En la era digital, la protección de la privacidad de los datos es más importante que nunca. Con el rápido desarrollo de las tecnologías de big data, computación en la nube y Internet de las cosas, la recopilación, el almacenamiento y el análisis de información personal se han vuelto cada vez más comunes. Sin embargo, esto también conlleva el riesgo de fuga y uso indebido de datos.
FHE significa cifrado totalmente homomórfico, que permite realizar cálculos directamente sobre datos cifrados, y los resultados del cálculo obtenidos son consistentes con los resultados del mismo cálculo sobre los datos originales. Esto significa que podemos procesar y analizar los datos sin exponer los datos originales, lo que proporciona una nueva solución para proteger la privacidad e integridad de los datos.
La base teórica de FHE se remonta a 1978. Rivest et al. propusieron el primer problema de cifrado homomórfico. No fue hasta 2009 que Gentry construyó por primera vez un esquema de cifrado totalmente homomórfico alcanzable en su tesis doctoral que realmente comenzó la investigación de FHE. para florecer. El primer esquema FHE tenía una eficiencia computacional extremadamente baja y no podía satisfacer las necesidades de las aplicaciones prácticas. A medida que los investigadores continúan proponiendo esquemas de optimización, el rendimiento de FHE ha mejorado significativamente. La investigación de FHE avanza hacia la mejora de la eficiencia, la reducción de la complejidad computacional y la expansión de la aplicación. escenarios. dirección desarrollo.
El camino de implementación técnica de FHE
Esquema FHE basado en red ideal.
Actualmente, este se reconoce como el método de construcción de FHE más práctico y eficiente. La idea principal es utilizar la estructura algebraica de las operaciones en anillo para completar las operaciones de cifrado y descifrado mediante operaciones modulares y factores ideales que descomponen el anillo. Los esquemas representativos incluyen BGV, BFV y CKKS. La ventaja de dichos esquemas es una mayor eficiencia computacional, pero la desventaja es que requieren un mayor espacio de claves y texto cifrado.
Esquema FHE basado en matrices
Este esquema codifica información de texto plano en una matriz y logra el homomorfismo mediante operaciones matriciales. Las soluciones representativas incluyen GSW y HiNC, que se caracterizan por su alta seguridad pero baja eficiencia.
Solución FHE basada en NTRU
NTRU (Unidad de Investigación de Teoría de Números) tiene una buena estructura algebraica y simetría cíclica, y puede construir esquemas FHE eficientes, como YASHE y NTRU-FHE. La ventaja de este tipo de esquema es que el tamaño de la clave y el texto cifrado es pequeño, lo que. Es adecuado para las limitaciones de recursos.
Esquema FHE basado en el aprendizaje de circuitos aritméticos ruidosos (LWE/LWR)
Utilice esquemas de cifrado construidos sobre la base de problemas LWE/LWR, como FHEW y TFHE. Estos esquemas prestan más atención a la innovación teórica y pueden lograr una seguridad muy sólida, pero su practicidad es limitada.
FHE contra ZKP
FHE y ZKP son tecnologías de cifrado, pero casi complementarias.
ZKP permite al probador demostrarle al verificador que una información es correcta sin revelar detalles específicos. El verificador puede verificar la exactitud de la información y la integridad del cálculo sin volver a ejecutar el cálculo. Aunque ZKP puede demostrar que es correcto sin filtrar información, sus entradas suelen estar en texto claro, lo que puede provocar filtraciones de privacidad.
La introducción de FHE puede resolver este problema. FHE puede realizar cálculos arbitrarios en datos cifrados sin descifrarlos, protegiendo así la privacidad de los datos. Sin embargo, el problema con FHE es que no puede garantizar la precisión y fiabilidad de los cálculos. Éste es exactamente el problema que resuelve ZKP.
A través de la combinación técnica de FHE+ZKP, por un lado, FHE protege la privacidad de los datos de entrada y del proceso de cálculo y, por otro lado, ZKP proporciona pruebas criptográficas de exactitud, legalidad y auditabilidad para los cálculos de FHE, logrando en última instancia una verdadera seguridad. y confiabilidad, que es muy valiosa para escenarios de aplicaciones de protección de la privacidad, como el procesamiento de datos confidenciales y la computación cooperativa multipartita.
