Di era digital, perlindungan privasi data menjadi lebih penting dari sebelumnya. Dengan pesatnya perkembangan teknologi big data, komputasi awan, dan Internet of Things, pengumpulan, penyimpanan, dan analisis informasi pribadi menjadi semakin umum. Namun, hal ini juga membawa risiko kebocoran dan penyalahgunaan data.
FHE adalah singkatan dari Fully Homomorphic Encryption, yang memungkinkan perhitungan dilakukan langsung pada data terenkripsi, dan hasil perhitungan yang diperoleh konsisten dengan hasil perhitungan yang sama pada data asli. Artinya, kami dapat memproses dan menganalisis data tanpa memaparkan data asli, sehingga memberikan solusi baru untuk melindungi privasi dan integritas data.
Landasan teoritis FHE dapat ditelusuri kembali ke tahun 1978. Rivest dkk. mengusulkan masalah enkripsi homomorfik pertama hingga tahun 2009 Gentry membangun skema enkripsi homomorfik penuh yang dapat dicapai untuk pertama kalinya dalam tesis doktoralnya, penelitian FHE benar-benar dimulai. untuk berkembang. Skema FHE awal memiliki efisiensi komputasi yang sangat rendah dan tidak dapat memenuhi kebutuhan aplikasi praktis. Ketika para peneliti terus mengusulkan skema optimasi, kinerja FHE telah meningkat secara signifikan. Penelitian FHE bergerak menuju peningkatan efisiensi, mengurangi kompleksitas komputasi dan memperluas aplikasi skenario. arah pengembangan.
jalur implementasi teknis FHE
Skema FHE berdasarkan kisi ideal
Ini saat ini diakui sebagai metode konstruksi FHE yang paling praktis dan efisien. Ide utamanya adalah menggunakan struktur aljabar operasi ring untuk menyelesaikan operasi enkripsi dan dekripsi melalui operasi modular dan faktor ideal yang menguraikan ring. Skema representatif mencakup BGV, BFV, dan CKKS. Keuntungan skema tersebut adalah efisiensi komputasi yang lebih tinggi, namun kelemahannya adalah memerlukan ruang kunci dan teks tersandi yang lebih besar.
Skema FHE berbasis matriks
Skema ini mengkodekan informasi teks biasa ke dalam matriks dan mencapai homomorfisme melalui operasi matriks. Solusi representatif mencakup GSW dan HiNC, yang memiliki ciri keamanan tinggi namun efisiensi rendah.
Solusi FHE berbasis NTRU
NTRU (Unit Penelitian Teori Angka) memiliki struktur aljabar dan simetri siklik yang baik, serta dapat membangun skema FHE yang efisien, seperti YASHE dan NTRU-FHE cocok untuk lingkungan dengan sumber daya terbatas.
Skema FHE berdasarkan pembelajaran rangkaian aritmatika berisik (LWE/LWR)
Memanfaatkan skema enkripsi berdasarkan masalah LWE/LWR, seperti FHEW dan TFHE. Skema ini lebih memperhatikan inovasi teoretis dan dapat mencapai keamanan yang sangat kuat, namun kepraktisannya terbatas.
FHE vs.ZKP
FHE dan ZKP keduanya merupakan teknologi enkripsi, namun hampir saling melengkapi.
ZKP memungkinkan pembuktian untuk membuktikan kepada verifikator bahwa suatu informasi adalah benar tanpa mengungkapkan rincian spesifik. Verifikator dapat memverifikasi kebenaran informasi dan integritas penghitungan tanpa melakukan kembali penghitungan. Meskipun ZKP dapat membuktikan kebenarannya tanpa membocorkan informasi, masukannya biasanya dalam bentuk teks yang jelas, yang dapat menyebabkan kebocoran privasi.
Pengenalan FHE dapat mengatasi masalah ini. FHE dapat melakukan penghitungan sewenang-wenang pada data terenkripsi tanpa dekripsi, sehingga melindungi privasi data. Namun, masalah dengan FHE adalah ia tidak dapat menjamin keakuratan dan keandalan penghitungan. Inilah masalah yang dipecahkan oleh ZKP.
Melalui kombinasi teknis FHE+ZKP, di satu sisi, FHE melindungi privasi data masukan dan proses penghitungan, dan di sisi lain, ZKP memberikan bukti kriptografi atas kebenaran, legalitas, dan kemampuan audit untuk penghitungan FHE, sehingga pada akhirnya mencapai keamanan sejati dan kepercayaan. Komputasi privasi, yang sangat berharga untuk skenario aplikasi perlindungan privasi seperti pemrosesan data sensitif dan komputasi kooperatif multi-pihak.
