來源:IOBC Capital

在數字化時代,數據隱私的保護比以往任何時候都顯得更加重要。隨著大數據、云計算和物聯網技術的飛速發展,個人信息的收集、存儲和分析變得日益普遍。然而,這也帶來了數據泄露和濫用的風險。

FHE即全同態加密(Fully Homomorphic Encryption),它允許在加密數據上直接進行計算,并且得到的計算結果與在原始數據上進行相同計算的結果一致。這意味著我們可以在不暴露原始數據的情況下,對數據進行處理和分析,它為保護數據隱私和完整性提供了一種新的解決方案。

FHE的理論基礎可以追溯到1978年,Rivest等人提出了首個同態加密問題,直到2009年,Gentry在其博士論文中首次構造出可實現的全同態加密方案,FHE研究才真正開始蓬勃發展。早期的FHE方案計算效率極低,無法滿足實際應用需求,隨著研究人員不斷提出優化方案,顯著改善了FHE的性能,FHE的研究正朝著提高效率、降低計算復雜度和拓展應用場景的方向發展。

FHE的技術實現路徑

基于理想格的FHE方案

這是目前公認最實用和高效的FHE構造方式,主要思路是利用環運算的代數結構,通過模運算和分解環的理想因子來完成加密和解密操作。代表性方案有BGV、BFV和CKKS等,這類方案的優點是運算效率較高,缺點是需要更大的密鑰和密文空間。

基于矩陣的FHE方案

該方案將明文信息編碼到矩陣中,通過矩陣運算實現同態性。代表方案有GSW和HiNC等,其特點是安全性很高,但效率較低。

基于NTRU的FHE方案

NTRU(Number Theory Research Unit)具有良好代數結構和循環對稱性,可以構建高效的FHE方案,如YASHE和NTRU-FHE等,這類方案的優點是密鑰和密文大小較小,適合資源受限環境。

基于學習含噪聲算術電路(LWE/LWR)的FHE方案

利用在LWE/LWR難題基礎上構造的加密方案,例如FHEW和TFHE等,這類方案更注重理論創新,可實現非常強的安全性,但實用性有限。

FHE vs. ZKP

FHE和ZKP都是加密技術,但它們幾乎是互補的。

ZKP允許證明者向驗證者證明一個信息是正確的,而無需透露具體細節,驗證者無需重新執行計算,即可驗證信息的正確性及計算完整性。雖然ZKP可以在不泄露信息的情況下證明正確性,但其輸入通常為明文形式,這可能會導致隱私泄露。

FHE的引入可以解決這個問題,FHE能夠在加密數據上執行任意計算,而無需解密,從而保護數據隱私。但FHE存在的問題是,無法確保計算的正確性和可靠性,這正是ZKP所解決的問題。

通過FHE+ZKP的技術組合,一方面FHE保護了輸入數據和計算過程的隱私性,另一方面ZKP為FHE計算提供了正確性、合法性和可審計性的加密證明,最終實現真正安全可信的隱私計算,這對于敏感數據處理、多方合作計算等隱私保護應用場景都是非常有價值的。

ZAMA:FHE領航者

Zama是一家開源密碼學公司,為區塊鏈和AI構建最先進的FHE解決方案。主要擁有四種開源方案:

TFHE-rs 是一個 Rust 實現的 Torus 上的全同態加密,用于在加密數據上執行布爾和整數運算。TFHE-rs 庫實現了 Zama 變體的 TFHE,它實現了所有所需的同態操作,如通過可編程自舉(Programmable Bootstrapping)進行加法和函數評估。

Concrete 是一個開源的FHE框架,包含了一個 TFHE編譯器作為框架的一部分,該編譯器將常規編程代碼轉換為計算機可以使用 FHE 執行的可操作指令,使開發人員可以輕松編寫 FHE 程序。對 FHE 加密數據進行計算可能會引入大量噪聲,從而導致錯誤,Concrete 的默認錯誤概率非常低,開發人員可以靈活地修改此錯誤概率的參數。

Concrete ML 是基于Concrete構建的隱私保護機器學習(PPML)開源工具,開發者可以無需密碼學知識,即可將FHE集成到機器學習模型中。

fhEVM 將FHE引入EVM生態,使開發人員可在鏈上執行加密的智能合約,保護鏈上數據隱私的前提下使智能合約仍然擁有可組合性。fhEVM在整合TFHE-rs的同時,引入新的TFHE Solidity庫,允許開發人員使用Solidity對加密數據進行計算。

Fhenix:首個FHE-Rollup

Fhenix是第一個基于FHE的Layer2 Rollup,基于Zama的TFHE-rs構建了自己的加密計算庫——fheOS,它包含常見加密操作碼的預編譯,使智能合約能夠在鏈上使用FHE原語。fheOS 還負責 rollup 與 Threshold 服務網絡 (TSN) 之間的通信和身份驗證,以進行解密和重新加密請求,同時證明解密請求是合法的。fheOS 庫旨在作為擴展注入到任何現有的 EVM 版本中,與 EVM 完全兼容。

Fhenix的共識機制采用了Arbitrum 的 Nitro 證明器。之所以選擇欺詐的證明方式,是因為FHE和zkSNARK的底層結構不一樣,采用ZKP的方式驗證FHE計算量非常大,在當前技術階段幾乎不可能做到。

Fhenix還于近期與EigenLayer合作開發了FHE coprocessors,把FHE計算引入其他公鏈、L2、L3等。由于Fhenix采用欺詐證明,存在7天挑戰期,EigenLayer的服務能夠幫助協處理器實現快速交易確認,顯著提升性能。

Privasea推出了ImHuman應用,基于FHE開發了Proof of Human,旨在證明用戶是人類,以保護其數字身份不受機器人和人工智能仿冒的威脅。用戶可以通過面部生物識別技術驗證其為真實人類,生成一個獨特的 NFT,作為個人人類身份的證明。使用 ImHuman 應用,用戶可以在不泄露個人詳細信息的情況下,在 Web3 和 Web2 平臺上安全地確認個人身份。

寫在最后

在Defi領域,FHE使交易和資金流動能夠在不泄露敏感財務信息的情況下進行,從而保護用戶隱私并降低市場風險,也可能成為有效解決MEV問題的方式之一;在全鏈游戲中,FHE確保玩家的得分和游戲進度等數據在加密狀態下得到保護,同時允許游戲邏輯在不暴露數據的前提下在鏈上運行,增強了游戲的公平性和安全性;在AI領域,FHE允許對加密數據進行分析和模型訓練,這不僅保護了數據隱私,還促進了跨機構的數據共享和合作,推動了更安全、更合規的人工智能應用的發展。

FHE在實用性和效率上仍面臨諸多挑戰,但其獨特理論基礎為克服瓶頸帶來希望。未來,FHE有望借助算法優化、硬件加速等途徑,大幅提升性能,擴大應用場景,為數據隱私保護和安全計算提供更加堅實的基礎。

熱點：數據 幣界