ZAMA: líder de la FHE
Zama es una empresa de criptografía de código abierto que crea soluciones FHE de última generación para blockchain e inteligencia artificial. Hay cuatro soluciones principales de código abierto:
TFHE-rs es una implementación Rust de cifrado totalmente homomórfico en Torus para realizar operaciones booleanas y enteras en datos cifrados. La biblioteca TFHE-rs implementa la variante Zama de TFHE, que implementa todas las operaciones homomórficas requeridas, como la suma y la evaluación de funciones mediante arranque programable.
Concrete es un marco FHE de código abierto que incluye un compilador TFHE como parte del marco, que convierte el código de programación normal en instrucciones operativas que la computadora puede ejecutar usando FHE, lo que permite a los desarrolladores escribir programas FHE fácilmente. La computación con datos cifrados FHE puede introducir mucho ruido, lo que genera errores. La probabilidad de error predeterminada de Concrete es muy baja y los desarrolladores tienen la flexibilidad de modificar los parámetros de esta probabilidad de error.
Concrete ML es una herramienta de código abierto de aprendizaje automático que preserva la privacidad (PPML) construida en Concrete. Los desarrolladores pueden integrar FHE en modelos de aprendizaje automático sin conocimientos de criptografía.
fhEVM introduce FHE en el ecosistema EVM, lo que permite a los desarrolladores ejecutar contratos inteligentes cifrados en la cadena y hacer que los contratos inteligentes sigan componibles mientras se protege la privacidad de los datos en la cadena. Si bien fhEVM integra TFHE-rs, también presenta la nueva biblioteca TFHE Solidity, que permite a los desarrolladores utilizar Solidity para realizar cálculos con datos cifrados.
Fhenix: el primer FHE-Rollup
Fhenix es el primer Layer2 Rollup basado en FHE. Construye su propia biblioteca de computación criptográfica, fheOS, basada en TFHE-rs de Zama, que contiene una precompilación de códigos de operación criptográficos comunes, lo que permite que los contratos inteligentes utilicen primitivas FHE en la cadena. fheOS también es responsable de la comunicación y autenticación entre el paquete acumulativo y la Red de Servicio de Umbral (TSN) para solicitudes de descifrado y recifrado, además de demostrar que las solicitudes de descifrado son legítimas. La biblioteca fheOS está diseñada para insertarse como una extensión en cualquier versión de EVM existente, haciéndola totalmente compatible con EVM.
El mecanismo de consenso de Fhenix utiliza el probador Nitro de Arbitrum. La razón por la que elegimos el método a prueba de fraude es porque las estructuras subyacentes de FHE y zkSNARK son diferentes. El uso de ZKP para verificar FHE requiere mucha computación y es casi imposible de realizar en la etapa técnica actual.
Fhenix también ha cooperado recientemente con EigenLayer para desarrollar coprocesadores FHE, introduciendo la informática FHE a otras cadenas públicas, L2, L3, etc. Dado que Fhenix utiliza prueba de fraude y hay un período de desafío de 7 días, el servicio de EigenLayer puede ayudar al coprocesador a lograr una confirmación rápida de la transacción y mejorar significativamente el rendimiento.
Inco Network: La confidencialidad como servicio
Inco es una capa informática modular confiable de Capa 1 que se puede utilizar como una capa de privacidad universal para Web3. Admite fhEVM, lo que permite a los desarrolladores crear rápidamente Dapps de privacidad utilizando el lenguaje Solidity y las herramientas de desarrollo en el ecosistema Ethereum. Al mismo tiempo, Inco proporciona servicios CaaS a cadenas EVM y Cosmos que carecen de cifrado nativo a través de protocolos puente e IBC. Los servicios CaaS incluyen principalmente tres funciones:
Estado de cifrado en cadena: almacene datos cifrados directamente en la cadena sin almacenamiento fuera de la cadena;
Estados cifrados componibles: realice transiciones de estado en datos cifrados completamente en cadena, sin descifrar;
Aleatoriedad en cadena: genere números aleatorios en la cadena para aplicaciones, sin la necesidad de servicios de aleatoriedad externos, y las aplicaciones se pueden crear directamente en la cadena.
Actualmente, Inco tiene algunos casos de uso, como juegos, NFT, RWA, gobernanza de votaciones, DID, etc.
