Trong thời đại kỹ thuật số, việc bảo vệ quyền riêng tư dữ liệu trở nên quan trọng hơn bao giờ hết. Với sự phát triển nhanh chóng của công nghệ dữ liệu lớn, điện toán đám mây và Internet of Things, việc thu thập, lưu trữ và phân tích thông tin cá nhân ngày càng trở nên phổ biến. Tuy nhiên, điều này cũng mang đến nguy cơ rò rỉ và sử dụng sai dữ liệu.

FHE là viết tắt của Complete Homomorphic Encryption, cho phép thực hiện các phép tính trực tiếp trên dữ liệu được mã hóa và kết quả tính toán thu được phù hợp với kết quả của cùng một phép tính trên dữ liệu gốc. Điều này có nghĩa là chúng tôi có thể xử lý và phân tích dữ liệu mà không làm lộ dữ liệu gốc, điều này cung cấp giải pháp mới để bảo vệ quyền riêng tư và tính toàn vẹn của dữ liệu.

Nền tảng lý thuyết của FHE có thể bắt nguồn từ năm 1978. Rivest và cộng sự đã đề xuất vấn đề mã hóa đồng cấu đầu tiên. Phải đến năm 2009, Gentry mới xây dựng được một sơ đồ mã hóa đồng cấu hoàn toàn có thể đạt được lần đầu tiên trong luận án tiến sĩ của mình. để phát triển. Sơ đồ FHE ban đầu có hiệu suất tính toán cực kỳ thấp và không thể đáp ứng nhu cầu ứng dụng thực tế. Khi các nhà nghiên cứu tiếp tục đề xuất các sơ đồ tối ưu hóa, hiệu suất của nghiên cứu FHE đang hướng tới việc cải thiện hiệu quả, giảm độ phức tạp tính toán và mở rộng ứng dụng. các kịch bản hướng phát triển.

Lộ trình triển khai kỹ thuật của FHE

Sơ đồ FHE dựa trên mạng lý tưởng

Đây hiện được công nhận là phương pháp xây dựng FHE thực tế và hiệu quả nhất. Ý tưởng chính là sử dụng cấu trúc đại số của các phép toán vòng để hoàn thành các hoạt động mã hóa và giải mã thông qua các hoạt động mô-đun và các yếu tố lý tưởng để phân tách vòng. Các sơ đồ đại diện bao gồm BGV, BFV và CKKS Ưu điểm của các sơ đồ này là hiệu quả tính toán cao hơn nhưng nhược điểm là chúng yêu cầu không gian khóa và bản mã lớn hơn.

Sơ đồ FHE dựa trên ma trận

Sơ đồ này mã hóa thông tin văn bản gốc thành ma trận và đạt được tính đồng cấu thông qua các phép toán ma trận. Các giải pháp tiêu biểu bao gồm GSW và HiNC, có đặc điểm là bảo mật cao nhưng hiệu quả thấp.

Giải pháp FHE dựa trên NTRU

NTRU (Đơn vị nghiên cứu lý thuyết số) có cấu trúc đại số tốt và tính đối xứng tuần hoàn, đồng thời có thể xây dựng các lược đồ FHE hiệu quả, chẳng hạn như YASHE và NTRU-FHE. Ưu điểm của loại lược đồ này là kích thước của khóa và bản mã nhỏ. phù hợp với môi trường hạn chế về tài nguyên.

Sơ đồ FHE dựa trên việc học các mạch số học ồn ào (LWE/LWR)

Sử dụng các sơ đồ mã hóa dựa trên vấn đề LWE/LWR, chẳng hạn như FHEW và TFHE. Các sơ đồ này chú ý nhiều hơn đến sự đổi mới về mặt lý thuyết và có thể đạt được mức độ bảo mật rất cao nhưng tính thực tế của chúng còn hạn chế.

FHE so với ZKP

Cả FHE và ZKP đều là công nghệ mã hóa nhưng chúng gần như bổ sung cho nhau.

ZKP cho phép người chứng minh chứng minh cho người xác minh rằng thông tin là chính xác mà không tiết lộ chi tiết cụ thể. Người xác minh có thể xác minh tính chính xác của thông tin và tính toàn vẹn của phép tính mà không cần thực hiện lại phép tính. Mặc dù ZKP có thể chứng minh tính đúng đắn mà không làm rò rỉ thông tin, nhưng thông tin đầu vào của nó thường ở dạng văn bản rõ ràng, điều này có thể dẫn đến rò rỉ quyền riêng tư.

