FHE:守护数据隐私

BadBot热度: 18860

数据隐私保护在数字化时代变得更重要,FHE技术可在加密数据上进行计算,保护数据隐私和完整性。Zama是一家开源密码学公司,提供多种FHE解决方案,如TFHE-rs、Concrete和Concrete ML,可帮助开发者轻松应用FHE技术保护数据隐私。FHE还可与ZKP技术相结合,实现真正安全的隐私计算。FHE在Defi、全链游戏和AI领域具有潜力,未来有望通过算法优化和硬件加速提升性能,为数据隐私保护和安全计算提供更坚实的基础。

摘要由 Mars AI 生成
本摘要由 Mars AI 模型生成,其生成内容的准确性、完整性还处于迭代更新阶段。

原文作者:BadBot

原文来源:IOBC Capital

在数字化时代,数据隐私的保护比以往任何时候都显得更加重要。随着大数据、云计算和物联网技术的飞速发展,个人信息的收集、存储和分析变得日益普遍。然而,这也带来了数据泄露和滥用的风险。

FHE即全同态加密(Fully Homomorphic Encryption),它允许在加密数据上直接进行计算,并且得到的计算结果与在原始数据上进行相同计算的结果一致。这意味着我们可以在不暴露原始数据的情况下,对数据进行处理和分析,它为保护数据隐私和完整性提供了一种新的解决方案。

FHE的理论基础可以追溯到1978年,Rivest等人提出了首个同态加密问题,直到2009年,Gentry在其博士论文中首次构造出可实现的全同态加密方案,FHE研究才真正开始蓬勃发展。早期的FHE方案计算效率极低,无法满足实际应用需求,随着研究人员不断提出优化方案,显著改善了FHE的性能,FHE的研究正朝着提高效率、降低计算复杂度和拓展应用场景的方向发展。

FHE的技术实现路径

基于理想格的FHE方案

这是目前公认最实用和高效的FHE构造方式,主要思路是利用环运算的代数结构,通过模运算和分解环的理想因子来完成加密和解密操作。代表性方案有BGV、BFV和CKKS等,这类方案的优点是运算效率较高,缺点是需要更大的密钥和密文空间。

基于矩阵的FHE方案

该方案将明文信息编码到矩阵中,通过矩阵运算实现同态性。代表方案有GSW和HiNC等,其特点是安全性很高,但效率较低。

基于NTRU的FHE方案

NTRU(Number Theory Research Unit)具有良好代数结构和循环对称性,可以构建高效的FHE方案,如YASHE和NTRU-FHE等,这类方案的优点是密钥和密文大小较小,适合资源受限环境。

基于学习含噪声算术电路(LWE/LWR)的FHE方案

利用在LWE/LWR难题基础上构造的加密方案,例如FHEW和TFHE等,这类方案更注重理论创新,可实现非常强的安全性,但实用性有限。

FHE vs. ZKP

FHE和ZKP都是加密技术,但它们几乎是互补的。

ZKP允许证明者向验证者证明一个信息是正确的,而无需透露具体细节,验证者无需重新执行计算,即可验证信息的正确性及计算完整性。虽然ZKP可以在不泄露信息的情况下证明正确性,但其输入通常为明文形式,这可能会导致隐私泄露。

FHE的引入可以解决这个问题,FHE能够在加密数据上执行任意计算,而无需解密,从而保护数据隐私。但FHE存在的问题是,无法确保计算的正确性和可靠性,这正是ZKP所解决的问题。

通过FHE+ZKP的技术组合,一方面FHE保护了输入数据和计算过程的隐私性,另一方面ZKP为FHE计算提供了正确性、合法性和可审计性的加密证明,最终实现真正安全可信的隐私计算,这对于敏感数据处理、多方合作计算等隐私保护应用场景都是非常有价值的。

ZAMA:FHE领航者

Zama是一家开源密码学公司,为区块链和AI构建最先进的FHE解决方案。主要拥有四种开源方案:

TFHE-rs 是一个 Rust 实现的 Torus 上的全同态加密,用于在加密数据上执行布尔和整数运算。TFHE-rs 库实现了 Zama 变体的 TFHE,它实现了所有所需的同态操作,如通过可编程自举(Programmable Bootstrapping)进行加法和函数评估。

Concrete 是一个开源的FHE框架,包含了一个 TFHE编译器作为框架的一部分,该编译器将常规编程代码转换为计算机可以使用 FHE 执行的可操作指令,使开发人员可以轻松编写 FHE 程序。对 FHE 加密数据进行计算可能会引入大量噪声,从而导致错误,Concrete 的默认错误概率非常低,开发人员可以灵活地修改此错误概率的参数。

Concrete ML 是基于Concrete构建的隐私保护机器学习(PPML)开源工具,开发者可以无需密码学知识,即可将FHE集成到机器学习模型中。

fhEVM 将FHE引入EVM生态,使开发人员可在链上执行加密的智能合约,保护链上数据隐私的前提下使智能合约仍然拥有可组合性。fhEVM在整合TFHE-rs的同时,引入新的TFHE Solidity库,允许开发人员使用Solidity对加密数据进行计算。

