À l’ère du numérique, la protection de la confidentialité des données est plus importante que jamais. Avec le développement rapide des technologies du Big Data, du cloud computing et de l’Internet des objets, la collecte, le stockage et l’analyse d’informations personnelles sont devenus de plus en plus courants. Cependant, cela entraîne également un risque de fuite de données et d’utilisation abusive.

FHE signifie Fully Homomorphic Encryption, qui permet d'effectuer des calculs directement sur des données cryptées, et les résultats de calcul obtenus sont cohérents avec les résultats du même calcul sur les données d'origine. Cela signifie que nous pouvons traiter et analyser les données sans exposer les données originales, ce qui constitue une nouvelle solution pour protéger la confidentialité et l'intégrité des données.

Le fondement théorique de FHE remonte à 1978. Rivest et al. pour s'épanouir. Le premier système FHE présentait une efficacité de calcul extrêmement faible et ne pouvait pas répondre aux besoins des applications pratiques. À mesure que les chercheurs continuent de proposer des programmes d'optimisation, les performances de la recherche FHE s'orientent vers une amélioration de l'efficacité, une réduction de la complexité informatique et une expansion des applications. scénarios.

Le parcours de mise en œuvre technique de FHE

Schéma FHE basé sur un réseau idéal

Ceci est actuellement reconnu comme la méthode de construction FHE la plus pratique et la plus efficace. L'idée principale est d'utiliser la structure algébrique des opérations en anneau pour compléter les opérations de cryptage et de déchiffrement via des opérations modulaires et des facteurs idéaux qui décomposent l'anneau. Les schémas représentatifs incluent BGV, BFV et CKKS. L'avantage de ces schémas est une plus grande efficacité de calcul, mais l'inconvénient est qu'ils nécessitent un espace de clé et de texte chiffré plus grand.

Schéma FHE matriciel

Ce schéma code les informations en texte clair dans une matrice et réalise l'homomorphisme grâce à des opérations matricielles. Les solutions représentatives incluent GSW et HiNC, qui se caractérisent par une sécurité élevée mais une faible efficacité.

Solution FHE basée sur NTRU

NTRU (Number Theory Research Unit) possède une bonne structure algébrique et une bonne symétrie cyclique, et peut créer des schémas FHE efficaces, tels que YASHE et NTRU-FHE. est adapté à un environnement de ressources limitées.

Schéma FHE basé sur l'apprentissage de circuits arithmétiques bruités (LWE/LWR)

Utiliser des schémas de chiffrement basés sur le problème LWE/LWR, tels que FHEW et TFHE. Ces schémas accordent davantage d'attention à l'innovation théorique et peuvent atteindre une sécurité très forte, mais leur praticité est limitée.

FHE contre ZKP

FHE et ZKP sont toutes deux des technologies de cryptage, mais elles sont presque complémentaires.

ZKP permet au prouveur de prouver au vérificateur qu'une information est correcte sans révéler de détails spécifiques. Le vérificateur peut vérifier l'exactitude des informations et l'intégrité du calcul sans réexécuter le calcul. Bien que ZKP puisse prouver son exactitude sans divulguer d’informations, ses entrées sont généralement en texte clair, ce qui peut entraîner des fuites de confidentialité.

L'introduction de FHE peut résoudre ce problème. FHE peut effectuer des calculs arbitraires sur des données cryptées sans décryptage, protégeant ainsi la confidentialité des données. Cependant, le problème avec FHE est qu’il ne peut pas garantir l’exactitude et la fiabilité des calculs. C’est exactement le problème que résout ZKP.

Grâce à la combinaison technique FHE+ZKP, d'une part, FHE protège la confidentialité des données d'entrée et du processus de calcul, et d'autre part, ZKP fournit une preuve cryptographique de l'exactitude, de la légalité et de l'auditabilité des calculs FHE, garantissant ainsi une véritable sécurité. et la fiabilité. L'informatique de confidentialité, qui est très précieuse pour les scénarios d'application de protection de la vie privée tels que le traitement de données sensibles et l'informatique coopérative multipartite.

ZAMA : leader de la FHE

Zama est une société de cryptographie open source qui crée des solutions FHE de pointe pour la blockchain et l'IA. Il existe quatre principales solutions open source :

TFHE-rs est une implémentation Rust du cryptage entièrement homomorphe sur Torus pour effectuer des opérations booléennes et entières sur des données cryptées. La bibliothèque TFHE-rs implémente la variante Zama de TFHE, qui implémente toutes les opérations homomorphes requises telles que l'addition et l'évaluation de fonctions via le bootstrapping programmable.