Sự ra đời của FHE có thể giải quyết vấn đề này có thể thực hiện các phép tính tùy ý trên dữ liệu được mã hóa mà không cần giải mã, từ đó bảo vệ quyền riêng tư của dữ liệu. Tuy nhiên, vấn đề với FHE là nó không thể đảm bảo tính chính xác và tin cậy của các phép tính. Đây chính là vấn đề mà ZKP giải quyết được.

Thông qua sự kết hợp kỹ thuật của FHE + ZKP, một mặt, FHE bảo vệ quyền riêng tư của dữ liệu đầu vào và quy trình tính toán, mặt khác, ZKP cung cấp bằng chứng mật mã về tính chính xác, hợp pháp và khả năng kiểm toán cho các phép tính của FHE, cuối cùng đạt được tính bảo mật thực sự và độ tin cậy. Điện toán quyền riêng tư, rất có giá trị cho các tình huống ứng dụng bảo vệ quyền riêng tư như xử lý dữ liệu nhạy cảm và điện toán hợp tác nhiều bên.

ZAMA: Lãnh đạo FHE

Zama là một công ty mật mã nguồn mở xây dựng các giải pháp FHE tiên tiến cho blockchain và AI. Có bốn giải pháp nguồn mở chính:

TFHE-rs là một triển khai Rust của mã hóa đồng cấu hoàn toàn trên Torus để thực hiện các phép toán boolean và số nguyên trên dữ liệu được mã hóa. Thư viện TFHE-rs triển khai biến thể Zama của TFHE, biến thể này thực hiện tất cả các hoạt động đồng cấu cần thiết như phép cộng và đánh giá hàm thông qua Khởi động có thể lập trình.

Concrete là một khung FHE mã nguồn mở bao gồm một phần của khung là trình biên dịch TFHE, giúp chuyển đổi mã lập trình thông thường thành các hướng dẫn vận hành mà máy tính có thể thực thi bằng FHE, cho phép các nhà phát triển dễ dàng viết chương trình FHE. Việc tính toán trên dữ liệu được mã hóa FHE có thể tạo ra nhiều nhiễu, dẫn đến xác suất lỗi mặc định của Concrete là rất thấp và các nhà phát triển có thể linh hoạt sửa đổi các tham số về xác suất lỗi này.

Concrete ML là một công cụ mã nguồn mở machine learning (PPML) bảo vệ quyền riêng tư được xây dựng trên Concrete. Các nhà phát triển có thể tích hợp FHE vào các mô hình machine learning mà không cần kiến ​​thức về mật mã.

fhEVM giới thiệu FHE vào hệ sinh thái EVM, cho phép các nhà phát triển thực thi các hợp đồng thông minh được mã hóa trên chuỗi và làm cho các hợp đồng thông minh vẫn có thể kết hợp được đồng thời bảo vệ quyền riêng tư của dữ liệu trên chuỗi. Trong khi fhEVM tích hợp TFHE-rs, nó cũng giới thiệu thư viện TFHE Solidity mới, cho phép các nhà phát triển sử dụng Solidity để thực hiện các phép tính trên dữ liệu được mã hóa.

Fhenix: FHE-Rollup đầu tiên

Fhenix là Layer2 Rollup đầu tiên dựa trên FHE. Nó xây dựng thư viện điện toán mật mã-fheOS của riêng mình dựa trên TFHE-rs của Zama, chứa tính năng biên dịch trước các mã opcode phổ biến, cho phép các hợp đồng thông minh sử dụng các nguyên hàm FHE trên chuỗi. fheOS cũng chịu trách nhiệm liên lạc và xác thực giữa quá trình tổng hợp và Mạng dịch vụ ngưỡng (TSN) đối với các yêu cầu giải mã và mã hóa lại, cũng như chứng minh rằng các yêu cầu giải mã là hợp pháp. Thư viện fheOS được thiết kế để đưa vào dưới dạng tiện ích mở rộng vào bất kỳ phiên bản EVM hiện có nào và hoàn toàn tương thích với EVM.