Fhenix:首个FHE-Rollup

Fhenix是第一个基于FHE的Layer2 Rollup,基于Zama的TFHE-rs构建了自己的加密计算库——fheOS,它包含常见加密操作码的预编译,使智能合约能够在链上使用FHE原语。fheOS 还负责 rollup 与 Threshold 服务网络 (TSN) 之间的通信和身份验证,以进行解密和重新加密请求,同时证明解密请求是合法的。fheOS 库旨在作为扩展注入到任何现有的 EVM 版本中,与 EVM 完全兼容。

Fhenix的共识机制采用了Arbitrum 的 Nitro 证明器。之所以选择欺诈的证明方式,是因为FHE和zkSNARK的底层结构不一样,采用ZKP的方式验证FHE计算量非常大,在当前技术阶段几乎不可能做到。

Fhenix还于近期与EigenLayer合作开发了FHE coprocessors,把FHE计算引入其他公链、L2、L3等。由于Fhenix采用欺诈证明,存在7天挑战期,EigenLayer的服务能够帮助协处理器实现快速交易确认,显著提升性能。

安全性

Inco Network: Confidentiality as a Service

Inco是一个模块化的可信计算Layer1,可作为Web3的通用隐私层。支持fhEVM,使开发人员能够使用Solidity语言及以太坊生态中的开发工具快速构建隐私Dapp。同时,Inco通过桥接及IBC协议,将CaaS服务提供给缺乏原生加密的EVM和Cosmos链。CaaS服务主要包含三个功能:

链上加密状态:直接将加密数据存储在链上,而无需链下存储;

可组合加密状态:完全在链上对加密数据执行状态转换,无需解密;

链上随机性:为应用程序在链上生成随机数,无需外部随机性服务,能够直接在链上构建应用。

当前,Inco已有一些用例,如游戏、NFT、RWA、投票治理、DID等。

安全性

Mind Network: FHE Restaking Layer

Mind是专为AI和POS网络量身定制的第一个的FHE Restaking层。作为Restaking层,它接受来自ETH、BTC和AI蓝筹公司的restaking代币进行质押;同时作为FHE验证网络,利用FHE技术来验证各节点数据达成共识,确保数据完整性和安全性。Mind为去中心化AI、Depin、EigenLayer AVS、Babylon AVS及关键POS网络提供经济安全保障,维护整个系统的共识和可信度。

安全性

Restaking层:与 EigenLayer、StakeStone、Renzo、Babylon、Ankr 等合作,从以太坊和比特币网络中获取安全性;与 Chainlink CCIP 、Connext 等合作,实现跨链远程restaking。

安全层:引入 FHE 增强验证器,确保验证和共识计算过程端到端加密,通过集成 Fhenix 和 Inco 的fhEVM模块,进一步增强安全性。

共识层:引入一种专为AI任务设计的Proof of Intelligence(POI)共识机制,确保 FHE 验证者之间公平、安全的奖励分配。此外,Mind Network 正在与 AltLayer、EigenDA 和 Arbitrum Orbit 合作推出 Rollup 链,以更低成本和更快性能增强共识计算。

Privasea: Proof of Human

Privasea是一个用于FHE机器学习的Depin+AI网络,技术架构包括以下几个核心组件:HESea 库:这是一个先进的FHE库,提供了对加密数据进行安全计算的功能。该库支持多种 FHE 方案,例如 TFHE、CKKS、BGV/BFV 等。Privasea API:这是 Privasea AI 网络的应用程序接口,提供了一系列功能和端点,简化数据提交、模型训练和预测的操作,并确保数据在传输和处理过程中的加密。Privanetix:这是一个去中心化的计算网络,由多个高性能计算节点组成,能够高效地对加密数据进行处理。每个节点都集成了 HESea 库,以确保数据隐私和计算性能。Privasea 智能合约套件:基于区块链技术的激励机制,通过智能合约跟踪 Privanetix 节点的注册和贡献,验证计算并分发奖励,确保参与者的积极性和公平性。

安全性

Privasea推出了ImHuman应用,基于FHE开发了Proof of Human,旨在证明用户是人类,以保护其数字身份不受机器人和人工智能仿冒的威胁。用户可以通过面部生物识别技术验证其为真实人类,生成一个独特的 NFT,作为个人人类身份的证明。使用 ImHuman 应用,用户可以在不泄露个人详细信息的情况下,在 Web3 和 Web2 平台上安全地确认个人身份。

写在最后

在Defi领域,FHE使交易和资金流动能够在不泄露敏感财务信息的情况下进行,从而保护用户隐私并降低市场风险,也可能成为有效解决MEV问题的方式之一;在全链游戏中,FHE确保玩家的得分和游戏进度等数据在加密状态下得到保护,同时允许游戏逻辑在不暴露数据的前提下在链上运行,增强了游戏的公平性和安全性;在AI领域,FHE允许对加密数据进行分析和模型训练,这不仅保护了数据隐私,还促进了跨机构的数据共享和合作,推动了更安全、更合规的人工智能应用的发展。

FHE在实用性和效率上仍面临诸多挑战,但其独特理论基础为克服瓶颈带来希望。未来,FHE有望借助算法优化、硬件加速等途径,大幅提升性能,扩大应用场景,为数据隐私保护和安全计算提供更加坚实的基础。

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。