Понять коммерческую ценность гомоморфного шифрования AI+FHE за одну статью

По состоянию на 13 октября, статистика данных BTC, ETH и TON на платформе TrendX следующая:

Количество обсуждений BTC на прошлой неделе составило 12.52K, что на 0.98% меньше, чем на предыдущей неделе; цена в прошлое воскресенье составила 63916 долларов, что на 1.62% больше, чем в воскресенье на предыдущей неделе;

Количество обсуждений ETH на прошлой неделе составило 3.63K, что на 3.45% больше, чем на предыдущей неделе; цена в прошлое воскресенье составила 2530 долларов, что на 4% меньше, чем в воскресенье на предыдущей неделе;

Количество обсуждений TON на прошлой неделе составило 782, что на 12.63% меньше, чем на предыдущей неделе; цена в прошлое воскресенье составила 5.26 долларов, что на 0.25% меньше, чем в воскресенье на предыдущей неделе;

Полностью гомоморфное шифрование (Fully Homomorphic Encryption, FHE) — это технология с огромным потенциалом в современной криптографии, основная особенность которой заключается в том, что она позволяет выполнять вычисления на зашифрованных данных без необходимости их расшифровки, что обеспечивает мощную поддержку в области защиты конфиденциальности и обработки данных. FHE может широко применяться в таких областях, как финансы, здравоохранение, облачные вычисления, машинное обучение, системы голосования, Интернет вещей и защита конфиденциальности в блокчейне. Однако, несмотря на широкие перспективы применения FHE, на пути к коммерциализации все еще существуют вызовы.

Потенциал и сценарии применения FHE

Главное преимущество гомоморфного шифрования заключается в защите конфиденциальности. Представьте себе, что компании A необходимо использовать вычислительные мощности компании B для анализа своих данных, но она не хочет, чтобы компания B имела доступ к конкретному содержимому этих данных. FHE может сыграть свою роль в такой ситуации: компания A может зашифровать данные и передать их компании B для вычислений, при этом результаты вычислений остаются зашифрованными, и компания A может расшифровать их, чтобы получить результаты анализа. Таким образом, конфиденциальность данных эффективно защищена, а компания B может выполнить необходимые вычисления.

Этот механизм защиты конфиденциальности особенно важен для таких чувствительных к данным отраслей, как финансы и здравоохранение. Кроме того, с развитием облачных вычислений и искусственного интеллекта безопасность данных становится все более актуальной. FHE в этих сценариях может обеспечить защиту многопользовательских вычислений, позволяя сторонам сотрудничать без раскрытия конфиденциальной информации. Особенно в технологии блокчейн FHE повышает прозрачность и безопасность обработки данных благодаря функциям защиты конфиденциальности на блокчейне и проверки конфиденциальных транзакций.

Сравнение FHE с другими методами шифрования

В области Web3 FHE, доказательства с нулевым знанием (ZK), многопользовательские вычисления (MPC) и доверенные вычислительные среды (TEE) являются основными методами защиты конфиденциальности. В отличие от ZK, FHE может выполнять множество операций с зашифрованными данными без необходимости предварительной расшифровки. MPC позволяет сторонам выполнять вычисления с зашифрованными данными, не обмениваясь конфиденциальной информацией. TEE обеспечивает вычисления в безопасной среде, но гибкость обработки данных относительно ограничена.

Эти технологии шифрования имеют свои преимущества, но в поддержке сложных вычислительных задач FHE особенно выделяется. Тем не менее, FHE по-прежнему сталкивается с высокими вычислительными затратами и проблемами масштабируемости, что делает его трудным для использования в реальном времени. Ограничения и вызовы FHE Несмотря на мощную теоретическую основу FHE, в коммерческих приложениях возникают реальные проблемы.