Cơ chế đồng thuận của Fhenix sử dụng bộ chứng minh Nitro của Arbitrum. Lý do tại sao chúng tôi chọn phương pháp chống gian lận là vì cấu trúc cơ bản của FHE và zkSNARK khác nhau. Việc sử dụng ZKP để xác minh FHE đòi hỏi rất nhiều công sức tính toán và gần như không thể thực hiện được ở giai đoạn kỹ thuật hiện tại.

Fhenix gần đây cũng đã hợp tác với EigenLayer để phát triển bộ đồng xử lý FHE, giới thiệu điện toán FHE cho các chuỗi công khai khác, L2, L3, v.v. Vì Fhenix sử dụng bằng chứng gian lận và có thời gian thử thách 7 ngày nên dịch vụ của EigenLayer có thể giúp bộ đồng xử lý đạt được xác nhận giao dịch nhanh chóng và cải thiện đáng kể hiệu suất.

Mạng Inco: Bảo mật như một dịch vụ

Inco là lớp 1 điện toán đáng tin cậy theo mô-đun có thể được sử dụng làm lớp bảo mật chung cho Web3. Hỗ trợ fhEVM, cho phép các nhà phát triển nhanh chóng xây dựng các Dapp bảo mật bằng cách sử dụng ngôn ngữ Solidity và các công cụ phát triển trong hệ sinh thái Ethereum. Đồng thời, Inco cung cấp dịch vụ CaaS cho các chuỗi EVM và Cosmos thiếu mã hóa gốc thông qua các giao thức bắc cầu và IBC. Dịch vụ CaaS chủ yếu bao gồm ba chức năng:

Trạng thái mã hóa trên chuỗi: Lưu trữ dữ liệu được mã hóa trực tiếp trên chuỗi mà không cần lưu trữ ngoài chuỗi;

Các trạng thái được mã hóa có thể kết hợp: Thực hiện chuyển đổi trạng thái trên dữ liệu được mã hóa hoàn toàn trên chuỗi mà không cần giải mã;

Tính ngẫu nhiên trên chuỗi: Tạo số ngẫu nhiên cho các ứng dụng trên chuỗi mà không cần dịch vụ ngẫu nhiên bên ngoài và các ứng dụng có thể được xây dựng trực tiếp trên chuỗi.

Hiện tại, Inco có một số trường hợp sử dụng, chẳng hạn như trò chơi, NFT, RWA, quản trị biểu quyết, DID, v.v.

Mạng lưới tâm trí: Lớp khôi phục FHE

Mind là lớp Khôi phục FHE đầu tiên được thiết kế riêng cho mạng AI và POS. Là một lớp đặt lại, nó chấp nhận đặt lại mã thông báo từ các công ty blue chip ETH, BTC và AI để cam kết, đồng thời, với tư cách là mạng xác minh FHE, nó sử dụng công nghệ FHE để xác minh dữ liệu của từng nút để đạt được sự đồng thuận và đảm bảo tính toàn vẹn của dữ liệu; và an ninh. Mind cung cấp bảo mật kinh tế cho AI phi tập trung, Depin, EigenLayer AVS, Babylon AVS và các mạng POS quan trọng, duy trì sự đồng thuận và độ tin cậy của toàn bộ hệ thống.

Lớp đặt lại: Hợp tác với EigenLayer, StakeStone, Renzo, Babylon, Ankr, v.v. để có được bảo mật từ mạng Ethereum và Bitcoin; hợp tác với Chainlink CCIP, Connext, v.v. để đạt được việc đặt lại từ xa trên nhiều chuỗi.

Lớp bảo mật: Trình xác thực nâng cao FHE được giới thiệu để đảm bảo mã hóa đầu cuối của quá trình tính toán xác minh và đồng thuận. Bảo mật được tăng cường hơn nữa bằng cách tích hợp mô-đun fhEVM của Fhenix và Inco.

Lớp đồng thuận: Giới thiệu cơ chế đồng thuận Bằng chứng trí tuệ (POI) được thiết kế đặc biệt cho các nhiệm vụ AI để đảm bảo phân phối phần thưởng công bằng và an toàn giữa những người xác nhận FHE. Ngoài ra, Mind Network đang hợp tác với AltLayer, EigenDA và Arbitrum Orbit để triển khai chuỗi Rollup nhằm tăng cường tính toán đồng thuận với chi phí thấp hơn và hiệu suất nhanh hơn.

