В эпоху цифровых технологий защита конфиденциальности данных важна как никогда. С быстрым развитием больших данных, облачных вычислений и технологий Интернета вещей сбор, хранение и анализ личной информации становятся все более распространенным явлением. Однако это также сопряжено с риском утечки и неправильного использования данных.
FHE означает «полное гомоморфное шифрование», которое позволяет выполнять вычисления непосредственно с зашифрованными данными, при этом полученные результаты вычислений согласуются с результатами тех же вычислений с исходными данными. Это означает, что мы можем обрабатывать и анализировать данные, не раскрывая исходные данные, что обеспечивает новое решение для защиты конфиденциальности и целостности данных.
Теоретические основы FHE можно проследить до 1978 года. Ривест и др. предложили первую проблему гомоморфного шифрования. Лишь в 2009 году Джентри впервые в своей докторской диссертации построил достижимую полностью гомоморфную схему шифрования, и исследования FHE действительно начались. процветать. Ранняя схема FHE имела чрезвычайно низкую вычислительную эффективность и не могла удовлетворить потребности практических приложений. Поскольку исследователи продолжают предлагать схемы оптимизации, производительность FHE значительно улучшилась. Исследования FHE движутся в направлении повышения эффективности, снижения сложности вычислений и расширения применения. сценарии, направление развития.
Путь технической реализации FHE
Схема ФТЭ на основе идеальной решетки
В настоящее время это признано наиболее практичным и эффективным методом построения FHE. Основная идея заключается в использовании алгебраической структуры кольцевых операций для выполнения операций шифрования и дешифрования с помощью модульных операций и идеальных факторов, разлагающих кольцо. Типичные схемы включают BGV, BFV и CKKS. Преимуществом таких схем является более высокая вычислительная эффективность, но недостатком является то, что они требуют большего пространства для ключей и зашифрованного текста.
Матричная схема FHE
Эта схема кодирует информацию открытого текста в матрицу и обеспечивает гомоморфизм посредством матричных операций. Типичными решениями являются GSW и HiNC, которые характеризуются высокой безопасностью, но низкой эффективностью.
Решение FHE на базе NTRU
NTRU (Отдел исследования теории чисел) имеет хорошую алгебраическую структуру и циклическую симметрию и может создавать эффективные схемы FHE, такие как YASHE и NTRU-FHE. Преимущество этого типа схемы заключается в том, что размер ключа и зашифрованного текста невелик. подходит для среды с ограниченными ресурсами.
Схема FHE, основанная на обучении шумных арифметических схем (LWE/LWR)
Используйте схемы шифрования, созданные на основе проблем LWE/LWR, такие как FHEW и TFHE. Эти схемы уделяют больше внимания теоретическим инновациям и могут обеспечить очень высокий уровень безопасности, но их практичность ограничена.
ФХЭ против ЗКП
И FHE, и ZKP являются технологиями шифрования, но они практически дополняют друг друга.
ZKP позволяет проверяющему доказать проверяющему, что информация верна, не раскрывая конкретных деталей. Верификатор может проверить правильность информации и целостность расчета без повторного выполнения расчета. Хотя ZKP может доказать правильность без утечки информации, его входные данные обычно подаются в виде открытого текста, что может привести к утечке конфиденциальной информации.
Внедрение FHE может решить эту проблему. FHE может выполнять произвольные вычисления с зашифрованными данными без расшифровки, тем самым защищая конфиденциальность данных. Однако проблема FHE в том, что он не может обеспечить точность и надежность расчетов. Именно эту проблему и решает ZKP.
Благодаря техническому сочетанию FHE+ZKP, с одной стороны, FHE защищает конфиденциальность входных данных и процесса вычислений, а с другой стороны, ZKP обеспечивает криптографическое доказательство правильности, законности и проверяемости вычислений FHE, в конечном итоге достигая истинной безопасности. и надежность вычислений конфиденциальности, что очень ценно для сценариев приложений защиты конфиденциальности, таких как обработка конфиденциальных данных и многосторонние совместные вычисления.
