Autore originale: Poopman

Compilation originale: Joyce, nota dell'editore BlockBeats:

"FHE" è recentemente un argomento tecnico caldo nella comunità della crittografia.

Due settimane fa, Ethereum Layer 2 Fhenix ha annunciato il completamento di un round di finanziamento di serie A da 15 milioni di dollari guidato da Hack VC. Già l'anno scorso, Fhenix aveva ricevuto un round di finanziamento iniziale guidato da Multicoin. Fhenix è un Ethereum L2 alimentato da FHE Rollups e FHE Coprocessors in grado di eseguire contratti intelligenti basati su FHE con calcoli riservati sulla catena. Ieri, anche il fondatore di Arweave Sam Williams, che sta subendo un importante aggiornamento, ha postato sui social media che la funzione di utilizzo di FHE per i calcoli sulla privacy all'interno del processo AO sarà presto lanciata.

Esistono molti progetti ecologici FHE. Questo lungo articolo della comunità KOL Poopman riassume brevemente il concetto di FHE e progetti ecologici e propone le sfide tecniche e le possibili soluzioni affrontate da FHE.

FHE apre la possibilità di elaborare dati crittografati senza decrittazione. Se combinato con blockchain, MPC, ZKP (scalabilità), FHE fornisce la necessaria riservatezza e supporta vari casi d'uso on-chain.

In questo articolo presenterò quattro questioni, vale a dire il background della FHE, il modo in cui funziona la FHE, i 5 paesaggi dell'ecosistema FHE e le attuali sfide e soluzioni della FHE.

Contesto dell'EFE

L'FHE è stato proposto per la prima volta nel 1978, ma a causa della sua complessità computazionale non è stato pratico e piuttosto teorico per un bel po' di tempo. Fu solo nel 2009 che Craig sviluppò un modello fattibile per l’EFE, che suscitò l’interesse della ricerca sull’EFE.

Nel 2020, Zama ha lanciato TFHE e fhEVM, portando FHE sotto i riflettori nello spazio delle criptovalute. Da allora abbiamo visto l'emergere di FHE L1/L2 compatibili con EVM universali come Fhenix, Inco e compilatori FHE come Sunscreen ecc.

Come funziona la FHE?

Puoi immaginare che ci sia una scatola cieca con pezzi di puzzle all'interno. Tuttavia, una scatola cieca non può imparare nulla sul puzzle che gli dai, ma può comunque calcolare matematicamente i risultati.

Puoi imparare di più dalla mia spiegazione semplicistica dell'FHE se è troppo astratta. FHE è una tecnologia per la privacy che consente di eseguire calcoli su dati crittografati senza prima decrittografarli. In altre parole, qualsiasi terza parte o cloud può gestire informazioni sensibili senza accedere ad alcun dato internamente.

Quindi quali sono i casi d’uso per l’FHE? Migliora la privacy dell'apprendimento automatico, del cloud computing e del gioco d'azzardo on-chain tramite ZKP e MPC. Transazioni a catena privata/contratti intelligenti privati/macchine virtuali incentrate sulla privacy, come FHEVM, ecc.

Alcuni casi d'uso FHE includono: calcolo privato on-chain, crittografia dei dati on-chain, contratti intelligenti privati ​​su reti pubbliche, ERC 20 riservato, voto privato, aste cieche NFT, MPC più sicuro, protezione front-running, bridge trustless.

Ecosistema FHE

Nel complesso, le prospettive dell’FHE on-chain possono essere riassunte in 5 aree. Si tratta di FHE generali, FHE/HE per casi d'uso specifici (applicazioni), hardware di accelerazione FHE, FHE Wif AI e "soluzioni alternative".

Blockchain e strumenti FHE universali

Sono la spina dorsale della riservatezza della blockchain. Ciò include SDK, coprocessori, compilatori, nuovi ambienti di esecuzione, blockchain, moduli FHE... La cosa più impegnativa è portare FHE su EVM, noto come fhEVM.

fhEVM：

Zama (@zama_fhe), in qualità di rappresentante di fhEVM, il primo provider a fornire la soluzione TFHE (crittografia completamente omomorfica) + fhEVM (macchina virtuale completamente omomorfica).