Privasea: Bằng chứng của con người

Privasea là mạng Depin+AI dành cho máy học FHE. Cấu trúc kỹ thuật của nó bao gồm các thành phần cốt lõi sau:

Thư viện HESea: Đây là thư viện FHE nâng cao cung cấp các chức năng tính toán an toàn trên dữ liệu được mã hóa. Thư viện hỗ trợ nhiều lược đồ FHE như TFHE, CKKS, BGV/BFV, v.v.

API Privasea: Đây là giao diện lập trình ứng dụng của mạng Privasea AI, cung cấp một bộ chức năng và điểm cuối giúp đơn giản hóa việc gửi dữ liệu, đào tạo và dự đoán mô hình, đồng thời đảm bảo mã hóa dữ liệu trong quá trình truyền và xử lý.

Privanetix: Đây là mạng điện toán phi tập trung bao gồm nhiều nút điện toán hiệu suất cao có thể xử lý dữ liệu được mã hóa một cách hiệu quả. Mỗi nút tích hợp thư viện HESea để đảm bảo quyền riêng tư dữ liệu và hiệu suất tính toán.

Bộ hợp đồng thông minh Privasea: Cơ chế khuyến khích dựa trên công nghệ blockchain, theo dõi việc đăng ký và đóng góp của các nút Privanetix thông qua hợp đồng thông minh, xác minh tính toán và phân phối phần thưởng để đảm bảo sự nhiệt tình và công bằng của người tham gia.

Privasea đã ra mắt ứng dụng ImHuman và phát triển Proof of Human dựa trên FHE, nhằm mục đích chứng minh rằng người dùng là con người để bảo vệ danh tính kỹ thuật số của họ khỏi mối đe dọa từ robot và giả mạo trí tuệ nhân tạo. Người dùng có thể xác minh rằng họ là người thật thông qua sinh trắc học khuôn mặt, tạo ra một NFT duy nhất dùng làm bằng chứng về danh tính cá nhân của họ. Sử dụng ứng dụng ImHuman, người dùng có thể xác nhận danh tính của mình một cách an toàn trên nền tảng Web3 và Web2 mà không tiết lộ thông tin cá nhân.

viết ở cuối

Trong lĩnh vực Defi, FHE cho phép thực hiện các giao dịch và dòng vốn mà không làm rò rỉ thông tin tài chính nhạy cảm, do đó bảo vệ quyền riêng tư của người dùng và giảm thiểu rủi ro thị trường. Nó cũng có thể trở thành một trong những cách giải quyết hiệu quả vấn đề MEV trong toàn chuỗi; trò chơi, FHE Nó đảm bảo rằng các dữ liệu như điểm số của người chơi và tiến trình trò chơi được bảo vệ ở trạng thái mã hóa, đồng thời cho phép logic trò chơi chạy trên chuỗi mà không làm lộ dữ liệu, nâng cao tính công bằng và bảo mật của trò chơi trong lĩnh vực AI, FHE; cho phép mã hóa Dữ liệu được phân tích và đào tạo mô hình, điều này không chỉ bảo vệ quyền riêng tư của dữ liệu mà còn thúc đẩy chia sẻ và hợp tác dữ liệu giữa các cơ quan, thúc đẩy phát triển các ứng dụng trí tuệ nhân tạo an toàn hơn và tuân thủ hơn.

FHE vẫn phải đối mặt với nhiều thách thức về tính thực tiễn và hiệu quả, nhưng cơ sở lý luận độc đáo của nó mang lại hy vọng khắc phục được những điểm nghẽn. Trong tương lai, FHE dự kiến ​​sẽ sử dụng tối ưu hóa thuật toán, tăng tốc phần cứng và các phương pháp khác để cải thiện đáng kể hiệu suất, mở rộng các kịch bản ứng dụng và cung cấp nền tảng vững chắc hơn để bảo vệ quyền riêng tư dữ liệu và tính toán an toàn.

Văn bản gốc: https://substack.com/home/post/p-145686552