Concrete est un framework FHE open source qui inclut un compilateur TFHE dans le framework, qui convertit le code de programmation régulier en instructions opérationnelles que l'ordinateur peut exécuter à l'aide de FHE, permettant aux développeurs d'écrire facilement des programmes FHE. Le calcul sur des données cryptées FHE peut introduire beaucoup de bruit, entraînant des erreurs. La probabilité d'erreur par défaut de Concrete est très faible, et les développeurs ont la possibilité de modifier les paramètres de cette probabilité d'erreur.

Concrete ML est un outil open source d'apprentissage automatique préservant la confidentialité (PPML) construit sur Concrete. Les développeurs peuvent intégrer FHE dans des modèles d'apprentissage automatique sans connaissances en cryptographie.

fhEVM introduit FHE dans l'écosystème EVM, permettant aux développeurs d'exécuter des contrats intelligents cryptés sur la chaîne et rendant les contrats intelligents toujours composables tout en protégeant la confidentialité des données sur la chaîne. Bien que fhEVM intègre TFHE-rs, il introduit également la nouvelle bibliothèque TFHE Solidity, permettant aux développeurs d'utiliser Solidity pour effectuer des calculs sur des données cryptées.

Fhenix : le premier FHE-Rollup

Fhenix est le premier Layer2 Rollup basé sur FHE. Il construit sa propre bibliothèque informatique cryptographique-fheOS basée sur TFHE-rs de Zama, qui contient une précompilation d'opcodes cryptographiques courants, permettant aux contrats intelligents d'utiliser les primitives FHE sur la chaîne. fheOS est également responsable de la communication et de l'authentification entre le rollup et le Threshold Service Network (TSN) pour les demandes de décryptage et de rechiffrement, ainsi que de prouver que les demandes de décryptage sont légitimes. La bibliothèque fheOS est conçue pour être injectée en tant qu'extension dans n'importe quelle version EVM existante, la rendant entièrement compatible avec EVM.

Le mécanisme de consensus de Fhenix utilise le prouveur Nitro d’Arbitrum. La raison pour laquelle nous avons choisi la méthode de preuve de fraude est que les structures sous-jacentes de FHE et de zkSNARK sont différentes. L'utilisation de ZKP pour vérifier FHE nécessite beaucoup de calculs et est presque impossible à réaliser au stade technique actuel.

Fhenix a également récemment coopéré avec EigenLayer pour développer des coprocesseurs FHE, introduisant ainsi l'informatique FHE dans d'autres chaînes publiques, L2, L3, etc. Étant donné que Fhenix utilise la preuve de fraude et qu'il existe une période de contestation de 7 jours, le service d'EigenLayer peut aider le coprocesseur à obtenir une confirmation rapide des transactions et à améliorer considérablement les performances.

图片

Inco Network : la confidentialité en tant que service

Inco est une couche informatique de confiance modulaire 1 qui peut être utilisée comme couche de confidentialité universelle pour Web3. Prend en charge fhEVM, permettant aux développeurs de créer rapidement des Dapps de confidentialité à l’aide du langage Solidity et des outils de développement de l’écosystème Ethereum. Dans le même temps, Inco fournit des services CaaS aux chaînes EVM et Cosmos qui manquent de cryptage natif via les protocoles de pontage et IBC. Les services CaaS comprennent principalement trois fonctions :

Statut de chiffrement en chaîne : stockez les données chiffrées directement sur la chaîne sans stockage hors chaîne ;

États chiffrés composables : effectuez des transitions d'état sur des données chiffrées entièrement en chaîne, sans décryptage ;

Caractère aléatoire sur la chaîne : générez des nombres aléatoires sur la chaîne pour les applications, sans avoir besoin de services aléatoires externes, et les applications peuvent être créées directement sur la chaîne.

Actuellement, Inco a quelques cas d'utilisation, tels que les jeux, NFT, RWA, gouvernance de vote, DID, etc.

图片

Réseau mental : couche de re-mise en place FHE

Mind est la première couche FHE Restaking conçue pour les réseaux IA et POS. En tant que couche de remise en jeu, il accepte les jetons de remise en gage des sociétés de premier ordre ETH, BTC et AI en même temps, en tant que réseau de vérification FHE, il utilise la technologie FHE pour vérifier les données de chaque nœud afin de parvenir à un consensus et de garantir les données ; l'intégrité et la sécurité. Mind offre une sécurité économique pour l'IA décentralisée, Depin, EigenLayer AVS, Babylon AVS et les réseaux de points de vente clés, en maintenant le consensus et la crédibilité de l'ensemble du système.

