Im digitalen Zeitalter ist der Schutz der Privatsphäre wichtiger denn je. Mit der rasanten Entwicklung von Big Data, Cloud Computing und Internet-of-Things-Technologien ist die Erfassung, Speicherung und Analyse personenbezogener Daten immer häufiger geworden. Allerdings birgt dies auch das Risiko von Datenlecks und -missbrauch.

FHE steht für Fully Homomorphic Encryption und ermöglicht die direkte Durchführung von Berechnungen mit verschlüsselten Daten. Die erhaltenen Berechnungsergebnisse stimmen mit den Ergebnissen derselben Berechnung mit den Originaldaten überein. Das bedeutet, dass wir die Daten verarbeiten und analysieren können, ohne die Originaldaten offenzulegen, was eine neue Lösung zum Schutz der Privatsphäre und -integrität darstellt.

Die theoretische Grundlage von FHE reicht bis ins Jahr 1978 zurück, als Rivest und andere das erste homomorphe Verschlüsselungsproblem vorschlugen. Erst 2009 konstruierte Gentry in seiner Dissertation das erste praktisch umsetzbare vollhomomorphe Verschlüsselungsschema, und die Forschung zu FHE begann wirklich zu florieren. Frühe FHE-Schemata hatten eine extrem niedrige Berechnungseffizienz und konnten die Anforderungen der praktischen Anwendung nicht erfüllen. Mit den fortlaufenden Optimierungsvorschlägen von Forschern hat sich die Leistung von FHE erheblich verbessert. Die Forschung zu FHE entwickelt sich in Richtung Effizienzsteigerung, Reduzierung der Berechnungskomplexität und Erweiterung der Anwendungsbereiche.

Technische Implementierungswege von FHE

FHE-Schema basierend auf idealen Gitter

Dies ist derzeit die allgemein anerkannten praktischste und effizienteste FHE-Konstruktionsweise. Der Hauptgedanke besteht darin, die algebraische Struktur der Ringoperationen zu nutzen, um Verschlüsselungs- und Entschlüsselungsoperationen mittels Moduloperationen und der Zerlegung idealer Faktoren abzuschließen. Repräsentative Schemata sind BGV, BFV und CKKS usw., deren Vorteile in der hohen Berechnungseffizienz liegen, während die Nachteile ein größerer Schlüssel- und Chiffrauraum sind.

Matrix-basiertes FHE-Schema

Dieses Schema kodiert Klartextinformationen in Matrizen und erreicht Homomorphismus durch Matrixoperationen. Repräsentative Schemata sind GSW und HiNC usw., die sich durch hohe Sicherheit, aber geringe Effizienz auszeichnen.

FHE-Schema basierend auf NTRU

NTRU (Number Theory Research Unit) hat eine gute algebraische Struktur und zyklische Symmetrie, die effiziente FHE-Schemata wie YASHE und NTRU-FHE ermöglichen. Diese Schemata haben den Vorteil, dass die Schlüssel und die Größe der Chiffren relativ klein sind und sich gut für ressourcenbeschränkte Umgebungen eignen.

FHE-Schema basierend auf Lernenden mit Rausch-Arithmetik-Schaltungen (LWE/LWR)

Verschlüsselungsschemata, die auf dem LWE/LWR-Probleme basieren, wie FHEW und TFHE, konzentrieren sich stärker auf theoretische Innovationen, was sehr starke Sicherheit ermöglicht, aber eine begrenzte Praktikabilität aufweist.

FHE vs. ZKP

FHE und ZKP sind beide Verschlüsselungstechnologien, aber sie sind nahezu komplementär.

ZKP ermöglicht es dem Beweisführer, dem Verifizierer zu beweisen, dass eine Information korrekt ist, ohne spezifische Details preiszugeben; der Verifizierer muss keine Berechnung erneut ausführen, um die Richtigkeit der Informationen und die Integrität der Berechnung zu bestätigen. Obwohl ZKP die Korrektheit ohne Preisgabe von Informationen nachweisen kann, sind die Eingaben in der Regel im Klartextformat, was zu einem möglichen Datenschutzverlust führen kann.

