Na era digital, a proteção da privacidade dos dados é mais importante do que nunca. Com o rápido desenvolvimento do big data, da computação em nuvem e das tecnologias da Internet das Coisas, a coleta, o armazenamento e a análise de informações pessoais tornaram-se cada vez mais comuns. No entanto, isso também traz o risco de vazamento e uso indevido de dados.

FHE significa Fully Homomorphic Encryption, que permite que os cálculos sejam realizados diretamente nos dados criptografados, e os resultados do cálculo obtidos são consistentes com os resultados do mesmo cálculo nos dados originais. Isto significa que podemos processar e analisar os dados sem expor os dados originais, o que fornece uma nova solução para proteger a privacidade e integridade dos dados.

A base teórica do FHE remonta a 1978. Rivest et al. propuseram o primeiro problema de criptografia homomórfica. Somente em 2009 Gentry construiu um esquema de criptografia totalmente homomórfico alcançável pela primeira vez em sua tese de doutorado que a pesquisa FHE realmente começou. florescer. O esquema inicial do FHE tinha uma eficiência computacional extremamente baixa e não conseguia satisfazer as necessidades das aplicações práticas. À medida que os investigadores continuam a propor esquemas de optimização, o desempenho da investigação do FHE tem vindo a melhorar significativamente no sentido de melhorar a eficiência, reduzindo a complexidade computacional e expandindo a aplicação. cenários. desenvolvimento de direção.

Caminho de implementação técnica do FHE

Esquema FHE baseado em rede ideal

Este é atualmente reconhecido como o método de construção de FHE mais prático e eficiente. A ideia principal é utilizar a estrutura algébrica das operações em anel para completar as operações de criptografia e descriptografia através de operações modulares e fatores ideais que decompõem o anel. Esquemas representativos incluem BGV, BFV e CKKS. A vantagem de tais esquemas é maior eficiência computacional, mas a desvantagem é que eles exigem maior espaço de chave e texto cifrado.

Esquema FHE baseado em matriz

Este esquema codifica informações de texto simples em uma matriz e atinge o homomorfismo por meio de operações matriciais. As soluções representativas incluem GSW e HiNC, que são caracterizadas por alta segurança, mas baixa eficiência.

Solução FHE baseada em NTRU

NTRU (Number Theory Research Unit) possui boa estrutura algébrica e simetria cíclica, podendo construir esquemas FHE eficientes, como YASHE e NTRU-FHE. A vantagem desse tipo de esquema é que o tamanho da chave e do texto cifrado é pequeno, o que. é adequado para ambientes com restrições de recursos.

Esquema FHE baseado no aprendizado de circuitos aritméticos ruidosos (LWE/LWR)

Utilize esquemas de criptografia baseados no problema LWE/LWR, como FHEW e TFHE. Esses esquemas prestam mais atenção à inovação teórica e podem alcançar uma segurança muito forte, mas sua praticidade é limitada.

FHE vs.

FHE e ZKP são tecnologias de criptografia, mas são quase complementares.

O ZKP permite ao provador provar ao verificador que uma informação está correta sem revelar detalhes específicos. O verificador pode verificar a exatidão da informação e a integridade do cálculo sem reexecutar o cálculo. Embora o ZKP possa provar a exatidão sem vazar informações, suas entradas geralmente são em texto não criptografado, o que pode levar a vazamentos de privacidade.

A introdução do FHE pode resolver este problema. O FHE pode realizar cálculos arbitrários em dados criptografados sem descriptografia, protegendo assim a privacidade dos dados. No entanto, o problema com o FHE é que ele não consegue garantir a precisão e a confiabilidade dos cálculos. Este é exatamente o problema que o ZKP resolve.

Através da combinação técnica de FHE+ZKP, por um lado, o FHE protege a privacidade dos dados de entrada e do processo de cálculo e, por outro lado, o ZKP fornece prova criptográfica de correção, legalidade e auditabilidade para cálculos do FHE, alcançando, em última análise, uma verdadeira segurança e confiabilidade da computação de privacidade, que é muito valiosa para cenários de aplicação de proteção de privacidade, como processamento de dados confidenciais e computação cooperativa multipartidária.

