一文读懂全同态加密 (FHE)的项目版图

Poopman热度: 10754

FHE是一种无需解密即可对加密数据进行计算的技术,结合区块链、MPC和ZKP,可用于保密性场景。FHE类似于盲盒,可进行数学计算但无法学习谜题信息。其用例包括链上数据加密、智能合约、投票、NFT等。FHE的前景包括通用FHE、加速硬件、与AI结合、替代解决方案和FHE工具/基础设施。FHE面临挑战包括开发人员友好性、高计算开销和不安全的链上风险,解决方案包括可编程Boostrapping和硬件加速。为提高链上FHE的安全性,需要降低延迟、去中心化门槛和容错性的系统。

原文标题:How FHE works?

原文作者:Poopman

原文来源:X

编译:深潮TechFlow

FHE 开辟了无需解密即可对加密数据进行计算的可能性。

当与区块链、MPC、ZKP(可扩展性)相结合时,FHE 提供了必要的保密性,并实现了各种链上用例。

FHE 现状概述

数据

在本主题中,我将介绍:

  1. FHE的背景
  2. FHE如何运作的?
  3. FHE生态系统的5个领域
  4. 当前FHE面临的挑战和解决方案

废话不多说,让我们开始吧。

FHE 的背景

FHE 于 1978 年首次提出,但由于其计算复杂性,它在相当长的一段时间内并不实用且非常理论化。

直到 2009 年,Craig 才为 FHE 开发了一个可行的模型,从那时起,它就激起了对 FHE 的研究兴趣。

数据

2020 年,TFHE 和 fhEVM 的推出 @zama_fhe 使FHE成为加密领域的焦点。 从那时起,我们看到了通用 EVM 兼容的 FHE L1/L2 的出现,例如 @FhenixIO 和 @inconetwork FHE 编译器等 @SunscreenTech 。

数据

FHE是如何运作的?

你可以想象有一个盲盒,里面有谜题,但是盲盒无法学习有关您给它的谜题的任何信息,但它仍然可以用数学计算结果。

请从我对 FHE 的过于简化的解释中了解更多信息。

数据

一些 FHE 用例包括:

  • 私有链上计算
  • 链上数据加密
  • 公共网络上的私有智能合约
  • 加密 ERC20
  • 私人投票
  • NFT 盲拍
  • 更安全的 MPC
  • 抢先保护
  • 无需信任的跨链桥

数据

FHE 生态系统

总的来说,链上FHE的前景可以归纳为5个方面。

  1. 通用FHE
  2. 用于特定用例的 FHE/HE(应用)
  3. FHE 加速硬件
  4. FHE 与 AI
  5. “替代解决方案”

数据

通用FHE区块链和工具

它们是在区块链中实现机密性的支柱。这包括 SDK、协处理器、编译器、新的执行环境、区块链、FHE 模块。

最具挑战性的是:将 FHE 引入 EVM,即 fhEVM。

数据

一般用途包括: fhEVM

FHE 工具 / Infra:

数据

用于特定用例的 FHE/HE(应用)

@penumbrazone —— 一个跨链 cosmos dex(应用链),使用 tFHE 进行其屏蔽交换/池。 @zkHoldem —— 扑克游戏 @MantaNetwork 使用 HE 和 ZKP 来证明游戏的公平性。

数据

FHE 加速硬件

每当 FHE 用于 FHE-ML 等密集型计算时,自举以减少噪声增长至关重要。

硬件加速等解决方案在促进自举方面发挥着重要作用,其中 ASIC 的表现最佳。

数据

硬件行业的成员包括: @Optalysys@chainreactioni0@Ingo_zk@cysic_xyz每家公司都专门生产芯片、ASIC 和半导体等硬件,这些硬件可以加速 FHE 的引导/计算。

数据

数据

FHE 与 AI

最近,人们对将 FHE 集成到 AI/ML 中的兴趣有所增加。

其中,FHE 可以防止机器在处理任何敏感信息时学习任何敏感信息,并通过该过程为数据、模型和输出提供机密性。

数据

数据

“替代性解决方案”

一些人使用 MPC 来保护高价值数据并执行“盲计算”,而不是 FHE,而另一些人则使用 ZKSNARK 来保证加密数据上 FHE 计算的正确性。他们是:@nillionnetwork@padolabs

数据数据

当前FHE面临的挑战和解决方案

  • 对开发人员还不友好。

目前的情况仍然是缺乏标准化的算法和整体支持的FHE工具。

  • 高计算开销(成本)

由于噪声管理和复杂计算的引导,这可能会导致节点中心化。

  • 不安全的链上 FHE 风险
  •   要确保任何阈值解密系统的安全性,解密密钥都要在节点之间分配。然而,由于 FHE 的开销较大,这可能会导致验证者的数量较少,从而增加串通的可能性

数据

解决方案?

  • 可编程 Boostrapping:
  •   它允许在引导过程中应用计算,从而在特定于应用程序的同时提高效率。
  • 硬件加速
  •   开发 ASIC、GPU 和 FPGA 以及 OpenFHE 库,以加速 FHE 性能。

数据

更好的阈值解密系统

简而言之,为了提高链上 FHE 的安全性,我们需要一个能够确保以下方面的系统(可以是 MPC):

  • 低延迟
  • 降低去中心化节点的进入门槛
  • 容错性

以下是 @0xArnav 所做的技术性的解释

数据

就是这样了,老实说,这个推文只是冰山一角。关于FHE景观,还有很多东西需要了解。

声明:本文为入驻“MarsBit 专栏”作者作品,不代表MarsBit官方立场。
转载请联系网页底部:内容合作栏目,邮件进行授权。授权后转载时请注明出处、作者和本文链接。未经许可擅自转载本站文章,将追究相关法律责任,侵权必究。
提示:投资有风险,入市须谨慎,本资讯不作为投资理财建议。
免责声明:本文不构成投资建议,用户应考虑本文中的任何意见、观点或结论是否符合其特定状况,及遵守所在国家和地区的相关法律法规。