FHE (Fully Homomorphic Encryption) adalah teknologi enkripsi canggih yang memungkinkan perhitungan langsung pada data terenkripsi. Ini berarti data dapat diproses sambil melindungi privasi. FHE memiliki berbagai potensi aplikasi, terutama dalam bidang pemrosesan dan analisis data yang memerlukan perlindungan privasi, seperti keuangan, kesehatan, komputasi awan, pembelajaran mesin, sistem pemungutan suara, Internet of Things, perlindungan privasi blockchain, dan lain-lain. Namun, komersialisasinya masih memerlukan waktu, tantangan utamanya adalah beban komputasi dan memori yang besar yang dihasilkan oleh algoritma, serta skalabilitas yang buruk. Berikut ini, kami akan memperkenalkan prinsip dasar algoritma dan fokus pada masalah yang dihadapi oleh algoritma kriptografi ini.
Prinsip Dasar
Untuk menghitung data terenkripsi dan mendapatkan hasil yang sama, FHE menggunakan polinomial untuk menyembunyikan informasi asli. Polinomial dapat diubah menjadi masalah aljabar linier atau masalah perhitungan vektor, sehingga memudahkan komputer modern melakukan operasi yang sangat dioptimalkan ( seperti perhitungan paralel ).
Sebagai contoh angka digital kripto 2, dalam sistem HE yang disederhanakan, mungkin akan:
Pilih polinomial kunci s(x) = 3x^2 + 2x + 1
Menghasilkan polinomial acak a(x) = 2x^2 + 5x + 3
Menghasilkan polinomial "kesalahan" kecil e(x) = -x + 2
c(x) = 2 + a(x)*s(x) + e(x)
Langkah ini dilakukan untuk melindungi kerahasiaan s(x). Selama kita mengetahui s(x) dan mengabaikan kesalahan kecil dalam c(x), kita dapat memperoleh plaintext m.
Dalam memilih polinomial, perlu mempertimbangkan:
Derajat polinomial biasanya merupakan pangkat 2, seperti 1024/2048
Koefisien dipilih secara acak dari medan terbatas q, seperti mod 10000
Berbagai skema memiliki persyaratan pemilihan koefisien yang berbeda.
Memperkenalkan kebisingan e(x) adalah untuk membingungkan penyerang, mencegah mereka dari menyimpulkan hubungan antara s(x) dan c(x) melalui pengulangan input plaintext m. Anggaran kebisingan (Noise Budget) adalah parameter penting yang menentukan jumlah perhitungan yang dapat dilakukan.
Untuk mewakili operasi seperti c(x) * d(x), perlu untuk mengubahnya menjadi "sirkuit". Model sirkuit dapat secara akurat melacak dan mengelola noise yang diperkenalkan oleh setiap operasi, dan juga memudahkan untuk mempercepat perhitungan di perangkat keras khusus seperti ASIC dan FPGA. Sirkuit dapat dibagi menjadi dua jenis: sirkuit aritmatika dan sirkuit boolean.
Kebisingan adalah alasan utama yang membatasi ekspresi algoritma HE untuk perhitungan arbitrer. Untuk mengatasi masalah ini, berbagai solusi telah diusulkan:
LHE: Cocok untuk mengeksekusi fungsi apa pun dalam kedalaman yang ditentukan.
Kunci switching: Mengompres ciphertext, tetapi akan memperkenalkan sedikit noise
Modulus Switching: Mengurangi noise dengan mengurangi modulus q
Bootstrap: Mengatur ulang kebisingan ke tingkat asli, mempertahankan kemampuan komputasi sistem
Saat ini, solusi FHE yang mainstream menggunakan teknologi Bootstrap, termasuk BGV, BFV, CKKS, TFHE, dan lainnya.
Masalah yang Dihadapi FHE
Tantangan utama FHE terletak pada biaya komputasi yang besar. Misalnya, dalam dekripsi AES-128, waktu komputasi versi FHE sekitar 500 juta kali lebih lama dibandingkan versi biasa.
Untuk menghadapi tantangan ini, DARPA meluncurkan program Dprive pada tahun 2021, dengan tujuan meningkatkan kecepatan perhitungan FHE menjadi 1/10 dari perhitungan biasa. Program ini dimulai dari beberapa aspek berikut:
Tingkatkan panjang kata pemrosesan menjadi 1024 bit atau lebih besar
Membangun prosesor ASIC khusus
Membangun arsitektur paralel MIMD
Meskipun kemajuan berjalan lambat, teknologi FHE tetap memiliki makna unik, terutama dalam menangani data sensitif. Ini sangat cocok untuk data sensitif yang kritis di bidang pertahanan, medis, dan keuangan, dan menjadi lebih penting di era pasca-kuantum.
Penggabungan Blockchain
Dalam blockchain, FHE terutama digunakan untuk melindungi privasi data, dengan bidang aplikasi termasuk privasi on-chain, privasi data pelatihan AI, privasi pemungutan suara on-chain, dan tinjauan transaksi privasi on-chain. FHE juga dianggap sebagai salah satu solusi MEV on-chain yang potensial.
