FHE: حماية خصوصية البيانات

المصدر: IOBC Capital

في العصر الرقمي، أصبحت حماية خصوصية البيانات أكثر أهمية من أي وقت مضى. مع التطور السريع للبيانات الضخمة والحوسبة السحابية وتقنيات إنترنت الأشياء، أصبح جمع المعلومات الشخصية وتخزينها وتحليلها أمرًا شائعًا بشكل متزايد. ومع ذلك، فإن هذا يؤدي أيضًا إلى خطر تسرب البيانات وإساءة استخدامها.

FHE هو تشفير متماثل بالكامل، والذي يسمح بإجراء العمليات الحسابية مباشرة على البيانات المشفرة، وتكون نتائج الحساب التي تم الحصول عليها هي نفس الحسابات على البيانات الأصلية ثابت. وهذا يعني أنه يمكننا معالجة البيانات وتحليلها دون الكشف عن البيانات الأصلية، مما يوفر حلاً جديدًا لحماية خصوصية البيانات وسلامتها.

يمكن إرجاع الأساس النظري لـ FHE إلى عام 1978. وقد اقترح ريفست وآخرون أول مشكلة تشفير متجانسة، ولم يكن الأمر كذلك حتى عام 2009 عندما قام جينتري ببناء خوارزمية قابلة للتحقيق لأول مرة في أطروحته للدكتوراه، بدأ بحث FHE في الازدهار حقًا. كانت كفاءة الحوسبة لحلول FHE المبكرة منخفضة للغاية ولم تتمكن من تلبية احتياجات التطبيقات العملية، ومع استمرار الباحثين في اقتراح حلول التحسين، تم تحسين أداء أبحاث FHE بشكل ملحوظ في اتجاه تحسين الكفاءة وتقليل العمليات الحسابية تطوير التعقيد وتوسيع سيناريوهات التطبيق.

مسار التنفيذ الفني لـ FHE

حل FHE يعتمد على الشبكة المثالية

تُعرف هذه الطريقة حاليًا بأنها طريقة بناء FHE الأكثر عملية وكفاءة. والفكرة الرئيسية هي استخدام البنية الجبرية لعمليات الحلقة لإكمال عمليات التشفير وفك التشفير من خلال العمليات المعيارية والعوامل المثالية التي تحلل الحلقة. تشمل المخططات التمثيلية BGV، وBFV، وCKKS. وتتمثل ميزة هذه المخططات في الكفاءة الحسابية الأعلى، ولكن العيب هو أنها تتطلب مساحة أكبر للمفتاح والنص المشفر.

مخطط FHE القائم على المصفوفة

يقوم هذا المخطط بتشفير معلومات النص العادي في مصفوفة وتنفيذها من خلال عمليات المصفوفة التماثل. تشمل الحلول التمثيلية GSW وHiNC، والتي تتميز بالأمان العالي ولكن الكفاءة المنخفضة.

مخطط FHE القائم على NTRU

تتمتع NTRU (وحدة أبحاث نظرية الأعداد) ببنية جبرية جيدة وتماثل دوري من الممكن بناء مخططات FHE فعالة، مثل YASHE وNTRU-FHE. وتتمثل ميزة هذا النوع من المخططات في أن حجم المفتاح والنص المشفر صغير، وهو مناسب للبيئات المحدودة الموارد.

مخطط FHE يعتمد على تعلم الدوائر الحسابية المزعجة (LWE/LWR)

باستخدام مخططات تشفير LWE/LWR تم إنشاؤها على أساس المشكلات الصعبة، مثل FHEW وTFHE، وما إلى ذلك. وتولي هذه المخططات مزيدًا من الاهتمام للابتكار النظري ويمكنها تحقيق أمان قوي جدًا، ولكن تطبيقها العملي محدود.

FHE مقابل ZKP

FHE وZKP كلاهما من تقنيات التشفير، لكنهما متكاملتان تقريبًا.