Fhenix (@FhenixIO), implementa FHE L2 (secondo livello) + coprocessore FHE su ETH.

Rete Inco (@inconetwork), focalizzata su FHE L1 compatibile con EVM nei settori giochi/RWA (risorse del mondo reale)/DID (identità decentralizzata)/sociale e altri campi.

FairMath (@FairMath), un'organizzazione di ricerca su macchine virtuali completamente omomorfe (FHE-(E)VM) che collabora con openFHE per promuovere l'implementazione e l'adozione di FHE.

Strumenti dell'infrastruttura FHE:

Rete Octra (@octra ), una blockchain che supporta l'ambiente di esecuzione isolato HFHE (High-Order Fully Homomorphic Encryption).

Sunscreen (@SunscreenTech), un compilatore completamente omomorfo basato su Rust, si affida alla libreria SEAL di Microsoft.

Fairblock (@0x fairblock ), un fornitore di servizi di crittografia programmabile e decrittografia condizionale, supporta anche tFHE (Threshold Fully Homomorphic Encryption).

Dero (@DeroProject), supporta L1 di HE (Homomorphic Encryption) per transazioni private (non FHE).

Arcium (@ArciumHQ), L1 sviluppato dal team @elusivprivacy che combina privacy HE (crittografia omomorfica) + MPC (computazione multi-partito) + ZK (prova a conoscenza zero).

Catena Shibraum FHE, FHE L1 realizzata con soluzione zama TFHE.

FHE/HE per applicazioni specifiche

Penumbrazone (@penumbrazone): un Cosmos dex cross-chain (appchain) che utilizza tFHE come exchange/pool protetto.

zkHold-em (@zkHoldem): è un gioco di poker su Manta che utilizza HE e ZKP per dimostrare la correttezza del gioco.

Accelerazione hardware FHE

Il bootstrap per ridurre la crescita del rumore è fondamentale ogni volta che FHE viene utilizzato per calcoli intensivi come FHE-ML. Soluzioni come l'accelerazione hardware svolgono un ruolo importante nel facilitare l'avvio, con gli ASIC che offrono le migliori prestazioni.

Optalysys (@Optalysys), una società di hardware focalizzata sull'accelerazione di tutti i software relativi a TEE, incluso FHE, attraverso il calcolo ottico.

Chain Reaction (@chainreactioni 0 ), un'azienda di hardware che produce chip che aiutano a migliorare l'efficienza del mining. Hanno in programma di lanciare un chip FHE entro la fine del 2024.

Ingonyama (@Ingo_zk) è un'azienda di semiconduttori specializzata nell'accelerazione hardware ZKP/FHE. I prodotti esistenti includono ZPU.

Cysic (@cysic_xyz) è una società di accelerazione hardware i cui prodotti esistenti includono hardware FPGA autosviluppato, nonché il prossimo chip ZK DePiN, ZK Air e ZK Pro.

Ciascuna azienda è specializzata nella produzione di hardware come chip, ASIC e semiconduttori che accelerano l'avvio/il calcolo FHE.

AI X HE

Recentemente, c’è stato un crescente interesse nell’integrazione dell’FHE nell’AI/ML. Tra le altre cose, FHE impedisce alle macchine di apprendere informazioni sensibili durante l'elaborazione e garantisce riservatezza per dati, modelli e output durante tutto il processo.

I membri di Ai x FHE includono:

Mind network (@mindnetwork_xyz), un livello di re-staking FHE utilizzato per proteggere le reti Proof-of-Stake (PoS) e AI attraverso la crittografia dei dati di alto valore e il voto privato, riducendo la possibilità di collusione e manipolazione dei nodi.

