风险提示:央行等十部委发布《关于进一步防范和处置虚拟货币交易炒作风险的通知》, 请读者提高风险意识。

FHE 全同态加密的想象空间有多大?

Vitalik发表了一篇关于FHE全同态加密的文章,引发了人们对新型加密技术的探索。相比ZKP技术,FHE可实现对加密数据进行运算,保护隐私。它可以应用于多个领域,如云存储、生物识别、医疗健康和金融。但是,FHE目前只能在加法和乘法上快速展开,复杂的运算需要更多算力。因此,FHE的发展需要算法优化和计算算力成本控制。总的来说,FHE可以为AI隐私计算、数据联合建模和隐私合规交易提供帮助。

Haotian
Haotian
热度 ...

原文作者:@tmel0211

原文来源: X

Vitalik 一篇关于 FHE(Fully Homomorphic Encryption)全同态加密的文章,又一次激发了大家对新型加密技术的探索和想象空间。在我看来,FHE 全同态加密的确比 ZKP 技术想象空间大了一个梯级,可以助力 AI+Crypto 更多应用场景落地。该如何理解呢?  

1)定义:FHE 全同态加密可实现对特定形式的加密数据进行运算,而不必担心暴露数据和隐私。相比之下,ZKP 只能解决数据在加密状态下的一致性传输问题,接收数据方只能验证提交数据方的数据是真实的,是点对点的加密传输方案;而全同态加密并没有限定进行运算的主体范围,因此可视为一种多对多的加密运算方案。  


2)How it works:传统计算机运算都是对明文数据展开运算,如果是加密数据需要先解密再进行计算,这样一来难免会暴露隐私数据。同态加密构造了一种特殊的加密方案,可以对密文进行「同态」变换,使得运算得到的结果与明文进行运算保持相同。 在同态加密系统中明文的加法运算相当于密文的乘法运算(一种规律),因此若想要对明文数据进行加法,只需要对密文进行乘法计算即可(等效性)。  


总之,同态加密就是通过特殊的同态变化使得数据在密文状态下运算可以得到明文一样的结果,只需要确保在运算规则的同态对应特性即可。  


3)应用场景:在传统互联网领域,FHE 全同态加密可以在云存储、生物识别、医疗健康、金融、广告投放、基因测序等非常广泛的领域应用到。 以生物识别为例,个人的指纹、虹膜、面部等生物特征数据都是敏感数据,使用 FHE 技术可以实现这些数据在服务器密文状态下进行对比和验证;同理,医疗健康领域多年的数据割裂,可以用 FHE 来打破,让不同医疗结构可以在不共享原始数据的情况下进行联合分析和建模。  


而在 Crypto 领域,FHE 应用空间也可以涉及游戏、DAO 投票治理、MEV 保护、隐私交易、监管合规等多个需要重隐私的场景。以游戏场景为例:平台在不窥探玩家手里卡牌的前提下,展开运算推动游戏进行,使得游戏更加公平;


关于【FHE 全同态加密的想象空间有多大?】的延伸阅读

  • 一览日益成熟的FHE赛道:生态现状与潜力机会

    密码学技术在信息安全和隐私保护领域发挥重要作用,2008年比特币诞生推动了非对称加密和哈希函数的融合。随着区块链行业的发展,全同态加密等密码学技术得到广泛应用。Fhenix提出先进的FHE-Rollups型Layer2解决方案,结合FHE技术和Rollup技术,解决FHE公链发展中的挑战。FHE技术在全链游戏、DeFi和AI等领域具有广阔的应用空间,Fhenix是备受瞩目的优质项目,还有其他出色的FHE项目值得关注。FHE.org和FHE Onchain为学术研究和教育提供宝贵资源。期待Fhenix主网的发布和应用的提升,FHE技术的未来充满创新与活力。

  • FHE 赛道一览,Web3 隐私数据终局何时到来?

    FHE是一种加密技术,可在不解密的情况下对数据进行计算,结合ZKP可应用于广告、AI、游戏、医疗等领域。FHE计算速度慢,但随着硬件加速发展,应用前景广阔。Cysic、Optalysys和Zama等公司正在研发FHE硬件加速芯片。PADO、SherLOCKED和Sunscreen等公司提供基于FHE的隐私保护解决方案。Inco Network与Zama合作开发基于FHE的隐私保护网络。Privasea和Mind Network推出基于FHE的DApp和Rollup链。AIBasedAI、Polyverse AI和Sight AI等项目利用FHE和ZKP解决数据隐私问题。

 同样以 DAO 投票为例,巨鲸参与投票治理可以不暴露地址和投票数量,就能让协议通过运算产生投票结果;此外用户可以向 Mempool 传入加密的交易,进而可避免目标地址、转账数额等隐私消息被暴露;又比如监管场景,政府可以监控资金池,在不查看合法交易隐私数据的钱体系把涉黑地址的资产剥离。  


4)不足之处:值得注意的是,计算机明文实施常规运算的计算环境往往比较复杂,除了加减乘除还有条件循环、逻辑门判断等等,而半同态加密和全同态加密等目前只能在加法和乘法上快速展开,更复杂的运算需要组合叠加,相应会加大算力需求。 


因此,理论上全同态加密可以支持任意计算,但碍于性能瓶颈和算法特质使得当前能够高效执行的同态计算种类和复杂度非常有限。大凡复杂的运算就会需要较大的计算算力消耗。故而,全同态加密的技术落地过程其实是算法优化和计算算力成本控制优化的发展过程,尤其要关注硬件加速和算力增强之后的表现。 


以上  


在我看来,FHE 全同态加密虽然短时间很难成熟落地并应用,但其作为 ZKP 技术的延展补充,可以为 AI 大模型隐私计算、AI 数据联合建模、AI 协作训练、Crypto 隐私合规交易、Crypto 场景延伸等方面提供很好的助力价值。

免责声明:本文仅代表作者个人观点,不代表链观CHAINLOOK立场,不承担法律责任。文章及观点也不构成投资意见。请用户理性看待市场风险,以及遵守所在国家和地区的相关法律法规。
图文来源:Haotian ,如有侵权请联系删除。转载或引用请注明文章出处!

标签:

分享至
https://www.chainlook.cn/toutiao/1715064606.html

下一篇:

Alethea AI CEO:预计5年内将出现自主执行加密交易的AI代理

链观CHAINLOOK消息, Alethea AI 首席执行官 Arif Khan 在 Consensus 2 […]

免责声明:
链观CHAINLOOK作为区块链技术应用与Web3行业研究的智库媒体,旨在为中国区块链专家、学者们提供最新的行业资讯信息与数据样本,用于区块链技术研究与创新。本站所发布的文章仅代表作者的个人观点,不代表链观CHAINLOOK官方立场,本站所发布的区块链行业研究报告与数据分析成果是通过人工智能算法对数据内容进行分析与归纳生成,不代表任何投资暗示与建议,链观CHAINLOOK不承担法律责任。

风险提示:
虚拟货币不具有法定货币等同的法律地位,参与虚拟货币投资交易存在法律风险,链观CHAINLOOK坚决反对各类代币炒作,请读者提高风险意识,理性看待区块链技术应用及市场风险。

© 链观CHAINLOOK All Rights Reserved. 京ICP备18054193号-5