يسمح ZKP للمثبت أن يثبت للمدقق صحة المعلومات دون الكشف عن تفاصيل محددة. يمكن للمدقق التحقق من صحة المعلومات وسلامة الحساب دون إعادة التنفيذ الحساب. . على الرغم من أن ZKP يمكنه إثبات صحته دون تسريب المعلومات، إلا أن مدخلاته عادة ما تكون بنص واضح، مما قد يؤدي إلى تسرب الخصوصية.

يمكن أن يؤدي إدخال FHE إلى حل هذه المشكلة. ويمكن لـ FHE إجراء حسابات عشوائية على البيانات المشفرة دون فك التشفير، وبالتالي حماية خصوصية البيانات. ومع ذلك، فإن مشكلة FHE هي أنها لا تستطيع ضمان دقة وموثوقية الحسابات. وهذه هي بالضبط المشكلة التي يحلها ZKP.

من خلال الجمع الفني بين FHE+ZKP، من ناحية، تحمي FHE خصوصية بيانات الإدخال وعملية الحساب، ومن ناحية أخرى، توفر ZKP الصحة والمشروعية والدقة. موثوقية حسابات FHE يمكن لإثبات التشفير القابل للتدقيق أن يحقق في نهاية المطاف حوسبة خصوصية آمنة وجديرة بالثقة، وهو أمر ذو قيمة كبيرة لسيناريوهات تطبيقات حماية الخصوصية مثل معالجة البيانات الحساسة والحوسبة التعاونية متعددة الأطراف.

ZAMA: قائد FHE

Zama هي شركة تشفير مفتوحة المصدر تقوم ببناء حلول FHE الأكثر تقدمًا لـ blockchain والذكاء الاصطناعي. هناك أربعة حلول رئيسية مفتوحة المصدر:

TFHE-rs هو تطبيق Rust للتشفير المتماثل بالكامل على Torus لإجراء عمليات منطقية وأعداد صحيحة على البيانات المشفرة. تطبق مكتبة TFHE-rs متغير Zama من TFHE، الذي ينفذ جميع العمليات المتجانسة المطلوبة مثل الإضافة وتقييم الوظيفة عبر Bootstrapping القابل للبرمجة.

Concrete هو إطار عمل FHE مفتوح المصدر يتضمن مترجم TFHE كجزء من الإطار، والذي يحول كود البرمجة العادي إلى تعليمات تشغيلية يمكن لأجهزة الكمبيوتر تنفيذها باستخدام FHE، مما يسمح للمطورين بالكتابة بسهولة برامج FHE. يمكن أن تؤدي الحوسبة على البيانات المشفرة FHE إلى الكثير من التشويش، مما يؤدي إلى حدوث أخطاء، ويكون احتمال الخطأ الافتراضي لشركة Concrete منخفضًا جدًا، ويتمتع المطورون بالمرونة لتعديل معلمات احتمال الخطأ هذا.

Concrete ML هي أداة مفتوحة المصدر للتعلم الآلي تحافظ على الخصوصية (PPML) ومبنية على Concrete. يمكن للمطورين دمج FHE في نماذج التعلم الآلي دون معرفة التشفير.

fhEVM يتيح إدخال FHE في نظام EVM البيئي للمطورين تنفيذ العقود الذكية المشفرة على السلسلة وتمكين العقود الذكية مع حماية خصوصية البيانات الموجودة على السلسلة. لا تزال قابلة للتأليف. بينما يدمج fhEVM TFHE-rs، فإنه يقدم أيضًا مكتبة TFHE Solidity الجديدة، مما يسمح للمطورين باستخدام Solidity لإجراء العمليات الحسابية على البيانات المشفرة.

Fhenix: أول مجموعة FHE-Rollup

Fhenix هي أول مجموعة تراكمية Layer2 تعتمد على FHE، مبنية على TFHE-rs الخاصة بـ Zama مكتبة الحوسبة المشفرة - fheOS، والتي تحتوي على مجموعات مسبقة من أكواد تشغيل التشفير الشائعة، مما يتيح للعقود الذكية استخدام عناصر FHE الأولية على السلسلة. fheOS مسؤول أيضًا عن الاتصال والمصادقة بين مجموعة التحديثات وشبكة خدمة عتبة (TSN) لطلبات فك التشفير وإعادة التشفير، فضلاً عن إثبات أن طلبات فك التشفير مشروعة. تم تصميم مكتبة fheOS ليتم إدخالها كملحق في أي إصدار موجود من EVM، مما يجعلها متوافقة تمامًا مع EVM.