SightAl (@theSightAI), una blockchain di inferenza AI FHE verificabile con FHE-ML verificabile. La blockchain è composta da tre parti principali: la catena visiva, il livello di aggregazione dei dati (livello DA) e una rete di inferenza visiva (Sight Inference Network), che esegue attività FHE-ML.

Based AI (@getbasedai), Based AI è una blockchain L1 che integra FHE con modelli linguistici di grandi dimensioni (LLM) utilizzando un meccanismo chiamato Cerberus Squeezing, che può convertire qualsiasi modello di linguaggio di grandi dimensioni LLM a conoscenza zero (ZL-LLM) per la crittografia.

Privasea Al (@Privasea_ai), Privasea AI è una rete AI che consente agli utenti di crittografare i propri dati o modelli utilizzando lo schema FHE nella libreria HESea, quindi caricarli sulla rete Privasea-AI, dove la blockchain elabora i dati in un stato crittografato.

La libreria HESea è completa e contiene diverse librerie per TFHE, CKKS e BGV/BFV ed è compatibile con una vasta gamma di scenari.

"Soluzione alternativa" MPC/ZKFHE

Alcuni non utilizzano FHE, ma utilizzano MPC per proteggere dati di alto valore ed eseguire "calcoli ciechi", mentre altri utilizzano ZKSNARK per garantire la correttezza dei calcoli di FHE sui dati crittografati. Sono:

Nillion Network (@nillionnetwork), una rete informatica che utilizza MPC per decentralizzare e archiviare dati di alto valore, consentendo agli utenti di scrivere programmi ed eseguire calcoli alla cieca. Nillion è costituito da due componenti principali: il livello di coordinamento e la Petnet. Il livello di coordinamento funge da canale di pagamento, mentre Petnet esegue il calcolo cieco e l’archiviazione di dati di alto valore.

Padolabs (@padolabs), Pado è una rete informatica che utilizza FHE per elaborare dati sensibili, sfruttando MPC-TLS e ZKP per garantire la correttezza dei calcoli.

Sfide e soluzioni della FHE

A differenza di ZK e MPC, FHE è ancora nelle fasi iniziali. Quali sono oggi i colli di bottiglia nell’EFE? Per aumentare la sicurezza del computer, durante la crittografia viene aggiunto del "rumore" al testo cifrato. Quando nel testo cifrato si accumula troppo "rumore", questo diventa troppo "rumoroso" e alla fine influisce sulla precisione dell'output. Diverse soluzioni stanno esplorando come eliminare efficacemente il rumore senza imporre troppi vincoli alla progettazione, tra cui TFHE, CKKS, BGV e altre.

Le principali sfide per l’EFHE includono:

Prestazioni lente: attualmente, i contratti intelligenti privati ​​che utilizzano fh-EVM hanno solo 5 TPS. TFHE ora funziona circa 1000 volte più lentamente rispetto ai dati puri.

Non ancora adatto agli sviluppatori: mancano ancora algoritmi standardizzati e strumenti FHE complessivamente supportati.

Elevato sovraccarico computazionale (costo): ciò può portare alla centralizzazione dei nodi a causa della gestione del rumore e di calcoli complessi da avviare.

Rischi di FHE su una catena non protetta: per garantire la sicurezza di qualsiasi sistema di decrittografia a soglia, le chiavi di decrittografia vengono distribuite tra i nodi. Tuttavia, a causa del maggiore sovraccarico dell’FHE, ciò potrebbe comportare un numero inferiore di validatori e quindi una maggiore probabilità di collusione.

Le soluzioni includono:

Boost programmabile: consente di applicare i calcoli durante l'avvio, aumentando così l'efficienza pur essendo specifico dell'applicazione.

Accelerazione hardware: sviluppa librerie ASIC, GPU e FPGA e OpenFHE per accelerare le prestazioni FHE.

Migliore sistema di decrittazione delle soglie. In breve, per rendere l’FHE on-chain più sicuro, abbiamo bisogno di un sistema (che può essere MPC) per garantire: bassa latenza; abbassare la soglia di ingresso del nodo e ottenere la tolleranza ai guasti;

Collegamento originale