Autor original: Poopman
Compilación original: Joyce, nota del editor de BlockBeats:
"FHE" es un tema técnico candente en la comunidad de cifrado recientemente.
Hace dos semanas, Ethereum Layer 2 Fhenix anunció la finalización de una ronda de financiación Serie A de 15 millones de dólares liderada por Hack VC. Ya el año pasado, Fhenix había recibido una ronda inicial de financiación liderada por Multicoin. Fhenix es un Ethereum L2 impulsado por FHE Rollups y FHE Coprocesadores que puede ejecutar contratos inteligentes basados en FHE con cálculo confidencial en cadena. Ayer, el fundador de Arweave, Sam Williams, que se encuentra en una actualización importante, también publicó en las redes sociales que la función de usar FHE para cálculos de privacidad dentro del proceso AO se lanzará pronto.
Hay muchos proyectos ecológicos de FHE. Este extenso artículo de la comunidad KOL Poopman resume brevemente el concepto de FHE y los proyectos ecológicos, y propone los desafíos técnicos y las posibles soluciones que enfrenta FHE.
FHE abre la posibilidad de calcular datos cifrados sin descifrarlos. Cuando se combina con blockchain, MPC, ZKP (escalabilidad), FHE proporciona la confidencialidad necesaria y admite varios casos de uso en cadena.
En este artículo, presentaré cuatro cuestiones, a saber, los antecedentes de FHE, cómo funciona FHE, cinco paisajes del ecosistema FHE y los desafíos y soluciones actuales de FHE.
Antecedentes de FHE
FHE se propuso por primera vez en 1978, pero debido a su complejidad computacional, durante bastante tiempo no fue práctico sino más bien teórico. No fue hasta 2009 que Craig desarrolló un modelo factible para FHE, lo que despertó el interés de la investigación en FHE.
En 2020, Zama lanzó TFHE y fhEVM, lo que puso a FHE en el centro de atención en el espacio de las criptomonedas. Desde entonces, hemos visto el surgimiento de compiladores FHE L1/L2 universales compatibles con EVM, como Fhenix, Inco y FHE, como Sunscreen, etc.
¿Cómo funciona FHE?
Puedes imaginar que hay una caja ciega con piezas de rompecabezas en su interior. Sin embargo, una caja ciega no puede aprender nada sobre el rompecabezas que le das, pero aún puede calcular los resultados matemáticamente.
Puede aprender más de mi explicación simplista de FHE si es demasiado abstracta. FHE es una tecnología de privacidad que permite realizar cálculos sobre datos cifrados sin descifrarlos primero. En otras palabras, cualquier tercero o nube puede manejar información confidencial sin acceder a ningún dato internamente.
Entonces, ¿cuáles son los casos de uso de FHE? Mejore la privacidad del aprendizaje automático, la computación en la nube y los juegos de azar en cadena a través de ZKP y MPC. Transacciones de cadena privada/contratos inteligentes privados/máquinas virtuales centradas en la privacidad como FHEVM, etc.
Algunos casos de uso de FHE incluyen: computación privada en cadena, cifrado de datos en cadena, contratos inteligentes privados en redes públicas, ERC 20 confidencial, votación privada, subastas ciegas de NFT, MPC más seguro, protección frontal y puentes sin confianza.
Ecosistema FHE
En general, las perspectivas de la FHE en cadena se pueden resumir en cinco áreas. Son FHE general, FHE/HE para casos de uso específicos (aplicaciones), hardware de aceleración FHE, FHE Wif AI y "soluciones alternativas".
Blockchain y herramientas universales de FHE
Son la columna vertebral de la confidencialidad de blockchain. Esto incluye SDK, coprocesadores, compiladores, nuevos entornos de ejecución, blockchain, módulos FHE… El más desafiante es llevar FHE a EVM, conocido como fhEVM.
fhEVM:
Zama (@zama_fhe), como representante de fhEVM, el primer proveedor en proporcionar la solución TFHE (cifrado totalmente homomórfico) + fhEVM (máquina virtual totalmente homomórfica).
Fhenix (@FhenixIO), implementa FHE L2 (segunda capa) + coprocesador FHE en ETH.
La red Inco (@inconetwork), se centra en FHE L1 compatible con EVM en los campos de juegos/RWA (activos del mundo real)/DID (identidad descentralizada)/social.
FairMath (@FairMath), una organización de investigación de máquinas virtuales totalmente homomórficas (FHE-(E)VM) que trabaja con openFHE para promover la implementación y adopción de FHE.
Herramientas de infraestructura FHE:
Red Octra (@octra), una cadena de bloques que admite un entorno de ejecución aislado HFHE (cifrado totalmente homomórfico de alto orden).
Sunscreen (@SunscreenTech), un compilador totalmente homomórfico basado en Rust, se basa en la biblioteca SEAL de Microsoft.
Fairblock (@0x fairblock), un proveedor de servicios de cifrado programable y descifrado condicional, también admite tFHE (umbral de cifrado totalmente homomórfico).
Dero (@DeroProject), admite L1 de HE (Cifrado homomórfico) para transacciones privadas (no FHE).
Arcium (@ArciumHQ), L1 desarrollado por el equipo @elusivprivacy que combina privacidad HE (cifrado homomórfico) + MPC (computación multipartita) + ZK (prueba de conocimiento cero).
Cadena Shibraum FHE, FHE L1 fabricada con solución zama TFHE.
FHE/HE para aplicaciones específicas
Penumbrazone (@penumbrazone): un Cosmos dex (appchain) de cadena cruzada que utiliza tFHE como su intercambio/grupo protegido.
zkHold-em (@zkHoldem): es un juego de póquer en Manta que utiliza HE y ZKP para demostrar la equidad del juego.