Namun, perdagangan kripto yang sepenuhnya juga dapat menyebabkan beberapa masalah, seperti hilangnya eksternalitas positif yang disebabkan oleh bot MEV, validator dan Builder perlu beroperasi di lingkungan FHE, yang secara signifikan meningkatkan persyaratan operasi node dan mengurangi throughput jaringan.
Proyek Utama
Sebagian besar proyek FHE saat ini menggunakan teknologi dari Zama, seperti Fhenix, Privasea, Inco Network, Mind Network, dan lain-lain. Perbedaan utama antara proyek-proyek ini terletak pada model bisnis:
Fhenix: membangun Optimism Layer 2 yang mengutamakan privasi
Privasea: Menggunakan FHE untuk operasi data LLM
Inco Network: Membangun Layer 1
Arcium: Menggabungkan teknologi FHE, MPC, dan ZK
Jaringan Pikiran: Pilih jalur Restaking
Zama
Zama berbasis skema TFHE, menggunakan teknologi Bootstrap, cocok untuk memproses operasi Boolean dan operasi bilangan bulat dengan panjang rendah. Pekerjaan utamanya meliputi:
Menulis ulang TFHE menggunakan Rust
Mengembangkan alat Concrate, mengubah Python menjadi kode setara rs-TFHE
Mengembangkan fhEVM, mendukung kontrak pintar terenkripsi end-to-end yang dikompilasi berdasarkan Solidity
Zama sebagai produk To B, telah membangun tumpukan pengembangan blockchain + AI yang cukup lengkap berdasarkan TFHE.
Octra
Octra menggunakan teknologi hypergraphs untuk mengimplementasikan bootstrap, dan percaya bahwa ini dapat mencapai FHE yang lebih efisien. Ciri-cirinya termasuk:
Membangun bahasa kontrak pintar baru
Mengembangkan pustaka Hypergraph FHE
Membangun arsitektur mainnet dan subnets
Mengembangkan protokol konsensus ML-consensus berbasis pembelajaran mesin
Menantikan
Teknologi FHE masih berada di tahap awal, perkembangannya tidak secepat teknologi ZK. Tantangan utama termasuk biaya tinggi, kesulitan rekayasa yang tinggi, dan prospek komersialisasi yang tidak jelas. Seiring dengan semakin banyaknya dana dan perhatian yang masuk, diperkirakan akan muncul lebih banyak proyek FHE.
Implementasi chip FHE adalah prasyarat penting untuk komersialisasi, saat ini beberapa vendor seperti Intel, Chain Reaction, Optalysys, dan lain-lain sedang mengeksplorasi bidang ini.
Meskipun menghadapi hambatan teknis, FHE sebagai teknologi yang sangat menjanjikan dan memiliki permintaan yang jelas, dapat membawa perubahan mendalam bagi sektor pertahanan, keuangan, kesehatan, dan lainnya. Dengan hadirnya chip FHE, yang melepaskan potensi data privasi dan menggabungkan dengan teknologi algoritma kuantum di masa depan, FHE diharapkan akan mengalami momen ledakan.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
13 Suka
Hadiah
13
4
Posting ulang
Bagikan
Komentar
0/400
ThatsNotARugPull
· 8jam yang lalu
kapan peluncuran pakaian stealth?
Lihat AsliBalas0
FudVaccinator
· 23jam yang lalu
Fully homomorphic, you are right about that.
Lihat AsliBalas0
AirdropHunter
· 08-12 19:23
Jas kamuflase bisa, saya ingin mencuri data privasi.
Analisis teknologi FHE: bagaimana enkripsi homomorphic sepenuhnya membawa revolusi komputasi privasi untuk Web3
FHE: Mengenakan Jubah Gaib Harry Potter
FHE (Fully Homomorphic Encryption) adalah teknologi enkripsi canggih yang memungkinkan perhitungan langsung pada data terenkripsi. Ini berarti data dapat diproses sambil melindungi privasi. FHE memiliki berbagai potensi aplikasi, terutama dalam bidang pemrosesan dan analisis data yang memerlukan perlindungan privasi, seperti keuangan, kesehatan, komputasi awan, pembelajaran mesin, sistem pemungutan suara, Internet of Things, perlindungan privasi blockchain, dan lain-lain. Namun, komersialisasinya masih memerlukan waktu, tantangan utamanya adalah beban komputasi dan memori yang besar yang dihasilkan oleh algoritma, serta skalabilitas yang buruk. Berikut ini, kami akan memperkenalkan prinsip dasar algoritma dan fokus pada masalah yang dihadapi oleh algoritma kriptografi ini.
Prinsip Dasar
Untuk menghitung data terenkripsi dan mendapatkan hasil yang sama, FHE menggunakan polinomial untuk menyembunyikan informasi asli. Polinomial dapat diubah menjadi masalah aljabar linier atau masalah perhitungan vektor, sehingga memudahkan komputer modern melakukan operasi yang sangat dioptimalkan ( seperti perhitungan paralel ).
