10月13日現在、TrendXプラットフォーム上のBTC、ETH、TONの統計は以下の通りです。

先週のBTC議論の数は12.52,000で、前週より0.98%減少しました。先週日曜日の価格は63,916ドルで、前の日曜日より1.62%上昇しました。

先週の ETH の議論数は 3.63,000 で、前週から 3.45% 増加しました。先週日曜日の価格は 2,530 ドルで、前の日曜日から 4% 減少しました。

先週のTONのディスカッション数は782件で、前週比12.63％減でした。先週日曜日の価格は5.26ドルで、前週比0.25％減でした。

完全準同型暗号化 (FHE) は、現在の暗号化において大きな可能性を秘めたテクノロジーであり、その中心的な機能は、暗号化されたデータに対して復号化せずに直接計算を実行できることで、強力なプライバシー保護とデータ処理をサポートします。 FHEは、金融、医療、クラウドコンピューティング、機械学習、投票システム、モノのインターネット、ブロックチェーンプライバシー保護などの分野で広く使用できます。しかし、FHE には幅広い応用の可能性があるにもかかわらず、商業化の道のりでは依然として課題に直面しています。

FHEの可能性と応用シナリオ

準同型暗号の最大の利点はプライバシーの保護です。会社 A はデータを分析するために会社 B のコンピューティング能力を使用する必要があるが、会社 B がデータの特定の内容にアクセスすることを望んでいないことを想像してください。この状況では FHE が役割を果たします。A 社はデータを暗号化して計算のために B 社に送信し、計算結果は暗号化されたままにし、A 社は復号化して分析結果を取得できます。このようにして、データのプライバシーが効果的に保護され、B 社も必要なコンピューティング作業を完了できます。

このプライバシー保護メカニズムは、金融や医療などのデータに敏感な業界にとって特に重要です。さらに、クラウド コンピューティングと人工知能の発展に伴い、データ セキュリティへの注目がますます高まっています。 FHE は、これらのシナリオでマルチパーティ コンピューティング保護を提供し、すべてのパーティが個人情報を公開することなくコラボレーションを完了できるようにします。特にブロックチェーン技術において、FHE はオンチェーンのプライバシー保護やプライベート トランザクション レビューなどの機能を通じて、データ処理の透明性とセキュリティを向上させます。

FHEと他の暗号化方式の比較

Web3 分野では、FHE、ゼロ知識証明 (ZK)、マルチパーティ コンピューテーション (MPC)、および信頼できる実行環境 (TEE) が主なプライバシー保護方法です。 ZK とは異なり、FHE は、最初にデータを復号化することなく、暗号化されたデータに対してさまざまな操作を実行できます。 MPC を使用すると、当事者が個人情報を互いに共有することなく、データを暗号化しながら計算を実行できます。 TEE は安全な環境でコンピューティングを提供しますが、データ処理の柔軟性は比較的限られています。

これらの暗号化テクノロジにはそれぞれ利点がありますが、FHE は複雑なコンピューティング タスクのサポートに特に優れています。それにもかかわらず、FHE は依然として、実際のアプリケーションでは高い計算オーバーヘッドとスケーラビリティの低さという問題に直面しており、そのためリアルタイム アプリケーションでは不十分なことがよくあります。 FHE の限界と課題 FHE には強力な理論的基盤がありますが、商業用途では実際的な課題に直面しています。

  • 大規模なコンピューティング オーバーヘッド: FHE は大量のコンピューティング リソースを必要とし、暗号化されていないコンピューティングと比較してコンピューティング オーバーヘッドが大幅に増加します。高次の多項式演算の場合、処理時間が多項式に増加するため、FHE がリアルタイム計算のニーズを満たすことが困難になります。コストを削減するために、FHE は専用のハードウェア アクセラレーションに依存していますが、これにより展開の複雑さも増大します。

  • 限られた演算機能: FHE は暗号化データの加算と乗算を実行できますが、複雑な非線形演算のサポートは限られており、ディープ ニューラル ネットワークを含む人工知能アプリケーションのボトルネックとなっています。現在の FHE スキームは依然として主に線形および単純な多項式計算に適しており、非線形モデルの適用は大幅に制限されています。

  • マルチユーザー サポートの複雑さ: FHE はシングルユーザー シナリオでは良好に機能しますが、マルチユーザー データ セットが関係する場合、システムの複雑さは大幅に増加します。 2013 年に、Lopez-Alt らが提案したマルチキー FHE フレームワークでは、異なるキーを使用した暗号化されたデータ セットの操作が可能になりましたが、そのキー管理とシステム アーキテクチャは大幅に複雑になりました。

FHEと人工知能の組み合わせ

現在のデータドリブンの時代では、人工知能 (AI) が複数の分野で広く使用されていますが、ユーザーはデータプライバシーの懸念から、医療情報や財務情報などの機密データの共有に消極的です。 FHEはAI分野向けのプライバシー保護ソリューションを提供します。クラウド コンピューティングのシナリオでは、データは通常、送信および保存中に暗号化されますが、処理中はクリア テキストになることがよくあります。 FHE を通じて、ユーザー データを暗号化したまま処理できるため、データ プライバシーが確保されます。

この利点は、ユーザーが自分のデータがどのように処理されるかを知り、転送中にデータが確実に保護されるようにする権利を要求する GDPR などの規制の下では特に重要です。 FHE のエンドツーエンド暗号化により、コンプライアンスとデータ セキュリティが保証されます。

ブロックチェーン内の現在の FHE アプリケーションとプロジェクト

ブロックチェーンにおける FHE の適用は、オンチェーン プライバシー、AI トレーニング データ プライバシー、オンチェーン投票プライバシー、オンチェーン プライバシー トランザクション レビューなどのデータ プライバシーの保護に主に焦点を当てています。現在、FHE技術を活用してプライバシー保護の実現を推進するプロジェクトが数多く行われています。たとえば、Zama が構築した FHE ソリューションは、Fhenix、Privasea、IncoNetwork、MindNetwork などのプロジェクトで広く使用されています。

座間氏： TFHEテクノロジーをベースに、ブール演算と低語長の整数演算に重点を置き、ブロックチェーンやAIアプリケーション向けのFHE開発スタックを構築しています。

Octra: ブロックチェーン ネットワーク用の新しいスマート コントラクト言語と HypergraphFHE ライブラリを開発しました。

Privasea: FHE を使用して AI コンピューティング ネットワークでプライバシー保護を実現し、複数の AI モデルをサポートします。

MindNetwork: FHE と人工知能を組み合わせて、分散型でプライバシーを保護する AI 環境を提供します。

Fhenix: Ethereum のレイヤー 2 ソリューションとして、FHE ロールアップと FHE コプロセッサをサポートし、EVM と互換性があり、Solidity で書かれたスマート コントラクトをサポートします。

結論は

FHE は、暗号化されたデータに対して計算を実行できる高度なテクノロジーとして、データ プライバシーの保護において大きな利点があります。現在の FHE の商用アプリケーションは依然として高い計算オーバーヘッドと貧弱なスケーラビリティの問題に直面していますが、これらの問題はハードウェア アクセラレーションとアルゴリズムの最適化によって徐々に解決されることが期待されています。さらに、ブロックチェーン技術の発展に伴い、FHE はプライバシー保護と安全なコンピューティングにおいてますます重要な役割を果たすことになります。将来的には、FHE がプライバシー保護コンピューティングをサポートするコア テクノロジーとなり、データ セキュリティに新たな革命的なブレークスルーをもたらす可能性があります。

#AI