Die Einführung von FHE kann dieses Problem lösen, da FHE auf verschlüsselten Daten beliebige Berechnungen durchführen kann, ohne sie zu entschlüsseln, wodurch die Datenprivatsphäre geschützt wird. Das Problem von FHE besteht jedoch darin, dass die Korrektheit und Zuverlässigkeit der Berechnungen nicht gewährleistet werden können, was das ZKP-Problem löst.

Durch die technische Kombination von FHE+ZKP schützt FHE einerseits die Privatsphäre der Eingabedaten und des Berechnungsprozesses, während ZKP andererseits FHE-Berechnungen mit kryptographischen Nachweisen für Korrektheit, Legalität und Auditierbarkeit versorgt, um letztlich wirklich sichere und vertrauenswürdige Datenschutzzählungen zu ermöglichen, was für sensitive Datenverarbeitung, Multi-Party-Kollaboration und andere Datenschutzanwendungen von großem Wert ist.

ZAMA: FHE-Pionier

Zama ist ein Open-Source-Kryptografieunternehmen, das modernste FHE-Lösungen für Blockchain und KI entwickelt. Es bietet hauptsächlich vier Open-Source-Lösungen an:

TFHE-rs ist eine Rust-Implementierung von vollhomomorpher Verschlüsselung auf Torus zur Durchführung von Boolean- und Ganzzahloperationen auf verschlüsselten Daten. Die TFHE-rs-Bibliothek implementiert die Zama-Variante von TFHE und führt alle erforderlichen homomorphen Operationen durch, wie z.B. Addition und Funktionsauswertung durch programmierbares Bootstrapping.

Concrete ist ein Open-Source-FHE-Framework, das einen TFHE-Compiler als Teil des Frameworks enthält, der normalen Programmiercode in ausführbare Anweisungen umwandelt, die von FHE verwendet werden können, sodass Entwickler FHE-Programme einfach schreiben können. Berechnungen auf FHE-verschlüsselten Daten können viel Rauschen einführen, was zu Fehlern führen kann. Die Standardfehlerwahrscheinlichkeit von Concrete ist sehr niedrig, und Entwickler können die Parameter dieser Fehlerwahrscheinlichkeit flexibel anpassen.

Concrete ML ist ein Open-Source-Tool für privatsphärenschützendes maschinelles Lernen (PPML), das auf Concrete basiert. Entwickler können FHE in Modelle für maschinelles Lernen integrieren, ohne kryptographisches Wissen zu benötigen.

fhEVM bringt FHE in das EVM-Ökosystem, sodass Entwickler verschlüsselte Smart Contracts on-chain ausführen können, während die Privatsphäre der Daten auf der Kette gewahrt bleibt und die Smart Contracts weiterhin Kombinierbarkeit besitzen. fhEVM integriert TFHE-rs und führt gleichzeitig die neue TFHE Solidity-Bibliothek ein, die es Entwicklern ermöglicht, mit Solidity auf verschlüsselten Daten zu rechnen.

Fhenix: Das erste FHE-Rollup

Fhenix ist das erste Layer2-Rollup, das auf FHE basiert und eine eigene verschlüsselte Bereitstellung mit der auf Zama basierenden TFHE-rs erstellt hat - fheOS, das vorkompilierte Operationen für gängige Verschlüsselungsoperationen enthält, sodass Smart Contracts FHE-Primitive on-chain verwenden können. fheOS ist auch für die Kommunikation und Authentifizierung zwischen Rollup und dem Threshold-Service-Netzwerk (TSN) verantwortlich, um Entschlüsselungs- und Wiederverschlüsselungsanfragen durchzuführen und gleichzeitig zu beweisen, dass die Entschlüsselungsanfragen legitim sind. Die fheOS-Bibliothek ist darauf ausgelegt, in jede bestehende EVM-Version integriert zu werden und ist vollständig mit der EVM kompatibel.