Sebagai contoh angka digital kripto 2, dalam sistem HE yang disederhanakan, mungkin akan:
Langkah ini dilakukan untuk melindungi kerahasiaan s(x). Selama kita mengetahui s(x) dan mengabaikan kesalahan kecil dalam c(x), kita dapat memperoleh plaintext m.
Dalam memilih polinomial, perlu mempertimbangkan:
Memperkenalkan kebisingan e(x) adalah untuk membingungkan penyerang, mencegah mereka dari menyimpulkan hubungan antara s(x) dan c(x) melalui pengulangan input plaintext m. Anggaran kebisingan (Noise Budget) adalah parameter penting yang menentukan jumlah perhitungan yang dapat dilakukan.
Untuk mewakili operasi seperti c(x) * d(x), perlu untuk mengubahnya menjadi "sirkuit". Model sirkuit dapat secara akurat melacak dan mengelola noise yang diperkenalkan oleh setiap operasi, dan juga memudahkan untuk mempercepat perhitungan di perangkat keras khusus seperti ASIC dan FPGA. Sirkuit dapat dibagi menjadi dua jenis: sirkuit aritmatika dan sirkuit boolean.
Kebisingan adalah alasan utama yang membatasi ekspresi algoritma HE untuk perhitungan arbitrer. Untuk mengatasi masalah ini, berbagai solusi telah diusulkan:
Saat ini, solusi FHE yang mainstream menggunakan teknologi Bootstrap, termasuk BGV, BFV, CKKS, TFHE, dan lainnya.
Masalah yang Dihadapi FHE
Tantangan utama FHE terletak pada biaya komputasi yang besar. Misalnya, dalam dekripsi AES-128, waktu komputasi versi FHE sekitar 500 juta kali lebih lama dibandingkan versi biasa.
Untuk menghadapi tantangan ini, DARPA meluncurkan program Dprive pada tahun 2021, dengan tujuan meningkatkan kecepatan perhitungan FHE menjadi 1/10 dari perhitungan biasa. Program ini dimulai dari beberapa aspek berikut:
Meskipun kemajuan berjalan lambat, teknologi FHE tetap memiliki makna unik, terutama dalam menangani data sensitif. Ini sangat cocok untuk data sensitif yang kritis di bidang pertahanan, medis, dan keuangan, dan menjadi lebih penting di era pasca-kuantum.
Penggabungan Blockchain
Dalam blockchain, FHE terutama digunakan untuk melindungi privasi data, dengan bidang aplikasi termasuk privasi on-chain, privasi data pelatihan AI, privasi pemungutan suara on-chain, dan tinjauan transaksi privasi on-chain. FHE juga dianggap sebagai salah satu solusi MEV on-chain yang potensial.
Namun, perdagangan kripto yang sepenuhnya juga dapat menyebabkan beberapa masalah, seperti hilangnya eksternalitas positif yang disebabkan oleh bot MEV, validator dan Builder perlu beroperasi di lingkungan FHE, yang secara signifikan meningkatkan persyaratan operasi node dan mengurangi throughput jaringan.
Proyek Utama
Sebagian besar proyek FHE saat ini menggunakan teknologi dari Zama, seperti Fhenix, Privasea, Inco Network, Mind Network, dan lain-lain. Perbedaan utama antara proyek-proyek ini terletak pada model bisnis:
Zama
Zama berbasis skema TFHE, menggunakan teknologi Bootstrap, cocok untuk memproses operasi Boolean dan operasi bilangan bulat dengan panjang rendah. Pekerjaan utamanya meliputi:
Zama sebagai produk To B, telah membangun tumpukan pengembangan blockchain + AI yang cukup lengkap berdasarkan TFHE.
Octra
Octra menggunakan teknologi hypergraphs untuk mengimplementasikan bootstrap, dan percaya bahwa ini dapat mencapai FHE yang lebih efisien. Ciri-cirinya termasuk:
Menantikan
Teknologi FHE masih berada di tahap awal, perkembangannya tidak secepat teknologi ZK. Tantangan utama termasuk biaya tinggi, kesulitan rekayasa yang tinggi, dan prospek komersialisasi yang tidak jelas. Seiring dengan semakin banyaknya dana dan perhatian yang masuk, diperkirakan akan muncul lebih banyak proyek FHE.
Implementasi chip FHE adalah prasyarat penting untuk komersialisasi, saat ini beberapa vendor seperti Intel, Chain Reaction, Optalysys, dan lain-lain sedang mengeksplorasi bidang ini.
Meskipun menghadapi hambatan teknis, FHE sebagai teknologi yang sangat menjanjikan dan memiliki permintaan yang jelas, dapat membawa perubahan mendalam bagi sektor pertahanan, keuangan, kesehatan, dan lainnya. Dengan hadirnya chip FHE, yang melepaskan potensi data privasi dan menggabungkan dengan teknologi algoritma kuantum di masa depan, FHE diharapkan akan mengalami momen ledakan.