ЗАМА: лидер FHE
Zama — криптографическая компания с открытым исходным кодом, создающая современные решения FHE для блокчейна и искусственного интеллекта. Существует четыре основных решения с открытым исходным кодом:
TFHE-rs — это реализация полностью гомоморфного шифрования на Torus на Rust для выполнения логических и целочисленных операций над зашифрованными данными. Библиотека TFHE-rs реализует вариант TFHE Zama, который реализует все необходимые гомоморфные операции, такие как сложение и вычисление функций, с помощью программируемой начальной загрузки.
Concrete — это платформа FHE с открытым исходным кодом, которая включает в себя компилятор TFHE как часть платформы, которая преобразует обычный программный код в операционные инструкции, которые компьютер может выполнять с помощью FHE, что позволяет разработчикам легко писать программы FHE. Вычисления на основе зашифрованных данных FHE могут привести к большому количеству шума, что приводит к ошибкам. Вероятность ошибки по умолчанию в Concrete очень мала, и разработчики имеют возможность изменять параметры этой вероятности ошибки.
Concrete ML — это инструмент с открытым исходным кодом для машинного обучения (PPML), созданный на базе Concrete. Разработчики могут интегрировать FHE в модели машинного обучения без знаний криптографии.
fhEVM вводит FHE в экосистему EVM, позволяя разработчикам выполнять зашифрованные смарт-контракты в цепочке и делая смарт-контракты по-прежнему компонуемыми, одновременно защищая конфиденциальность данных в цепочке. Хотя fhEVM интегрирует TFHE-rs, он также представляет новую библиотеку TFHE Solidity, позволяющую разработчикам использовать Solidity для выполнения вычислений над зашифрованными данными.
Fhenix: первый накопительный пакет FHE
Fhenix — это первый накопительный пакет уровня 2 на основе FHE. Он создает собственную библиотеку криптографических вычислений — fheOS на основе TFHE-rs от Zama, которая содержит предварительную компиляцию общих криптографических кодов операций, что позволяет смарт-контрактам использовать примитивы FHE в цепочке. fheOS также отвечает за связь и аутентификацию между объединением и сетью пороговых служб (TSN) для запросов на дешифрование и повторное шифрование, а также за подтверждение законности запросов на дешифрование. Библиотека fheOS предназначена для внедрения в качестве расширения в любую существующую версию EVM, что делает ее полностью совместимой с EVM.
Механизм консенсуса Fhenix использует прувер Nitro от Arbitrum. Причина, по которой мы выбрали метод защиты от мошенничества, заключается в том, что базовые структуры FHE и zkSNARK различны. Использование ZKP для проверки FHE требует очень больших вычислительных ресурсов и практически невозможно сделать на текущем техническом этапе.
Fhenix также недавно сотрудничал с EigenLayer для разработки сопроцессоров FHE, внедряя вычисления FHE в другие публичные цепочки, L2, L3 и т. д. Поскольку Fhenix использует доказательство мошенничества и существует 7-дневный период проверки, сервис EigenLayer может помочь сопроцессору добиться быстрого подтверждения транзакции и значительно повысить производительность.
Inco Network: конфиденциальность как услуга
Inco — это модульный доверенный вычислительный уровень 1, который можно использовать в качестве универсального уровня конфиденциальности для Web3. Поддержка fhEVM, позволяющая разработчикам быстро создавать приложения конфиденциальности, используя язык Solidity и инструменты разработки в экосистеме Ethereum. В то же время Inco предоставляет услуги CaaS цепочкам EVM и Cosmos, в которых отсутствует собственное шифрование посредством мостов и протоколов IBC. CaaS-сервисы в основном включают в себя три функции:
Статус шифрования внутри цепочки: храните зашифрованные данные непосредственно в цепочке без хранения вне цепочки;
Составные зашифрованные состояния: выполняйте переходы между состояниями зашифрованных данных полностью по цепочке, без расшифровки;
Случайность в цепочке: генерируйте случайные числа в цепочке для приложений без необходимости использования внешних служб случайности, а приложения можно создавать непосредственно в цепочке.
В настоящее время у Inco есть несколько вариантов использования, таких как игры, NFT, RWA, управление голосованием, DID и т. д.