تستخدم آلية الإجماع الخاصة بـ Fhenix مُثبِّت Nitro الخاص بـ Arbitrum. السبب وراء اختيارنا لطريقة إثبات الاحتيال هو أن الهياكل الأساسية لـ FHE وzkSNARK مختلفة. إن استخدام ZKP للتحقق من FHE يتطلب الكثير من العمليات الحسابية ويكاد يكون من المستحيل القيام به في المرحلة التقنية الحالية.

تعاونت Fhenix مؤخرًا مع EigenLayer لتطوير معالجات FHE المساعدة، وتقديم حوسبة FHE إلى السلاسل العامة الأخرى، L2، L3، وما إلى ذلك. نظرًا لأن Fhenix تستخدم إثبات الاحتيال وتوجد فترة تحدي مدتها 7 أيام، فإن خدمة EigenLayer يمكن أن تساعد المعالج المشترك على تحقيق تأكيد سريع للمعاملة وتحسين الأداء بشكل ملحوظ.

شبكة Inco: السرية باعتبارها الخدمة

Inco عبارة عن طبقة حوسبة معيارية موثوقة يمكن استخدامها كطبقة خصوصية عالمية لـ Web3. دعم fhEVM، مما يسمح للمطورين ببناء تطبيقات Dapps للخصوصية بسرعة باستخدام لغة Solidity وأدوات التطوير في النظام البيئي Ethereum. وفي الوقت نفسه، توفر Inco خدمات CaaS لسلاسل EVM وCosmos التي تفتقر إلى التشفير الأصلي من خلال بروتوكولات التجسير وIBC. تشتمل خدمات CaaS بشكل أساسي على ثلاث وظائف:

حالة التشفير على السلسلة: تخزين البيانات المشفرة مباشرة على السلسلة دون تخزين خارج السلسلة؛

حالات مشفرة قابلة للتركيب: إجراء انتقالات الحالة على البيانات المشفرة بالكامل على السلسلة، دون الحاجة إلى فك التشفير؛

العشوائية على السلسلة: إنشاء أرقام عشوائية على السلسلة للتطبيقات، ولا يمكن لأي خدمة عشوائية خارجية القيام بذلك بناء التطبيقات مباشرة على السلسلة.

في الوقت الحالي، لدى Inco بعض حالات الاستخدام، مثل الألعاب، وNFT، وRWA، وإدارة التصويت، وDID، وما إلى ذلك.

شبكة العقل: طبقة استعادة FHE

Mind هي أول طبقة إعادة ضبط FHE مصممة خصيصًا لشبكات الذكاء الاصطناعي ونقاط البيع. باعتبارها طبقة إعادة تخزين، فإنها تقبل الرموز المميزة لإعادة الإيداع من الشركات الكبرى ETH وBTC والذكاء الاصطناعي للتعهد بها، وفي نفس الوقت، باعتبارها شبكة تحقق FHE، فإنها تستخدم تقنية FHE للتحقق من بيانات كل عقدة للوصول إلى الإجماع والتأكد من البيانات؛ النزاهة والأمن. توفر شركة Mind الأمن الاقتصادي لشبكات الذكاء الاصطناعي اللامركزية وDepin وEigenLayer AVS وBabylon AVS وشبكات نقاط البيع الرئيسية، مما يحافظ على إجماع ومصداقية النظام بأكمله.

إعادة الطبقة: التعاون مع EigenLayer وStakeStone وRenzo وBabylon وAnkr وما إلى ذلك للحصول على الأمان من شبكات Ethereum وBitcoin؛ والتعاون مع Chainlink CCIP وConnext وما إلى ذلك لتحقيق استعادة الأمان عن بعد عبر السلسلة.

الطبقة الأمنية: تقديم أداة التحقق المحسّنة من FHE لضمان التشفير الشامل لعملية التحقق وحساب الإجماع، والتي تم تحسينها بشكل أكبر من خلال دمج Fhenix وInco سلامة وحدة fhEVM.