Aceleración de hardware FHE
Cada vez que se utiliza FHE para cálculos intensivos como FHE-ML, el arranque para reducir el crecimiento del ruido es crucial. Soluciones como la aceleración de hardware desempeñan un papel importante a la hora de facilitar el arranque, siendo los ASIC los que funcionan mejor.
Optalysys (@Optalysys), una empresa de hardware centrada en acelerar todo el software relacionado con TEE, incluido FHE, a través de la computación óptica.
Chain Reaction (@chainreactioni 0), una empresa de hardware que produce chips que ayudan a mejorar la eficiencia minera. Planean lanzar un chip FHE para finales de 2024.
Ingonyama (@Ingo_zk) es una empresa de semiconductores que se centra en la aceleración de hardware ZKP/FHE. Los productos existentes incluyen ZPU.
Cysic (@cysic_xyz) es una empresa de aceleración de hardware cuyos productos existentes incluyen hardware FPGA de desarrollo propio, así como el próximo chip ZK DePiN, ZK Air y ZK Pro.
Cada empresa se especializa en producir hardware como chips, ASIC y semiconductores que aceleran el arranque/cómputo FHE.
AI X ÉL
Recientemente, ha habido un interés creciente en integrar FHE en AI/ML. Entre otras cosas, FHE evita que las máquinas aprendan información confidencial mientras la procesan y proporciona confidencialidad a los datos, modelos y resultados durante todo el proceso.
Los miembros de Ai x FHE incluyen:
Mind network (@mindnetwork_xyz), una capa de replanteo de FHE que se utiliza para proteger las redes de prueba de participación (PoS) y de IA mediante cifrado de datos de alto valor y votación privada, lo que reduce la posibilidad de colusión y manipulación de nodos.
SightAl (@theSightAI), una cadena de bloques de inferencia FHE AI verificable con FHE-ML verificable. La cadena de bloques consta de tres partes principales: la cadena de visión, la capa de agregación de datos (capa DA) y una red de inferencia visual (Sight Inference Network), que realiza tareas FHE-ML.
IA basada (@getbasedai), la IA basada es una cadena de bloques L1 que integra FHE con modelos de lenguaje grande (LLM) utilizando un mecanismo llamado Cerberus Squeezing, que puede convertir cualquier modelo de lenguaje grande de conocimiento cero (ZL-LLM) de LLM para cifrado.
Privasea Al (@Privasea_ai), Privasea AI es una red de IA que permite a los usuarios cifrar sus datos o modelos utilizando el esquema FHE en la biblioteca HESea y luego cargarlos en la red Privasea-AI, donde la cadena de bloques procesa los datos en un estado cifrado.
La biblioteca HESea es completa, contiene diferentes bibliotecas para TFHE, CKKS y BGV/BFV, y es compatible con una variedad de escenarios.
"Solución alternativa" MPC/ZKFHE
Algunos no usan FHE, pero usan MPC para proteger datos de alto valor y realizar "cálculos ciegos", mientras que otros usan ZKSNARK para garantizar la exactitud de los cálculos de FHE sobre datos cifrados. Ellos son:
Nillion Network (@nillionnetwork), una red informática que utiliza MPC para descentralizar y almacenar datos de alto valor, al tiempo que permite a los usuarios escribir programas y realizar cálculos a ciegas. Nillion consta de dos componentes principales: la capa de coordinación y Petnet. La capa de coordinación actúa como canal de pago, mientras que Petnet realiza cálculos ciegos y almacena datos de alto valor.
Padolabs (@padolabs), Pado es una red informática que utiliza FHE para procesar datos confidenciales, al tiempo que aprovecha MPC-TLS y ZKP para garantizar la exactitud de los cálculos.
Desafíos y soluciones de FHE
A diferencia de ZK y MPC, FHE se encuentra todavía en sus primeras fases. ¿Cuáles son los cuellos de botella en FHE en este momento? Para mejorar la seguridad de la informática, se añade algo de "ruido" al texto cifrado durante el cifrado. Cuando se acumula demasiado "ruido" en el texto cifrado, se vuelve demasiado "ruidoso" y, en última instancia, afecta la precisión de la salida. Diferentes soluciones están explorando cómo eliminar eficazmente el ruido sin imponer demasiadas restricciones al diseño, incluidas TFHE, CKKS, BGV y otras.
Los desafíos clave para FHE incluyen:
Rendimiento lento: actualmente, los contratos inteligentes privados que utilizan fh-EVM solo tienen 5 TPS. TFHE ahora funciona aproximadamente 1000 veces más lento en comparación con los datos puros.
Aún no es adecuado para desarrolladores: todavía faltan algoritmos estandarizados y herramientas FHE compatibles en general.
Alta sobrecarga computacional (costo): esto puede conducir a la centralización de nodos debido a la gestión del ruido y a cálculos complejos.
Riesgos de FHE en una cadena no segura: para garantizar la seguridad de cualquier sistema de descifrado de umbral, las claves de descifrado se distribuyen entre los nodos. Sin embargo, debido a los mayores gastos generales de FHE, esto puede resultar en un número menor de validadores y, por lo tanto, una mayor probabilidad de colusión.
Las soluciones incluyen:
Impulso programable: permite aplicar cálculos durante el arranque, lo que aumenta la eficiencia y es específico de la aplicación.
Aceleración de hardware: desarrolle bibliotecas ASIC, GPU y FPGA y OpenFHE para acelerar el rendimiento de FHE.
Mejor sistema de descifrado de umbral. En resumen, para hacer que FHE en cadena sea más seguro, necesitamos un sistema (que puede ser MPC) que garantice: baja latencia; reducir el umbral de entrada del nodo y lograr la tolerancia a fallas;
Enlace original