ZAMA: Pemimpin FHE
Zama adalah perusahaan kriptografi sumber terbuka yang membangun solusi FHE canggih untuk blockchain dan AI. Ada empat solusi sumber terbuka utama:
TFHE-rs adalah implementasi Rust dari enkripsi homomorfik sepenuhnya di Torus untuk melakukan operasi boolean dan integer pada data terenkripsi. Pustaka TFHE-rs mengimplementasikan varian Zama dari TFHE, yang mengimplementasikan semua operasi homomorfik yang diperlukan seperti penambahan dan evaluasi fungsi melalui Programmable Bootstrapping.
Concrete adalah kerangka kerja FHE sumber terbuka yang menyertakan kompiler TFHE sebagai bagian dari kerangka kerja tersebut, yang mengubah kode pemrograman biasa menjadi instruksi operasional yang dapat dijalankan komputer menggunakan FHE, sehingga memungkinkan pengembang menulis program FHE dengan mudah. Komputasi pada data terenkripsi FHE dapat menimbulkan banyak gangguan, yang menyebabkan kesalahan. Kemungkinan kesalahan default Concrete sangat rendah, dan pengembang memiliki fleksibilitas untuk mengubah parameter kemungkinan kesalahan ini.
Concrete ML adalah alat open source pembelajaran mesin pelestarian privasi (PPML) yang dibangun di atas Concrete. Pengembang dapat mengintegrasikan FHE ke dalam model pembelajaran mesin tanpa pengetahuan kriptografi.
fhEVM memperkenalkan FHE ke dalam ekosistem EVM, memungkinkan pengembang untuk mengeksekusi kontrak pintar terenkripsi pada rantai, dan membuat kontrak pintar tetap dapat disusun sekaligus melindungi privasi data pada rantai. Meskipun fhEVM mengintegrasikan TFHE-rs, fhEVM juga memperkenalkan pustaka TFHE Solidity baru, yang memungkinkan pengembang menggunakan Solidity untuk melakukan penghitungan pada data terenkripsi.
Phoenix: FHE-Rollup pertama
Fhenix adalah Layer2 Rollup pertama berdasarkan FHE. Ia membangun perpustakaan komputasi kriptografinya sendiri-fheOS berdasarkan TFHE-rs Zama, yang berisi prakompilasi opcode kriptografi umum, memungkinkan kontrak pintar untuk menggunakan primitif FHE pada rantai. fheOS juga bertanggung jawab atas komunikasi dan autentikasi antara rollup dan Threshold Service Network (TSN) untuk permintaan dekripsi dan enkripsi ulang, serta membuktikan bahwa permintaan dekripsi adalah sah. Pustaka fheOS dirancang untuk dimasukkan sebagai ekstensi ke versi EVM yang ada, sehingga sepenuhnya kompatibel dengan EVM.
Mekanisme konsensus Fhenix menggunakan pembuktian Nitro Arbitrum. Alasan mengapa kami memilih metode anti penipuan adalah karena struktur dasar FHE dan zkSNARK berbeda. Penggunaan ZKP untuk memverifikasi FHE sangat intensif secara komputasi dan hampir tidak mungkin dilakukan pada tahap teknis saat ini.
Fhenix juga baru-baru ini bekerja sama dengan EigenLayer untuk mengembangkan koprosesor FHE, memperkenalkan komputasi FHE ke rantai publik lainnya, L2, L3, dll. Karena Fhenix menggunakan bukti penipuan dan terdapat periode tantangan 7 hari, layanan EigenLayer dapat membantu co-processor mencapai konfirmasi transaksi dengan cepat dan meningkatkan kinerja secara signifikan.
Jaringan Inco: Kerahasiaan sebagai Layanan
Inco adalah lapisan komputasi tepercaya modular 1 yang dapat digunakan sebagai lapisan privasi universal untuk Web3. Mendukung fhEVM, memungkinkan pengembang dengan cepat membangun Dapps privasi menggunakan bahasa Soliditas dan alat pengembangan di ekosistem Ethereum. Pada saat yang sama, Inco menyediakan layanan CaaS untuk EVM dan rantai Cosmos yang tidak memiliki enkripsi asli melalui protokol bridging dan IBC. Layanan CaaS terutama mencakup tiga fungsi:
Status enkripsi on-chain: Menyimpan data terenkripsi langsung di rantai tanpa penyimpanan di luar rantai;
Status terenkripsi yang dapat disusun: Melakukan transisi status pada data terenkripsi sepenuhnya secara on-chain, tanpa dekripsi;
Keacakan on-chain: Menghasilkan angka acak untuk aplikasi di rantai, tanpa memerlukan layanan keacakan eksternal, dan aplikasi dapat dibangun langsung di rantai.
Saat ini Inco memiliki beberapa use case, seperti game, NFT, ATMR, tata kelola voting, DID, dll.
