原文作者:Haotian
Vitalik 一篇關於 FHE(Fully Homomorphic Encryption)全同態加密的文章,又一次激發了大家對新型加密技術的探索和想象空間。在我看來,FHE 全同態加密的確比 ZKP 技術想象空間大了一個梯級,可以助力 AI+Crypto 更多應用場景落地。該如何理解呢?
1)定義:FHE 全同態加密可實現對特定形式的加密數據進行運算,而不必擔心暴露數據和隱私。相比之下,ZKP 只能解決數據在加密狀態下的一致性傳輸問題,接收數據方只能驗證提交數據方的數據是真實的,是點對點的加密傳輸方案;而全同態加密並沒有限定進行運算的主體範圍,因此可視爲一種多對多的加密運算方案。
2)How it works:傳統計算機運算都是對明文數據展開運算,如果是加密數據需要先解密再進行計算,這樣一來難免會暴露隱私數據。同態加密構造了一種特殊的加密方案,可以對密文進行「同態」變換,使得運算得到的結果與明文進行運算保持相同。 在同態加密系統中明文的加法運算相當於密文的乘法運算(一種規律),因此若想要對明文數據進行加法,只需要對密文進行乘法計算即可(等效性)。
總之,同態加密就是通過特殊的同態變化使得數據在密文狀態下運算可以得到明文一樣的結果,只需要確保在運算規則的同態對應特性即可。
3)應用場景:在傳統互聯網領域,FHE 全同態加密可以在雲存儲、生物識別、醫療健康、金融、廣告投放、基因測序等非常廣泛的領域應用到。 以生物識別爲例,個人的指紋、虹膜、面部等生物特徵數據都是敏感數據,使用 FHE 技術可以實現這些數據在服務器密文狀態下進行對比和驗證;同理,醫療健康領域多年的數據割裂,可以用 FHE 來打破,讓不同醫療結構可以在不共享原始數據的情況下進行聯合分析和建模。
而在 Crypto 領域,FHE 應用空間也可以涉及遊戲、DAO 投票治理、MEV 保護、隱私交易、監管合規等多個需要重隱私的場景。以遊戲場景爲例:平臺在不窺探玩家手裏卡牌的前提下,展開運算推動遊戲進行,使得遊戲更加公平;
同樣以 DAO 投票爲例,巨鯨參與投票治理可以不暴露地址和投票數量,就能讓協議通過運算產生投票結果;此外用戶可以向 Mempool 傳入加密的交易,進而可避免目標地址、轉賬數額等隱私消息被暴露;又比如監管場景,政府可以監控資金池,在不查看合法交易隱私數據的錢體系把涉黑地址的資產剝離。
4)不足之處:值得注意的是,計算機明文實施常規運算的計算環境往往比較複雜,除了加減乘除還有條件循環、邏輯門判斷等等,而半同態加密和全同態加密等目前只能在加法和乘法上快速展開,更復雜的運算需要組合疊加,相應會加大算力需求。
因此,理論上全同態加密可以支持任意計算,但礙於性能瓶頸和算法特質使得當前能夠高效執行的同態計算種類和複雜度非常有限。大凡複雜的運算就會需要較大的計算算力消耗。故而,全同態加密的技術落地過程其實是算法優化和計算算力成本控制優化的發展過程,尤其要關注硬件加速和算力增強之後的表現。
以上
在我看來,FHE 全同態加密雖然短時間很難成熟落地並應用,但其作爲 ZKP 技術的延展補充,可以爲 AI 大模型隱私計算、AI 數據聯合建模、AI 協作訓練、Crypto 隱私合規交易、Crypto 場景延伸等方面提供很好的助力價值。