ZAMA: líder da FHE

Zama é uma empresa de criptografia de código aberto que desenvolve soluções FHE de última geração para blockchain e IA. Existem quatro soluções principais de código aberto:

TFHE-rs é uma implementação Rust de criptografia totalmente homomórfica no Torus para realizar operações booleanas e inteiras em dados criptografados. A biblioteca TFHE-rs implementa a variante Zama do TFHE, que implementa todas as operações homomórficas necessárias, como adição e avaliação de função por meio de Bootstrapping Programável.

Concrete é uma estrutura FHE de código aberto que inclui um compilador TFHE como parte da estrutura, que converte código de programação regular em instruções operacionais que o computador pode executar usando FHE, permitindo que os desenvolvedores escrevam facilmente programas FHE. A computação em dados criptografados FHE pode introduzir muito ruído, levando a erros. A probabilidade de erro padrão do Concrete é muito baixa e os desenvolvedores têm a flexibilidade de modificar os parâmetros dessa probabilidade de erro.

Concrete ML é uma ferramenta de código aberto de aprendizado de máquina com preservação de privacidade (PPML) construída em Concrete. Os desenvolvedores podem integrar FHE em modelos de aprendizado de máquina sem conhecimento de criptografia.

O fhEVM introduz o FHE no ecossistema EVM, permitindo que os desenvolvedores executem contratos inteligentes criptografados na cadeia e tornando os contratos inteligentes ainda combináveis, protegendo ao mesmo tempo a privacidade dos dados na cadeia. Embora o fhEVM integre o TFHE-rs, ele também apresenta a nova biblioteca TFHE Solidity, permitindo que os desenvolvedores usem o Solidity para realizar cálculos em dados criptografados.

Fhenix: o primeiro FHE-Rollup

Fhenix é o primeiro Layer2 Rollup baseado em FHE. Ele constrói sua própria biblioteca de computação criptográfica - fheOS baseada no TFHE-rs da Zama, que contém pré-compilação de opcodes criptográficos comuns, permitindo que contratos inteligentes usem primitivos FHE na cadeia. O fheOS também é responsável pela comunicação e autenticação entre o rollup e a Threshold Service Network (TSN) para solicitações de descriptografia e recriptografia, além de provar que as solicitações de descriptografia são legítimas. A biblioteca fheOS foi projetada para ser injetada como uma extensão em qualquer versão EVM existente, tornando-a totalmente compatível com EVM.

O mecanismo de consenso da Fhenix usa o provador Nitro da Arbitrum. A razão pela qual escolhemos o método à prova de fraude é porque as estruturas subjacentes do FHE e do zkSNARK são diferentes. Usar o ZKP para verificar o FHE é muito intensivo em termos computacionais e é quase impossível de ser feito no estágio técnico atual.

A Fhenix também cooperou recentemente com a EigenLayer para desenvolver coprocessadores FHE, introduzindo a computação FHE em outras cadeias públicas, L2, L3, etc. Como o Fhenix usa prova de fraude e há um período de desafio de 7 dias, o serviço da EigenLayer pode ajudar o coprocessador a obter confirmação rápida da transação e melhorar significativamente o desempenho.

Rede Inco: Confidencialidade como Serviço

Inco é uma camada 1 de computação confiável modular que pode ser usada como uma camada de privacidade universal para Web3. Suporte fhEVM, permitindo que os desenvolvedores criem rapidamente Dapps de privacidade usando a linguagem Solidity e ferramentas de desenvolvimento no ecossistema Ethereum. Ao mesmo tempo, a Inco fornece serviços CaaS para cadeias EVM e Cosmos que não possuem criptografia nativa por meio de pontes e protocolos IBC. Os serviços CaaS incluem principalmente três funções:

Status de criptografia na cadeia: Armazene dados criptografados diretamente na cadeia, sem armazenamento fora da cadeia;

Estados criptografados combináveis: execute transições de estado em dados criptografados inteiramente em cadeia, sem descriptografia;

Aleatoriedade na cadeia: Gere números aleatórios na cadeia para aplicativos, sem a necessidade de serviços externos de aleatoriedade, e os aplicativos podem ser construídos diretamente na cadeia.

Atualmente, a Inco possui alguns casos de uso, como jogos, NFT, RWA, governança de votação, DID, etc.