Mind Network: уровень пересчёта FHE
Mind — это первый уровень рестейкинга FHE, специально разработанный для сетей AI и POS. В качестве уровня рестейкинга он принимает для залога токены рестейкинга от компаний ETH, BTC и AI, в то же время, как сеть проверки FHE, он использует технологию FHE для проверки данных каждого узла для достижения консенсуса и обеспечения целостности данных; и безопасность. Mind обеспечивает экономическую безопасность децентрализованных ИИ, Depin, EigenLayer AVS, Babylon AVS и ключевых POS-сетей, поддерживая консенсус и надежность всей системы.
Уровень пересчёта: сотрудничайте с EigenLayer, StakeStone, Renzo, Babylon, Ankr и т. д. для обеспечения безопасности сетей Ethereum и Bitcoin; сотрудничайте с Chainlink CCIP, Connext и т. д. для обеспечения удаленного пересчёта между цепочками.
Уровень безопасности: введен расширенный валидатор FHE для обеспечения сквозного шифрования процесса проверки и расчета консенсуса. Безопасность дополнительно повышается за счет интеграции модуля fhEVM от Fhenix и Inco.
Уровень консенсуса: введение механизма консенсуса Proof of Intelligence (POI), специально разработанного для задач ИИ, чтобы обеспечить справедливое и безопасное распределение вознаграждений между валидаторами FHE. Кроме того, Mind Network сотрудничает с AltLayer, EigenDA и Arbitrum Orbit для запуска цепочек Rollup для улучшения консенсусных вычислений с меньшими затратами и более высокой производительностью.
Privasea: Доказательство человека
Privasea — это сеть Depin+AI для машинного обучения FHE. Ее техническая архитектура включает в себя следующие основные компоненты:
Библиотека HESea: это расширенная библиотека FHE, предоставляющая функции для безопасных вычислений с зашифрованными данными. Библиотека поддерживает несколько схем FHE, таких как TFHE, CKKS, BGV/BFV и т. д.
Privasea API: это интерфейс прикладного программирования сети Privasea AI, предоставляющий набор функций и конечных точек, которые упрощают отправку данных, обучение модели и прогнозирование, а также обеспечивают шифрование данных во время передачи и обработки.
Privanetix: это децентрализованная вычислительная сеть, состоящая из нескольких высокопроизводительных вычислительных узлов, которые могут эффективно обрабатывать зашифрованные данные. Каждый узел интегрирует библиотеку HESea для обеспечения конфиденциальности данных и производительности вычислений.
Пакет смарт-контрактов Privasea: механизм стимулирования, основанный на технологии блокчейна, отслеживающий регистрацию и вклад узлов Privanetix посредством смарт-контрактов, проверку расчетов и распределение вознаграждений для обеспечения энтузиазма и справедливости участников.
Privasea запустила приложение ImHuman и разработала Proof of Human на основе FHE, целью которого является доказать, что пользователи являются людьми, чтобы защитить свою цифровую личность от угрозы подделок роботов и искусственного интеллекта. Пользователи могут подтвердить, что они настоящие люди, с помощью биометрии лица, генерируя уникальный NFT, который служит доказательством их личной человеческой личности. Используя приложение ImHuman, пользователи могут безопасно подтверждать свою личность на платформах Web3 и Web2, не раскрывая личные данные.
напиши в конце
В области Defi FHE позволяет осуществлять транзакции и потоки капитала без утечки конфиденциальной финансовой информации, тем самым защищая конфиденциальность пользователей и снижая рыночные риски. игры, FHE. Он гарантирует, что такие данные, как результаты игроков и прогресс игры, защищены в зашифрованном состоянии, позволяя при этом игровой логике работать в цепочке без раскрытия данных, повышая честность и безопасность игры в области искусственного интеллекта, FHE; позволяет шифровать данные. Данные анализируются и обучаются на моделях, что не только защищает конфиденциальность данных, но также способствует обмену данными и сотрудничеству между агентствами, способствуя разработке более безопасных и более совместимых приложений искусственного интеллекта.
FHE по-прежнему сталкивается со многими проблемами с точки зрения практичности и эффективности, но его уникальная теоретическая основа дает надежду на преодоление узких мест. Ожидается, что в будущем FHE будет использовать оптимизацию алгоритмов, аппаратное ускорение и другие методы, чтобы значительно повысить производительность, расширить сценарии приложений и обеспечить более прочную основу для защиты конфиденциальности данных и безопасных вычислений.
Исходный текст: https://substack.com/home/post/p-145686552.