollup مبني على FHE. تم بناؤه بالاعتماد على TFHE-rs من Zama، ويستخدم مكتبة حساب تشفير خاصة به—fheOS—تتضمن وحدات ما قبل الترجمة (precompiled) لأكواد تشفير شائعة، ما يسمح للعقود الذكية باستخدام بدائيات FHE على السلسلة. كما تتولى مكتبة fheOS مسؤولية التواصل والتحقق من الهوية بين rollup وشبكة خدمات العتبة (TSN)، وذلك لتنفيذ طلبات فك التشفير وإعادة التشفير، مع إثبات أن طلبات فك التشفير قانونية. تهدف مكتبة fheOS إلى أن تُحقن كامتداد داخل أي إصدار موجود من EVM، وهي متوافقة بالكامل مع EVM.

تعتمد آلية الإجماع الخاصة بـ Fhenix على مُبرهن Nitro من Arbitrum. تم اختيار طريقة الإثبات الاحتيالي (fraud) لأن البنية الأساسية لـ FHE ليست نفسها بنية zkSNARK، ومن غير الممكن تقريبًا، في مرحلة التقنية الحالية، التحقق من مقدار حساب FHE عبر ZKP بطريقة عملية للغاية.

قام Fhenix مؤخرًا أيضًا بالتعاون مع EigenLayer لتطوير مرافقات (coprocessors) لـ FHE، وذلك لإدخال حسابات FHE إلى سلاسل عامة أخرى وL2 وL3 وغيرها. وبما أن Fhenix يستخدم إثباتات الاحتيال، توجد فترة تحدي مدتها 7 أيام. تساعد خدمات EigenLayer المُعالج/المُساعد (coprocessor) على تحقيق تأكيد سريع للمعاملات، مما يعزز الأداء بشكل ملحوظ.

Inco Network: السرّية كخدمة

Inco عبارة عن طبقة 1 حوسبة موثوقة معيارية قابلة للعمل كطبقة خصوصية عامة لـ Web3. تدعم fhEVM، ما يتيح للمطورين استخدام لغة Solidity وأدوات التطوير في نظام إيثيريوم البيئي لبناء تطبيقات خصوصية Dapp بسرعة. كما يوفر Inco خدمة CaaS عبر الجسور وبروتوكول IBC إلى سلاسل EVM وCosmos التي تفتقر إلى التشفير الأصلي. تتكون خدمة CaaS بشكل أساسي من ثلاث وظائف:

حالة تشفير على السلسلة: تخزين البيانات المشفرة مباشرة على السلسلة دون الحاجة إلى تخزين خارج السلسلة؛

حالة تشفير قابلة للتركيب: تنفيذ تحويلات الحالة على البيانات المشفرة بالكامل على السلسلة دون الحاجة إلى فك التشفير؛

عشوائية على السلسلة: توليد أرقام عشوائية للتطبيقات على السلسلة دون الحاجة إلى خدمة عشوائية خارجية، ما يتيح بناء التطبيقات مباشرة على السلسلة.

حاليًا، لدى Inco بعض حالات الاستخدام مثل الألعاب وNFT وRWA والحوكمة بالتصويت وDID وغيرها.

Mind Network: طبقة إعادة التجميع عبر FHE

Mind هي أول طبقة Restaking لـ FHE مصممة خصيصًا لشبكات AI وPOS. بوصفها طبقة Restaking، تستقبل رموز restaking من شركات ETH وBTC وشركات أسهم/Blue Chips في قطاع AI لتقوم بإجراء الرهن. وفي الوقت نفسه، بوصفها شبكة تحقق لـ FHE، تستخدم تقنيات FHE للتحقق من أن بيانات كل عقدة تتوافق على الإجماع، بما يضمن سلامة البيانات وأمانها. توفر Mind ضمانًا أمنيًا اقتصاديًا للذكاء الاصطناعي اللامركزي وDepin وEigenLayer AVS وBabylon AVS وشبكات POS الحيوية، وتحافظ على إجماع النظام بأكمله وموثوقيته.

طبقة Restaking: بالشراكة مع EigenLayer وStakeStone وRenzo وBabylon وAnkr وغيرها، للحصول على الأمان من شبكات الإيثيريوم والبيتكوين. وبالشراكة مع Chainlink CCIP وConnext وغيرها لتحقيق Restaking عن بعد عبر السلاسل.