图片

Couche de restauration : coopérez avec EigenLayer, StakeStone, Renzo, Babylon, Ankr, etc. pour obtenir la sécurité des réseaux Ethereum et Bitcoin ; coopérez avec Chainlink CCIP, Connext, etc. pour réaliser une restauration à distance inter-chaînes.

Couche de sécurité : le validateur amélioré FHE est introduit pour garantir le cryptage de bout en bout du processus de vérification et de calcul du consensus. La sécurité est encore renforcée par l'intégration du module fhEVM de Fhenix et Inco.

Couche de consensus : introduction d'un mécanisme de consensus de preuve d'intelligence (POI) spécialement conçu pour les tâches d'IA afin de garantir une distribution équitable et sécurisée des récompenses entre les validateurs FHE. De plus, Mind Network s'associe à AltLayer, EigenDA et Arbitrum Orbit pour lancer des chaînes Rollup afin d'améliorer les calculs de consensus avec un coût inférieur et des performances plus rapides.

Privasea : la preuve de l'humain

Privasea est un réseau Depin+AI pour l'apprentissage automatique FHE. Son architecture technique comprend les composants de base suivants :

Bibliothèque HESea : Il s'agit d'une bibliothèque FHE avancée qui fournit des fonctions de calcul sécurisé sur des données cryptées. La bibliothèque prend en charge plusieurs schémas FHE tels que TFHE, CKKS, BGV/BFV, etc.

API Privasea : Il s'agit de l'interface de programmation d'applications du réseau Privasea AI, fournissant un ensemble de fonctions et de points de terminaison qui simplifient la soumission des données, la formation et la prédiction des modèles, et assurent le cryptage des données pendant la transmission et le traitement.

Privanetix : Il s'agit d'un réseau informatique décentralisé composé de plusieurs nœuds de calcul hautes performances capables de traiter efficacement les données cryptées. Chaque nœud intègre la bibliothèque HESea pour garantir la confidentialité des données et les performances informatiques.

Suite de contrats intelligents Privasea : Un mécanisme d'incitation basé sur la technologie blockchain, suivant l'enregistrement et la contribution des nœuds Privanetix via des contrats intelligents, vérifiant les calculs et distribuant des récompenses pour garantir l'enthousiasme et l'équité des participants.

图片

Privasea a lancé l'application ImHuman et développé Proof of Human basé sur FHE, qui vise à prouver que les utilisateurs sont humains pour protéger leur identité numérique de la menace des robots et de la contrefaçon de l'intelligence artificielle. Les utilisateurs peuvent vérifier qu'ils sont de véritables humains grâce à la biométrie faciale, générant un NFT unique qui sert de preuve de leur identité humaine personnelle. Grâce à l'application ImHuman, les utilisateurs peuvent confirmer en toute sécurité leur identité sur les plateformes Web3 et Web2 sans révéler de détails personnels.


écris à la fin

Dans le domaine de Defi, FHE permet d'effectuer des transactions et des flux de capitaux sans divulguer d'informations financières sensibles, protégeant ainsi la vie privée des utilisateurs et réduisant les risques de marché. Cela peut également devenir l'un des moyens de résoudre efficacement le problème du MEV dans l'ensemble de la chaîne. jeux, FHE Il garantit que les données telles que les scores des joueurs et la progression du jeu sont protégées dans un état crypté, tout en permettant à la logique du jeu de s'exécuter sur la chaîne sans exposer les données, améliorant ainsi l'équité et la sécurité du jeu dans le domaine de l'IA, FHE ; permet le cryptage Les données sont analysées et formées sur des modèles, ce qui non seulement protège la confidentialité des données, mais favorise également le partage et la coopération de données entre agences, favorisant ainsi le développement d'applications d'intelligence artificielle plus sûres et plus conformes.

FHE est encore confronté à de nombreux défis en termes de praticité et d’efficacité, mais sa base théorique unique laisse espérer qu’il sera possible de surmonter les goulots d’étranglement. À l'avenir, FHE devrait utiliser l'optimisation des algorithmes, l'accélération matérielle et d'autres méthodes pour améliorer considérablement les performances, élargir les scénarios d'application et fournir une base plus solide pour la protection de la confidentialité des données et l'informatique sécurisée.

Texte original : https://substack.com/home/post/p-145686552