FHE: Накрийся невидимим плащем Гаррі Поттера

FHE (гомоморфне шифрування) є передовою технологією шифрування, яка дозволяє виконувати обчислення безпосередньо на зашифрованих даних. Це означає, що дані можуть оброблятися з одночасним захистом конфіденційності. FHE має кілька потенційних застосувань, особливо в сферах обробки та аналізу даних, що потребують захисту конфіденційності, таких як фінанси, охорона здоров'я, хмарні обчислення, машинне навчання, системи голосування, Інтернет речей, захист конфіденційності блокчейну тощо. Але її комерціалізація все ще потребує часу, основні виклики пов'язані з величезними обчислювальними та пам'яттєвими витратами, які виникають через алгоритм, а також з поганою масштабованістю. Далі ми коротко ознайомимося з основними принципами алгоритму та зосередимося на проблемах, з якими стикається цей криптографічний алгоритм.

! Дослідження Gate Ventures: FHE, надягаючи плащ-невидимку Гаррі Поттера

Основні принципи

Щоб реалізувати обчислення з криптографічними даними та отримати однаковий результат, FHE використовує поліноми для приховування початкової інформації. Поліноми можуть бути перетворені на лінійні алгебраїчні задачі або задачі векторних обчислень, що полегшує сучасним комп'ютерам проведення високо оптимізованих обчислень (, таких як паралельні обчислення ).

Наприклад, взявши за основу криптографічне число 2, у спрощеній системі HE може бути:

1. Виберіть ключовий многочлен s(x) = 3x^2 + 2x + 1
2. Генерація випадкового багаточлена a(x) = 2x^2 + 5x + 3
3. Генерація маленького "помилкового" полінома e(x) = -x + 2
4. Зашифруйте 2 -> c(x) = 2 + a(x)*s(x) + e(x)

Це робиться для захисту конфіденційності s(x). Досить знати s(x) і ігнорувати незначні похибки в c(x), щоб отримати відкритий текст m.

При виборі поліномів потрібно враховувати:

• Ступінь多项式 зазвичай є степенем 2, наприклад, 1024/2048
• Коефіцієнти вибираються випадковим чином з скінченного поля q, наприклад, mod 10000
• Різні варіанти мають різні вимоги до вибору коефіцієнтів.

Введення шуму e(x) має на меті заплутати зловмисників, щоб запобігти виведенню зв'язку між s(x) та c(x) шляхом повторного введення відкритого тексту m. Бюджет шуму (Noise Budget) є важливим параметром, який визначає кількість обчислень, які можна виконати.

Щоб представити операції, такі як c(x) * d(x), необхідно перетворити їх на "схему". Модель схеми може точно відстежувати та управляти шумом, який вводиться кожною операцією, а також полегшує подальше прискорення обчислень на спеціалізованому обладнанні, такому як ASIC, FPGA. Схеми можна поділити на арифметичні та булеві.

Шум є основною причиною, яка обмежує вираження будь-якого обчислення за допомогою алгоритму HE. Для вирішення цієї проблеми було запропоновано кілька рішень:

1. LHE: підходить для виконання будь-якої функції в межах визначеної глибини
2. Ключове перемикання: стиснення зашифрованого тексту, але це призведе до незначного шуму
3. Перемикання модуля: зменшення модуля q для зменшення шуму
4. Bootstrap: скидання шуму до початкового рівня, підтримка обчислювальної здатності системи

На сьогоднішній день основні схеми FHE використовують технологію Bootstrap, включаючи BGV, BFV, CKKS, TFHE тощо.

! Дослідження Gate Ventures: FHE, надягання плаща Гаррі Поттера

Проблеми, з якими стикається FHE

Основна проблема FHE полягає в його величезних обчислювальних витратах. Наприклад, для декодування AES-128 обчислювальний час версії FHE приблизно в 500 мільйонів разів більший, ніж у звичайної версії.

Щоб впоратися з цим викликом, DARPA у 2021 році запустила програму Dprive, метою якої є підвищення швидкості обчислень FHE до 1/10 від звичайних обчислень. Програма розпочала свою роботу з кількох напрямків:

1. Збільшити довжину слова процесора до 1024 біт або більше
2. Побудова спеціалізованого ASIC-процесора
3. Побудова паралельної архітектури MIMD

Хоча прогрес відбувається повільно, технологія FHE все ще має унікальне значення, особливо в обробці чутливих даних. Вона особливо підходить для критично чутливих даних у таких сферах, як національна оборона, медицина, фінанси, і стає ще більш важливою в постквантову еру.

! Дослідження Gate Ventures: FHE, надягаючи плащ-невидимку Гаррі Поттера

Поєднання блокчейн

У блокчейні FHE в основному використовується для захисту конфіденційності даних, до застосувань відносяться конфіденційність на ланцюгу, конфіденційність даних для навчання ШІ, конфіденційність голосування на ланцюгу, конфіденційність перевірки транзакцій на ланцюгу тощо. FHE також вважається одним з потенційних рішень MEV на ланцюгу.

Однак, повністю зашифровані транзакції також можуть призвести до деяких проблем, таких як зникнення позитивних зовнішніх ефектів, викликаних MEV-ботами, оскільки валідатори та будівельники повинні працювати в середовищі FHE, що суттєво підвищує вимоги до роботи вузлів і знижує пропускну здатність мережі.

Основні проекти

Поточна більшість проектів FHE використовує технології від Zama, такі як Fhenix, Privasea, Inco Network, Mind Network тощо. Ці проекти в основному відрізняються за бізнес-моделлю:

• Fhenix: побудова Layer 2 на основі Optimism з пріоритетом на конфіденційність
• Privasea: використання FHE для обчислень даних LLM
• Мережа Inco: будівельний рівень 1
• Arcium: інтеграція технологій FHE, MPC та ZK
• Mind Network: вибір сектора Restaking

Зама

Zama основан на схеме TFHE, использует технологию Bootstrap, подходит для обработки булевых операций и операций с целыми числами малой длины. Его основная работа включает в себя:

1. Переписати TFHE на Rust
2. Розробка інструменту Concrate для перетворення Python в еквівалентний код rs-TFHE
3. Розробка fhEVM, підтримка смарт-контрактів з кінцевим шифруванням на основі Solidity

Zama як продукт для бізнесу побудував досить розвинений стек розробки на основі TFHE з використанням блокчейн + AI.

Октара

Octra використовує технологію гіперграфів для реалізації bootstrap, вважаючи, що це може забезпечити більш ефективний FHE. Його характеристики включають:

1. Створення нової мови смарт-контрактів
2. Розробка бібліотеки Hyperghraph FHE
3. Побудова архітектури основної мережі та підмереж
4. Розробка консенсусного протоколу ML-consensus на основі машинного навчання

! Дослідження Gate Ventures: FHE, надягаючи плащ Гаррі Поттера

Очікування

Технологія FHE все ще перебуває на ранній стадії, розвиток якої не порівняний з технологією ZK. Основні виклики включають високу вартість, складність виконання, невизначеність комерційних перспектив тощо. З ростом фінансування та уваги очікується зростання кількості проектів FHE.

Застосування чіпів FHE є важливою передумовою комерціалізації, наразі кілька виробників, таких як Intel, Chain Reaction, Optalysys та інші, досліджують цю сферу.

Незважаючи на технічні перешкоди, FHE як перспективна технологія з чітким попитом може призвести до глибоких змін у таких галузях, як оборона, фінанси, охорона здоров'я. Завдяки впровадженню чіпів FHE, що розкривають потенціал поєднання даних про конфіденційність та майбутні квантові алгоритми, FHE має всі шанси на вибуховий момент.