Der Konsensmechanismus von Fhenix verwendet den Nitro-Validator von Arbitrum. Der Grund, warum eine betrügerische Nachweismethode gewählt wurde, liegt darin, dass die zugrunde liegende Struktur von FHE und zkSNARK unterschiedlich ist. Die Verwendung von ZKP zur Validierung von FHE-Berechnungen ist aufgrund der enormen Menge an Berechnungen, die erforderlich sind, in der aktuellen technischen Phase praktisch unmöglich.

Fhenix hat kürzlich mit EigenLayer zusammengearbeitet, um FHE-Koprozessoren zu entwickeln, die FHE-Berechnungen in andere öffentliche Ketten, L2, L3 usw. einführen. Da Fhenix Betrugsbeweise verwendet, gibt es eine 7-tägige Anfechtungsfrist. Der Service von EigenLayer hilft den Koprozessoren, schnelle Transaktionsbestätigungen zu erreichen und die Leistung erheblich zu steigern.

Inco Network: Vertraulichkeit als Dienstleistung

Inco ist eine modulare vertrauenswürdige Berechnung Layer1 und dient als allgemeine Datenschutzschicht für Web3. Es unterstützt fhEVM, sodass Entwickler schnell Datenschutz-Dapps mit der Programmiersprache Solidity und den Entwicklungstools des Ethereum-Ökosystems erstellen können. Gleichzeitig bietet Inco über Brücken- und IBC-Protokolle CaaS-Dienste für EVM- und Cosmos-Ketten, die über keine native Verschlüsselung verfügen. Die CaaS-Dienste umfassen hauptsächlich drei Funktionen:

On-Chain-Verschlüsselungszustände: Verschlüsselte Daten werden direkt on-chain gespeichert, ohne off-chain Speicherung;

Kombinierbare verschlüsselte Zustände: Vollständige on-chain Zustandstransformation von verschlüsselten Daten ohne Entschlüsselung;

On-Chain-Zufälligkeit: Erzeugung von Zufallszahlen für Anwendungen on-chain ohne externe Zufallsdienstleistung, um Anwendungen direkt on-chain zu erstellen.

Derzeit hat Inco bereits einige Anwendungsfälle wie Spiele, NFTs, RWA, Abstimmungsgovernance, DID usw.

Mind Network: FHE Restaking Layer

Mind ist die erste FHE-Restaking-Schicht, die speziell für KI und POS-Netzwerke entwickelt wurde. Als Restaking-Schicht akzeptiert sie Restaking-Token von ETH, BTC und KI-Blauchip-Unternehmen zum Staken; gleichzeitig fungiert sie als FHE-Validierungsnetzwerk, das FHE-Technologie zur Verifizierung der Konsensbildung zwischen den Knoten verwendet und die Integrität und Sicherheit der Daten gewährleistet. Mind bietet wirtschaftliche Sicherheitsgarantien für dezentralisierte KI, Depin, EigenLayer AVS, Babylon AVS und kritische POS-Netzwerke und sorgt für den Konsens und die Vertrauenswürdigkeit des gesamten Systems.

Restaking-Schicht: Zusammenarbeit mit EigenLayer, StakeStone, Renzo, Babylon, Ankr usw., um Sicherheit von Ethereum- und Bitcoin-Netzwerken zu erhalten; Zusammenarbeit mit Chainlink CCIP, Connext usw. zur Realisierung von cross-chain remote restaking.

Sicherheitsschicht: Einführung von FHE zur Verbesserung von Validierern, um den Verifikations- und Konsensprozess end-to-end-verschlüsselt zu gewährleisten, und durch die Integration der fhEVM-Module von Fhenix und Inco die Sicherheit weiter zu erhöhen.

Konsensschicht: Einführung eines speziell für KI-Aufgaben entwickelten Proof of Intelligence (POI) Konsensmechanismus, um eine faire und sichere Belohnungsverteilung unter FHE-Verifizierern zu gewährleisten. Darüber hinaus arbeitet das Mind Network mit AltLayer, EigenDA und Arbitrum Orbit zusammen, um Rollup-Ketten einzuführen, die die Konsensberechnung mit niedrigeren Kosten und schnellerer Leistung verbessern.