Mind Network: Capa de restablecimiento de FHE
Mind es la primera capa de recuperación de FHE diseñada para redes de IA y POS. Como capa de recuperación, acepta tokens de recuperación de compañías de primera línea de ETH, BTC y AI como promesa al mismo tiempo, como red de verificación FHE, utiliza tecnología FHE para verificar los datos de cada nodo para llegar a un consenso y garantizar la integridad de los datos; y seguridad. Mind proporciona seguridad económica para AI descentralizada, Depin, EigenLayer AVS, Babylon AVS y redes POS clave, manteniendo el consenso y la credibilidad de todo el sistema.
Capa de restauración: coopere con EigenLayer, StakeStone, Renzo, Babylon, Ankr, etc. para obtener seguridad de las redes Ethereum y Bitcoin; coopere con Chainlink CCIP, Connext, etc. para lograr una restauración remota entre cadenas.
Capa de seguridad: se introduce el validador mejorado FHE para garantizar el cifrado de extremo a extremo del proceso de verificación y cálculo de consenso. La seguridad se mejora aún más mediante la integración del módulo fhEVM de Fhenix e Inco.
Capa de consenso: introducción de un mecanismo de consenso de prueba de inteligencia (POI) diseñado específicamente para tareas de IA para garantizar una distribución justa y segura de recompensas entre los validadores de FHE. Además, Mind Network se está asociando con AltLayer, EigenDA y Arbitrum Orbit para lanzar cadenas Rollup para mejorar los cálculos de consenso con menor costo y rendimiento más rápido.
Privasea: Prueba de la existencia humana
Privasea es una red Depin+AI para el aprendizaje automático FHE. Su arquitectura técnica incluye los siguientes componentes principales:
Biblioteca HESea: esta es una biblioteca FHE avanzada que proporciona funciones para el cálculo seguro de datos cifrados. La biblioteca admite múltiples esquemas FHE como TFHE, CKKS, BGV/BFV, etc.
Privasea API: esta es la interfaz de programación de aplicaciones de la red Privasea AI, que proporciona un conjunto de funciones y puntos finales que simplifican el envío de datos, el entrenamiento y la predicción de modelos, y garantizan el cifrado de datos durante la transmisión y el procesamiento.
Privanetix: se trata de una red informática descentralizada compuesta por múltiples nodos informáticos de alto rendimiento que pueden procesar datos cifrados de manera eficiente. Cada nodo integra la biblioteca HESea para garantizar la privacidad de los datos y el rendimiento informático.
Suite de contratos inteligentes Privasea: un mecanismo de incentivos basado en la tecnología blockchain, que rastrea el registro y la contribución de los nodos Privanetix a través de contratos inteligentes, verifica los cálculos y distribuye recompensas para garantizar el entusiasmo y la equidad de los participantes.
Privasea lanzó la aplicación ImHuman y desarrolló Proof of Human basada en FHE, cuyo objetivo es demostrar que los usuarios son humanos para proteger su identidad digital de la amenaza de los robots y la falsificación de inteligencia artificial. Los usuarios pueden verificar que son un ser humano real a través de biometría facial, generando un NFT único que sirve como prueba de su identidad humana personal. Con la aplicación ImHuman, los usuarios pueden confirmar de forma segura su identidad en las plataformas Web3 y Web2 sin revelar datos personales.
escribe al final
En el campo de Defi, FHE permite que se realicen transacciones y flujos de capital sin filtrar información financiera confidencial, protegiendo así la privacidad del usuario y reduciendo los riesgos del mercado. También puede convertirse en una de las formas de resolver eficazmente el problema de MEV en toda la cadena. juegos, FHE Garantiza que datos como las puntuaciones de los jugadores y el progreso del juego estén protegidos en un estado cifrado, al tiempo que permite que la lógica del juego se ejecute en la cadena sin exponer datos, mejorando la equidad y seguridad del juego en el campo de la IA, FHE; permite el cifrado Los datos se analizan y se entrenan en modelos, lo que no solo protege la privacidad de los datos, sino que también promueve el intercambio y la cooperación de datos entre agencias, promoviendo el desarrollo de aplicaciones de inteligencia artificial más seguras y compatibles.
FHE todavía enfrenta muchos desafíos en términos de practicidad y eficiencia, pero su base teórica única trae esperanzas para superar los obstáculos. En el futuro, se espera que FHE utilice optimización de algoritmos, aceleración de hardware y otros métodos para mejorar significativamente el rendimiento, ampliar los escenarios de aplicaciones y proporcionar una base más sólida para la protección de la privacidad de los datos y la informática segura.
Texto original: https://substack.com/home/post/p-145686552