طبقة الأمان: إدخال مُحقق مُعزز بـ FHE للتأكد من أن عملية التحقق والتوافق تتم عبر تشفير من طرف إلى طرف. ومن خلال دمج وحدات fhEVM من Fhenix وInco، يتم تعزيز الأمان بشكل أكبر.

طبقة الإجماع: تقديم آلية إجماع Proof of Intelligence (POI) مصممة خصيصًا لمهام الذكاء الاصطناعي، لضمان توزيع المكافآت بشكل عادل وآمن بين مُحققي FHE. بالإضافة إلى ذلك، تعمل Mind Network حاليًا مع AltLayer وEigenDA وArbitrum Orbit لإطلاق سلسلة Rollup، لتعزيز حسابات الإجماع بتكلفة أقل وأداء أسرع.

Privasea: Proof of Human

Privasea هي شبكة Depin+AI مخصصة لـ FHE لتعلم الآلة. تشمل البنية التقنية المكونات الأساسية التالية:

مكتبة HESea: هي مكتبة FHE متقدمة توفر وظائف للحوسبة الآمنة على البيانات المشفرة. تدعم هذه المكتبة عدة مخططات FHE، مثل TFHE وCKKS وBGV/BFV وغيرها.

واجهة Privasea API: هي واجهة برمجة تطبيقات لشبكة Privasea AI، توفر مجموعة من الوظائف ونقاط النهاية (endpoints) لتبسيط عمليات إرسال البيانات وتدريب النماذج والتنبؤ، مع ضمان تشفير البيانات أثناء نقلها ومعالجتها.

Privanetix: هذه شبكة حوسبة لامركزية تتكون من عدة عقد حوسبة عالية الأداء، ويمكنها معالجة البيانات المشفرة بكفاءة. يقوم كل عقدة بدمج مكتبة HESea لضمان خصوصية البيانات وأداء الحوسبة.

مجموعة عقود Privasea الذكية: آلية حوافز مبنية على تقنية البلوك تشين. تقوم العقود الذكية بتتبع تسجيل ومساهمات عقد Privanetix، والتحقق من الحساب وتوزيع المكافآت، بما يضمن حماس المشاركين وعدالة التوزيع.

أطلقت Privasea تطبيق ImHuman. تم تطوير Proof of Human بناءً على FHE بهدف إثبات أن المستخدم إنسان، لحماية هويته الرقمية من تهديدات تقليد الروبوتات والذكاء الاصطناعي. يمكن للمستخدم التحقق من أنه إنسان حقيقي عبر تقنيات التعرف على السمات/الخصائص الوجهية (التعرّف الوجهي) لتوليد NFT فريد بوصفه شهادة لهويته البشرية. باستخدام تطبيق ImHuman، يمكن للمستخدم تأكيد هويته بأمان على منصات Web3 وWeb2 دون كشف تفاصيل شخصية.

مكتوب في النهاية

في مجال DeFi، يتيح FHE إجراء المعاملات وتحركات الأموال دون كشف المعلومات المالية الحساسة، وبذلك يحمي خصوصية المستخدم ويقلل مخاطر السوق، وقد يصبح أيضًا إحدى الطرق الفعالة لحل مشكلة MEV. في ألعاب السلسلة الكاملة، يضمن FHE حماية بيانات مثل نقاط اللاعب وتقدم اللعبة وهي في حالة مشفرة، وفي الوقت نفسه يسمح بمنطق اللعبة بالعمل على السلسلة دون كشف البيانات، ما يعزز عدالة وأمان اللعبة. وفي مجال الذكاء الاصطناعي، يتيح FHE تحليل البيانات المشفرة وتدريب النماذج؛ وهذا لا يحمي خصوصية البيانات فقط، بل يعزز أيضًا مشاركة البيانات والتعاون عبر المؤسسات، ويدفع نحو تطوير تطبيقات ذكاء اصطناعي أكثر أمانًا وأكثر امتثالًا.

ما يزال FHE يواجه تحديات عديدة من حيث العملية والكفاءة، لكن أسسه النظرية الفريدة تمنح الأمل لتجاوز العقبات. في المستقبل، من المتوقع أن يرفع FHE الأداء بشكل كبير ويُوسّع حالات الاستخدام من خلال تحسين الخوارزميات والتسريع عبر العتاد وغيرها، مما يوفر أساسًا أكثر صلابة لحماية خصوصية البيانات والحوسبة الآمنة.

النص الأصلي: https://substack.com/home/post/p-145686552