Rede Mental: Camada de Reestabelecimento FHE

Mind é a primeira camada FHE Restaking adaptada para redes de IA e POS. Como camada de restabelecimento, aceita tokens de restabelecimento de empresas blue chip ETH, BTC e AI para penhor, ao mesmo tempo, como rede de verificação FHE, usa a tecnologia FHE para verificar os dados de cada nó para chegar a um consenso e garantir a integridade dos dados; e segurança. Mind fornece segurança econômica para IA descentralizada, Depin, EigenLayer AVS, Babylon AVS e principais redes de POS, mantendo o consenso e a credibilidade de todo o sistema.

Camada de restabelecimento: Coopere com EigenLayer, StakeStone, Renzo, Babylon, Ankr, etc. para obter segurança das redes Ethereum e Bitcoin; coopere com Chainlink CCIP, Connext, etc.

Camada de segurança: O validador aprimorado FHE é introduzido para garantir a criptografia ponta a ponta do processo de verificação e cálculo de consenso. A segurança é aprimorada ainda mais pela integração do módulo fhEVM da Fhenix e Inco.

Camada de consenso: introdução de um mecanismo de consenso de Prova de Inteligência (POI) projetado especificamente para tarefas de IA para garantir uma distribuição de recompensas justa e segura entre os validadores FHE. Além disso, a Mind Network está fazendo parceria com AltLayer, EigenDA e Arbitrum Orbit para lançar cadeias Rollup para aprimorar os cálculos de consenso com menor custo e desempenho mais rápido.

Privasea: Prova de Humanidade

Privasea é uma rede Depin+AI para aprendizado de máquina FHE. Sua arquitetura técnica inclui os seguintes componentes principais:

Biblioteca HESea: Esta é uma biblioteca FHE avançada que fornece funções para computação segura em dados criptografados. A biblioteca oferece suporte a vários esquemas FHE, como TFHE, CKKS, BGV/BFV, etc.

API Privasea: Esta é a interface de programação de aplicativos da rede Privasea AI, fornecendo um conjunto de funções e endpoints que simplificam o envio de dados, treinamento de modelo e previsão, e garantem a criptografia de dados durante a transmissão e processamento.

Privanetix: Esta é uma rede de computação descentralizada composta por vários nós de computação de alto desempenho que podem processar dados criptografados com eficiência. Cada nó integra a biblioteca HESea para garantir a privacidade dos dados e o desempenho da computação.

Conjunto de contratos inteligentes Privasea: um mecanismo de incentivo baseado na tecnologia blockchain, rastreando o registro e a contribuição dos nós Privanetix por meio de contratos inteligentes, verificando cálculos e distribuindo recompensas para garantir o entusiasmo e a justiça dos participantes.

A Privasea lançou o aplicativo ImHuman e desenvolveu o Proof of Human baseado em FHE, que visa provar que os usuários são humanos para proteger sua identidade digital da ameaça de robôs e falsificação de inteligência artificial. Os usuários podem verificar se são humanos reais por meio da biometria facial, gerando um NFT exclusivo que serve como prova de sua identidade humana pessoal. Usando o aplicativo ImHuman, os usuários podem confirmar sua identidade com segurança nas plataformas Web3 e Web2 sem revelar detalhes pessoais.

escreva no final

No campo do Defi, o FHE permite que transações e fluxos de capital sejam realizados sem vazamento de informações financeiras confidenciais, protegendo assim a privacidade do usuário e reduzindo os riscos de mercado. Também pode se tornar uma das formas de resolver efetivamente o problema do MEV em toda a cadeia; jogos, FHE Garante que dados como pontuações dos jogadores e progresso do jogo sejam protegidos em um estado criptografado, ao mesmo tempo que permite que a lógica do jogo seja executada na cadeia sem expor dados, aumentando a justiça e a segurança do jogo no campo da IA, FHE; permite criptografia Os dados são analisados ​​e treinados em modelo, o que não apenas protege a privacidade dos dados, mas também promove o compartilhamento e a cooperação de dados entre agências, promovendo o desenvolvimento de aplicativos de inteligência artificial mais seguros e compatíveis.

A FHE ainda enfrenta muitos desafios em termos de praticidade e eficiência, mas sua base teórica única traz esperança de superação de gargalos. No futuro, espera-se que a FHE utilize otimização de algoritmos, aceleração de hardware e outros métodos para melhorar significativamente o desempenho, expandir cenários de aplicação e fornecer uma base mais sólida para proteção da privacidade de dados e computação segura.

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