• Высокие вычислительные затраты: FHE требует значительных вычислительных ресурсов, и его вычислительные затраты значительно увеличиваются по сравнению с нешифрованными вычислениями. Для высоких полиномиальных вычислений время обработки растет полиномиально, поэтому FHE трудно удовлетворить требования к вычислениям в реальном времени. Чтобы снизить затраты, FHE необходимо полагаться на специализированное аппаратное ускорение, что также увеличивает сложность развертывания.

• Ограниченные возможности операций: Хотя FHE может выполнять сложение и умножение зашифрованных данных, его поддержка сложных нелинейных операций ограничена, что является узким местом для приложений искусственного интеллекта, связанных с глубокими нейронными сетями. Текущие решения FHE в основном подходят для линейных и простых полиномиальных вычислений, применение нелинейных моделей значительно ограничено.

• Сложность поддержки нескольких пользователей: FHE хорошо работает в сценариях с одним пользователем, но когда речь идет о наборах данных нескольких пользователей, сложность системы резко возрастает. В 2013 году Лопес-Альт и др. предложили многоключевую FHE-структуру, которая, хотя и позволяет выполнять операции с зашифрованными наборами данных с разными ключами, значительно увеличивает сложность управления ключами и архитектуры системы.

Сочетание FHE и искусственного интеллекта

В текущую эпоху, ориентированную на данные, искусственный интеллект (AI) широко применяется в различных областях, но из-за опасений по поводу конфиденциальности данных пользователи часто не хотят делиться конфиденциальной информацией, такой как медицинская и финансовая информация. FHE предоставляет решение для защиты конфиденциальности в области AI. В сценариях облачных вычислений данные обычно зашифрованы во время передачи и хранения, но часто находятся в открытом виде во время обработки. С помощью FHE данные пользователей могут обрабатываться в зашифрованном состоянии, обеспечивая их конфиденциальность.

Это преимущество особенно важно в условиях требований таких регуляций, как GDPR, которые требуют от пользователей права на информированное согласие по поводу способов обработки данных и обеспечения защиты данных во время передачи. Конечное шифрование FHE обеспечивает соблюдение норм и безопасность данных.

Текущие приложения и проекты FHE в блокчейне

Применение FHE в блокчейне в основном сосредоточено на защите конфиденциальности данных, включая защиту конфиденциальности на блокчейне, конфиденциальность данных для обучения AI, конфиденциальность голосования на блокчейне и проверку конфиденциальных транзакций на блокчейне. В настоящее время множество проектов используют технологии FHE для реализации защиты конфиденциальности. Например, решения FHE, разработанные компанией Zama, широко применяются в проектах Fhenix, Privasea, IncoNetwork и MindNetwork.

Zama: на основе технологии TFHE, сосредоточена на булевых операциях и операциях с целыми числами низкой длины, и создала стек разработки FHE для приложений блокчейна и AI.

Octra: разработала новый язык смарт-контрактов и библиотеку HyperghraphFHE, подходящую для блокчейн-сетей.

Privasea: использует FHE для обеспечения конфиденциальности в вычислительных сетях AI, поддерживает различные модели AI.

MindNetwork: сочетает FHE и искусственный интеллект, предоставляя децентрализованную и защищенную конфиденциальность AI.

Fhenix: как решение второго уровня для Ethereum, поддерживает FHE Rollups и FHE Coprocessors, совместимо с EVM и поддерживает смарт-контракты, написанные на Solidity.

**Исследовательские данные

**

Заключение

FHE как передовая технология, позволяющая выполнять вычисления на зашифрованных данных, обладает значительными преимуществами в защите конфиденциальности данных. Хотя в настоящее время коммерческое применение FHE все еще сталкивается с проблемами высоких вычислительных затрат и плохой масштабируемости, с помощью аппаратного ускорения и оптимизации алгоритмов эти проблемы могут быть постепенно решены. Кроме того, с развитием технологий блокчейн FHE будет играть все более важную роль в защите конфиденциальности и безопасных вычислениях. В будущем FHE может стать ключевой технологией, поддерживающей вычисления с защитой конфиденциальности, обеспечивая новые революционные прорывы в области безопасности данных.