FHE: Bảo vệ quyền riêng tư dữ liệu

Nguồn: IOBC Capital

Trong thời đại kỹ thuật số, việc bảo vệ quyền riêng tư dữ liệu 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 Mã hóa hoàn toàn đồng hình, cho phép thực hiện các phép tính trực tiếp trên dữ liệu được mã hóa và kết quả tính toán thu được giống như các phép tính trên dữ liệu gốc. nhất quán. 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.

Cơ sở 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 thuật toán có thể thực hiện được lần đầu tiên. trong luận án tiến sĩ của mình, chương trình mã hóa hoàn toàn đồng cấu, nghiên cứu của FHE thực sự bắt đầu phát triển. Hiệu suất tính toán của các giải pháp FHE ban đầu là cực kỳ thấp và không thể đáp ứng được nhu cầu ứng dụng thực tế. Khi các nhà nghiên cứu tiếp tục đề xuất các giải pháp tối ưu hóa, hiệu suất của nghiên cứu FHE đang được cải thiện đáng kể theo hướng nâng cao hiệu quả, giảm tính toán. sự phức tạp và các kịch bản ứng dụng mở rộng phát triển.

Con đường triển khai kỹ thuật của FHE

Giải pháp 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 phép toán 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.

Lược đồ FHE dựa trên ma trận

Lược đồ này mã hóa thông tin văn bản gốc thành ma trận và triển khai nó thông qua các phép toán ma trận Đồng hình. Các giải pháp tiêu biểu bao gồm GSW và HiNC, có đặc điểm là bảo mật cao nhưng hiệu quả thấp.

Sơ đồ FHE dựa trên NTRU

NTRU (Đơn vị nghiên cứu lý thuyết số) có cấu trúc đại số tốt và tính đối xứng tuần hoàn 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 và phù hợp với môi trường hạn chế về tài nguyên.

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

Sử dụng lược đồ mã hóa LWE/LWR được xây dựng trên cơ sở các bài toán khó, chẳng hạn như FHEW và TFHE, v.v. Các sơ đồ này chú ý nhiều hơn đến đổi mới lý thuyết và có thể đạt được độ bảo mật rất mạnh, nhưng tính thực tế của chúng còn hạn chế.

FHE so với ZKP

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 với 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. sự tính toán. Mặc dù ZKP có thể chứng minh tính chính xác 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. FHE 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 sự riêng tư của dữ liệu đầu vào và quy trình tính toán, mặt khác, ZKP cung cấp tính chính xác, hợp pháp và độ tin cậy cho các tính toán của FHE. Bằng chứng mã hóa có thể kiểm tra cuối cùng có thể đạt được điện toán bảo mật thực sự an toàn và đáng tin cậy, 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: Người dẫn đầu FHE

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

TFHE-rs là một triển khai Rust của mã hóa đồng hình 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. các 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 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 Việc đưa 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 kích hoạt hợp đồng thông minh đồng thời bảo vệ quyền riêng tư của dữ liệu trên chuỗi. Vẫn có thể kết hợp được. 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, được xây dựng trên TFHE-rs Own của Zama thư viện điện toán mật mã - fheOS, chứa các bản biên dịch trước của các opcode mật mã 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, giúp nó 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 hầu 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 cộng 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: Tính 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. Các dịch vụ CaaS chủ yếu bao gồm ba chức năng:

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

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

Tính ngẫu nhiên trên chuỗi: Tạo số ngẫu nhiên trên chuỗi cho các ứng dụng, không dịch vụ Ngẫu nhiên bên ngoài nào có thể làm được xây dựng các ứng dụng trực tiếp trên chuỗi.

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

Mạng tâm trí: Lớp đặt lại FHE

Tâm trí 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 dữ liệu; tính toàn vẹn 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:Giới thiệu trình xác thực nâng cao FHE để đảm bảo mã hóa đầu cuối của quá trình xác minh và tính toán đồng thuận, được tăng cường hơn nữa bằng cách tích hợp Fhenix và Inco's sự an toàn của mô-đun fhEVM.

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

Privasea: Bằng chứng về con người

Privasea là mạng Depin+AI dành cho máy học FHE. Kiến trúc kỹ thuật 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.

Privasea API: Đây là giao diện lập trình ứng dụng của mạng Privasea AI. Nó cung cấp một loạt chức năng và điểm cuối để đơn giản hóa hoạt động gửi dữ liệu, đào tạo và dự đoán mô hình, đồng thời đảm bảo dữ liệu đó được truyền đi và mã hóa trong quá trình 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 tình dục.

Privasea ra mắt ứng dụng ImHuman, Proof of Human được phát triển dựa trên FHE để chứng minh rằng người dùng là con người nhằm bảo vệ danh tính kỹ thuật số của họ khỏi các mối đe dọa từ robot và việc làm giả 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.

Được viết ở cuối

Trong lĩnh vực Defi, FHE cho phép thực hiện các giao dịch và dòng vốn mà không tiết lộ thông tin tài chính nhạy cảm. Để bảo vệ quyền riêng tư của người dùng và giảm rủi ro thị trường, nó cũng có thể trở thành một trong những cách hiệu quả để giải quyết vấn đề MEV trong các trò chơi toàn chuỗi, FHE đảm bảo rằng dữ liệu như điểm số của người chơi và tiến trình trò chơi được bảo vệ trong đồng thời, logic trò chơi được phép chạy trên chuỗi mà không để lộ dữ liệu, điều này giúp nâng cao tính công bằng và bảo mật của trò chơi, trong lĩnh vực AI, FHE cho phép phân tích và đào tạo mô hình dữ liệu được mã hóa; chỉ bảo vệ quyền riêng tư của dữ liệu mà còn thúc đẩy Nó thúc đẩy chia sẻ và hợp tác dữ liệu giữa các cơ quan, đồng thời 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 thuyết 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.