Privasea: Proof of Human

Privasea ist ein Netzwerk für FHE-Maschinenlernen in einem Depin+AI-Netzwerk, dessen technische Architektur folgende Kernkomponenten umfasst:

HESea-Bibliothek: Dies ist eine fortschrittliche FHE-Bibliothek, die sichere Berechnungen auf verschlüsselten Daten ermöglicht. Diese Bibliothek unterstützt verschiedene FHE-Schemata wie TFHE, CKKS, BGV/BFV usw.

Privasea API: Dies ist die Anwendungsprogrammierschnittstelle des Privasea AI Netzwerks, die eine Reihe von Funktionen und Endpunkten bietet, um die Datenübermittlung, Modellausbildung und Vorhersagevorgänge zu vereinfachen und sicherzustellen, dass die Daten während der Übertragung und Verarbeitung verschlüsselt sind.

Privanetix: Dies ist ein dezentrales Rechennetzwerk, das aus mehreren hochleistungsfähigen Rechenknoten besteht, die in der Lage sind, verschlüsselte Daten effizient zu verarbeiten. Jeder Knoten integriert die HESea-Bibliothek, um die Datensicherheit und die Rechenleistung zu gewährleisten.

Privasea Smart Contract Suite: Ein Anreizsystem auf Basis von Blockchain-Technologie, das über Smart Contracts die Registrierung und den Beitrag von Privanetix-Knoten verfolgt, Berechnungen verifiziert und Belohnungen verteilt, um die Beteiligung und Fairness der Teilnehmer zu gewährleisten.

Privasea hat die ImHuman-Anwendung eingeführt, die auf FHE basiert und Proof of Human entwickelt hat, um zu beweisen, dass die Benutzer Menschen sind und ihre digitale Identität vor Bedrohungen durch Roboter und künstliche Intelligenz zu schützen. Benutzer können ihre menschliche Identität durch Gesichtserkennungstechnologie verifizieren und ein einzigartiges NFT generieren, das als Nachweis ihrer individuellen menschlichen Identität dient. Mit der ImHuman-Anwendung können Benutzer ihre Identität auf Web3- und Web2-Plattformen sicher bestätigen, ohne persönliche Details preiszugeben.

Zuletzt geschrieben

Im DeFi-Bereich ermöglicht FHE Transaktionen und Geldflüsse, ohne sensible finanzielle Informationen preiszugeben, wodurch die Privatsphäre der Benutzer geschützt und das Marktrisiko verringert wird. Es könnte auch eine der effektiven Methoden zur Lösung des MEV-Problems werden. Im gesamten Chain-Gaming sorgt FHE dafür, dass die Punktzahlen und Fortschritte der Spieler in verschlüsseltem Zustand geschützt werden, während die Spiel-Logik auf der Kette ausgeführt wird, ohne die Daten offenzulegen, was die Fairness und Sicherheit des Spiels erhöht. Im KI-Bereich ermöglicht FHE die Analyse und das Training von Modellen auf verschlüsselten Daten, was nicht nur die Datenprivatsphäre schützt, sondern auch den Datenaustausch und die Zusammenarbeit zwischen Institutionen fördert und die Entwicklung von sichereren und konformeren KI-Anwendungen vorantreibt.

FHE steht in Bezug auf Praktikabilität und Effizienz weiterhin vor vielen Herausforderungen, aber seine einzigartige theoretische Grundlage bringt Hoffnung zur Überwindung der Engpässe. In Zukunft wird erwartet, dass FHE durch Algorithmusoptimierungen, Hardwarebeschleunigungen und andere Ansätze die Leistung erheblich steigern und die Anwendungsbereiche erweitern kann, um eine solidere Grundlage für den Datenschutz und sichere Berechnungen zu bieten.

Originalartikel: https://substack.com/home/post/p-145686552