FHE：守護數據隱私

發表於 2024-06-19 08:38 作者： IOBC Capital

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。隨着大數據、雲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，並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。這意味着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，它爲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研究才真正开始蓬勃發展。早期的FHE方案計算效率極低，無法滿足實際應用需求，隨着研究人員不斷提出優化方案，顯著改善了FHE的性能，FHE的研究正朝着提高效率、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

基於理想格的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。

基於矩陣的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。

基於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。

基於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，但其輸入通常爲明文形式，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爲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，這對於敏感數據處理、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是一家开源密碼學公司，爲區塊鏈和AI構建最先進的FHE解決方案。主要擁有四種开源方案：

TFHE-rs 是一個 Rust 實現的 Torus 上的全同態加密，用於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 是一個开源的FHE框架，包含了一個 TFHE編譯器作爲框架的一部分，該編譯器將常規編程代碼轉換爲計算機可以使用 FHE 執行的可操作指令，使开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，开發人員可以靈活地修改此錯誤概率的參數。

Concrete ML 是基於Concrete構建的隱私保護機器學習（PPML）开源工具，开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，使开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，允許开發人員使用Solidity對加密數據進行計算。

Fhenix：首個FHE-Rollup

Fhenix是第一個基於FHE的Layer2 Rollup，基於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 庫旨在作爲擴展注入到任何現有的 EVM 版本中，與 EVM 完全兼容。

Fhenix的共識機制採用了Arbitrum 的 Nitro 證明器。之所以選擇欺詐的證明方式，是因爲FHE和zkSNARK的底層結構不一樣，採用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還於近期與EigenLayer合作开發了FHE coprocessors，把FHE計算引入其他公鏈、L2、L3等。由於Fhenix採用欺詐證明，存在7天挑战期，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。

Inco Network: Confidentiality as a Service

Inco是一個模塊化的可信計算Layer1，可作爲Web3的通用隱私層。支持fhEVM，使开發人員能夠使用Solidity語言及以太坊生態中的开發工具快速構建隱私Dapp。同時，Inco通過橋接及IBC協議，將CaaS服務提供給缺乏原生加密的EVM和Cosmos鏈。CaaS服務主要包含三個功能：

鏈上加密狀態：直接將加密數據存儲在鏈上，而無需鏈下存儲；

可組合加密狀態：完全在鏈上對加密數據執行狀態轉換，無需解密；

鏈上隨機性：爲應用程序在鏈上生成隨機數，無需外部隨機性服務，能夠直接在鏈上構建應用。

當前，Inco已有一些用例，如遊戲、NFT、RWA、投票治理、DID等。

Mind Network: FHE Restaking Layer

Mind是專爲AI和POS網絡量身定制的第一個的FHE Restaking層。作爲Restaking層，它接受來自ETH、BTC和AI藍籌公司的restaking代幣進行質押；同時作爲FHE驗證網絡，利用FHE技術來驗證各節點數據達成共識，確保數據完整性和安全性。Mind爲去中心化AI、Depin、EigenLayer AVS、Babylon AVS及關鍵POS網絡提供經濟安全保障，維護整個系統的共識和可信度。

Restaking層：與 EigenLayer、StakeStone、Renzo、Babylon、Ankr 等合作，從以太坊和比特幣網絡中獲取安全性；與 Chainlink CCIP 、Connext 等合作，實現跨鏈遠程restaking。

安全層：引入 FHE 增強驗證器，確保驗證和共識計算過程端到端加密，通過集成 Fhenix 和 Inco 的fhEVM模塊，進一步增強安全性。

共識層：引入一種專爲AI任務設計的Proof of Intelligence（POI）共識機制，確保 FHE 驗證者之間公平、安全的獎勵分配。此外，Mind Network 正在與 AltLayer、EigenDA 和 Arbitrum Orbit 合作推出 Rollup 鏈，以更低成本和更快性能增強共識計算。

Privasea: Proof of Human

Privasea是一個用於FHE機器學習的Depin+AI網絡，技術架構包括以下幾個核心組件：

HESea 庫：這是一個先進的FHE庫，提供了對加密數據進行安全計算的功能。該庫支持多種 FHE 方案，例如 TFHE、CKKS、BGV/BFV 等。

Privasea API：這是 Privasea AI 網絡的應用程序接口，提供了一系列功能和端點，簡化數據提交、模型訓練和預測的操作，並確保數據在傳輸和處理過程中的加密。

Privanetix：這是一個去中心化的計算網絡，由多個高性能計算節點組成，能夠高效地對加密數據進行處理。每個節點都集成了 HESea 庫，以確保數據隱私和計算性能。

Privasea 智能合約套件：基於區塊鏈技術的激勵機制，通過智能合約跟蹤 Privanetix 節點的注冊和貢獻，驗證計算並分發獎勵，確保參與者的積極性和公平性。

Privasea推出了ImHuman應用，基於FHE开發了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爲真實人類，生成一個獨特的 NFT，作爲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 平台上安全地確認個人身份。

寫在最後

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，從而保護用戶隱私並降低市場風險，也可能成爲有效解決MEV問題的方式之一；在全鏈遊戲中，FHE確保玩家的得分和遊戲進度等數據在加密狀態下得到保護，同時允許遊戲邏輯在不暴露數據的前提下在鏈上運行，增強了遊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战，但其獨特理論基礎爲克服瓶頸帶來希望。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，爲數據隱私保護和安全計算提供更加堅實的基礎。

標題：FHE：守護數據隱私

地址：https://www.coinsdeep.com/article/135643.html

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。