طبقة الإجماع:تقديم آلية إجماع لإثبات الذكاء (POI) مصممة خصيصًا لمهام الذكاء الاصطناعي لضمان العدالة والأمن بين مدققي FHE وتوزيع المكافآت. بالإضافة إلى ذلك، تتعاون Mind Network مع AltLayer وEigenDA وArbitrum Orbit لإطلاق سلاسل تراكمية لتعزيز حسابات الإجماع بتكلفة أقل وأداء أسرع.

Privasea: Proof of Human

Privasea عبارة عن شبكة Depin+AI للتعلم الآلي FHE. تتضمن البنية التقنية المكونات الأساسية التالية:

مكتبة HESea: هذه مكتبة FHE متقدمة توفر وظائف لإجراء حسابات آمنة على البيانات المشفرة. تدعم المكتبة العديد من أنظمة FHE مثل TFHE، CKKS، BGV/BFV، إلخ.

Privasea API: هذه هي واجهة برمجة التطبيقات لشبكة Privasea AI، وهي توفر سلسلة من الوظائف ونقاط النهاية لتبسيط عملية إرسال البيانات والتدريب على النماذج والتنبؤ بها يتم نقل البيانات والتشفير أثناء المعالجة.

Privanetix: هذه شبكة حوسبة لا مركزية تتكون من عدة عقد حوسبة عالية الأداء يمكنها معالجة البيانات المشفرة بكفاءة. تدمج كل عقدة مكتبة HESea لضمان خصوصية البيانات وأداء الحوسبة.

Privasea Smart Contract Suite: آلية حوافز تعتمد على تقنية blockchain، وتتبع تسجيل ومساهمة عقد Privanetix من خلال العقود الذكية، والتحقق من الحسابات وتوزيع المكافآت لضمان حماسة وعدالة المشاركين الجنس.

أطلقت Privasea تطبيق ImHuman، تم تطوير Proof of Human استنادًا إلى FHE، والذي يهدف إلى إثبات أن المستخدمين بشر لحماية هويتهم الرقمية من تهديد الروبوتات وتزوير الذكاء الاصطناعي. يمكن للمستخدمين التحقق من أنهم بشر حقيقيون من خلال القياسات الحيوية للوجه، مما يؤدي إلى إنشاء NFT فريد يعمل كدليل على هويتهم الإنسانية الشخصية. باستخدام تطبيق ImHuman، يمكن للمستخدمين تأكيد هويتهم بشكل آمن عبر منصات Web3 وWeb2 دون الكشف عن التفاصيل الشخصية.

مكتوب في النهاية

في مجال Defi، تتيح FHE إجراء المعاملات وتدفقات رأس المال دون الكشف عن معلومات مالية حساسة لحماية خصوصية المستخدم وتقليل مخاطر السوق، قد تصبح أيضًا إحدى الطرق الفعالة لحل مشكلة MEV؛ في الألعاب ذات السلسلة الكاملة، تضمن FHE حماية البيانات مثل نتائج اللاعبين وتقدم اللعبة وفي الوقت نفسه، يُسمح لمنطق اللعبة بالعمل على السلسلة دون الكشف عن البيانات، مما يعزز عدالة اللعبة وأمنها في مجال الذكاء الاصطناعي، ويسمح FHE بالتحليل والتدريب النموذجي للبيانات المشفرة، وهو ما لا يحدث يحمي خصوصية البيانات فقط، ولكنه يعزز أيضًا تبادل البيانات والتعاون بين الوكالات، ويعزز تطوير تطبيقات الذكاء الاصطناعي الأكثر أمانًا وامتثالًا.

لا يزال FHE يواجه العديد من التحديات من حيث التطبيق العملي والكفاءة، ولكن أساسه النظري الفريد يجلب الأمل للتغلب على الاختناقات. في المستقبل، من المتوقع أن تستخدم FHE تحسين الخوارزمية وتسريع الأجهزة وطرق أخرى لتحسين الأداء بشكل كبير وتوسيع سيناريوهات التطبيق وتوفير أساس أكثر صلابة لحماية خصوصية البيانات والحوسبة الآمنة.