Jaringan Pikiran: Lapisan Pemulihan FHE
Mind adalah lapisan FHE Restaking pertama yang dirancang untuk jaringan AI dan POS. Sebagai lapisan penyetelan ulang, ia menerima token penyetelan ulang dari perusahaan blue-chip ETH, BTC, dan AI untuk dijanjikan; pada saat yang sama, sebagai jaringan verifikasi FHE, ia menggunakan teknologi FHE untuk memverifikasi data setiap node guna mencapai konsensus dan memastikan data. integritas dan keamanan. Mind memberikan keamanan ekonomi untuk AI, Depin, EigenLayer AVS, Babylon AVS, dan jaringan POS utama yang terdesentralisasi, menjaga konsensus dan kredibilitas seluruh sistem.
Lapisan penyetelan ulang: Bekerja sama dengan EigenLayer, StakeStone, Renzo, Babylon, Ankr, dll. untuk mendapatkan keamanan dari jaringan Ethereum dan Bitcoin; bekerja sama dengan Chainlink CCIP, Connext, dll. untuk mencapai penyetelan ulang jarak jauh lintas rantai.
Lapisan keamanan: Validator yang ditingkatkan FHE diperkenalkan untuk memastikan enkripsi ujung ke ujung pada proses verifikasi dan penghitungan konsensus. Keamanan semakin ditingkatkan dengan mengintegrasikan modul fhEVM dari Fhenix dan Inco.
Lapisan konsensus: Memperkenalkan mekanisme konsensus Proof of Intelligence (POI) yang dirancang khusus untuk tugas AI guna memastikan distribusi hadiah yang adil dan aman di antara validator FHE. Selain itu, Mind Network bermitra dengan AltLayer, EigenDA, dan Arbitrum Orbit untuk meluncurkan rantai Rollup guna meningkatkan perhitungan konsensus dengan biaya lebih rendah dan kinerja lebih cepat.
Privasea: Bukti Kemanusiaan
Privasea adalah jaringan Depin+AI untuk pembelajaran mesin FHE. Arsitektur teknisnya mencakup komponen inti berikut:
Perpustakaan HESea: Ini adalah perpustakaan FHE canggih yang menyediakan fungsi untuk komputasi aman pada data terenkripsi. Perpustakaan mendukung beberapa skema FHE seperti TFHE, CKKS, BGV/BFV, dll.
Privasea API: Ini adalah antarmuka pemrograman aplikasi jaringan Privasea AI, menyediakan serangkaian fungsi dan titik akhir yang menyederhanakan pengiriman data, pelatihan model dan prediksi, serta memastikan enkripsi data selama transmisi dan pemrosesan.
Privanetix: Ini adalah jaringan komputasi terdesentralisasi yang terdiri dari beberapa node komputasi berkinerja tinggi yang dapat memproses data terenkripsi secara efisien. Setiap node mengintegrasikan perpustakaan HESea untuk memastikan privasi data dan kinerja komputasi.
Paket kontrak pintar Privasea: Mekanisme insentif berdasarkan teknologi blockchain, melacak pendaftaran dan kontribusi node Privanetix melalui kontrak pintar, memverifikasi perhitungan dan mendistribusikan hadiah untuk memastikan antusiasme dan keadilan peserta.
Privasea meluncurkan aplikasi ImHuman dan mengembangkan Proof of Human berbasis FHE yang bertujuan untuk membuktikan bahwa pengguna adalah manusia untuk melindungi identitas digitalnya dari ancaman robot dan pemalsuan kecerdasan buatan. Pengguna dapat memverifikasi bahwa mereka adalah manusia nyata melalui biometrik wajah, menghasilkan NFT unik yang berfungsi sebagai bukti identitas pribadi manusia mereka. Dengan menggunakan aplikasi ImHuman, pengguna dapat mengonfirmasi identitas mereka dengan aman di seluruh platform Web3 dan Web2 tanpa mengungkapkan detail pribadi.
tulis di akhir
Di bidang Defi, FHE memungkinkan transaksi dan aliran modal dilakukan tanpa membocorkan informasi keuangan sensitif, sehingga melindungi privasi pengguna dan mengurangi risiko pasar permainan, FHE Pastikan data pemain seperti skor dan kemajuan permainan dilindungi dalam keadaan terenkripsi, sementara Hal ini memungkinkan logika game berjalan dalam rantai tanpa mengekspos data, meningkatkan keadilan dan keamanan game di bidang AI, FHE memungkinkan analisis dan pelatihan model data terenkripsi, yang tidak hanya melindungi privasi data, tetapi juga mempromosikannya. berbagi dan kerja sama data lintas lembaga serta mendorong pengembangan aplikasi kecerdasan buatan yang lebih aman dan patuh.
FHE masih menghadapi banyak tantangan dalam hal kepraktisan dan efisiensi, namun landasan teorinya yang unik memberikan harapan untuk mengatasi hambatan. Di masa depan, FHE diharapkan menggunakan optimalisasi algoritme, akselerasi perangkat keras, dan metode lain untuk meningkatkan kinerja secara signifikan, memperluas skenario aplikasi, dan memberikan landasan yang lebih kokoh untuk perlindungan privasi data dan komputasi yang aman.
Teks asli: https://substack.com/home/post/p-145686552