IOSG Ventures: Vitalik はそれを賞賛しましたが、FHE 完全準同型暗号化の応用可能性は何ですか?

星球君的朋友们

Odaily资深作者

2024-05-07 12:29 (UTC+8)

この記事は約5647文字で、全文を読むには約9分かかります

「FHE は暗号化の聖杯です。FHE は、Web2 であろうと Web3 であろうと、時間の経過とともにすべてのコンピューティングのアーキテクチャを再構築するでしょう。」

AI要約

展開

原作者: ムスタファ・ホウラニ

オリジナル編集: IOSG チーム

序文

完全準同型暗号化 (FHE) の紹介: そのエキサイティングなアプリケーション、制限事項、その人気を促進する最新の開発について調べてください。

私 (ムスタファ) が初めて「完全準同型暗号化」(FHE) について聞いたとき、人気のある概念に長い名前を付けるブロックチェーン分野の傾向を思い出しました。ここ何年にもわたって、私たちは業界に一石を投じる多くの流行語に出会ってきました。その最新のものは「ゼロ知識証明」(ZKP) です。

いくつかのリサーチを行い、FHE を使用して製品を構築している新しい企業をいくつか探索した後、素晴らしい新しいツールが溢れていることに気づきました。今後数カ月、数年で、FHE は ZKP と同様に、業界を席巻する次の大きなテクノロジーになる可能性があります。企業は暗号化とクラウドコンピューティングの最新の進歩を活用して、強力なデータプライバシーの未来への道を切り開いています。問題は、そこに到達できるかどうかではなく、いつそこに到達できるかということであり、FHE がデータのプライバシーと所有権を前進させるための重要な触媒になる可能性があると私は信じています。

準同型性とは何ですか

準同型性（準同型性）という言葉について、まずは「準同型性」という言葉の意味を理解しましょう。そのルーツをたどると、準同型性は数学に由来し、それらの間にコア成分を保持する同じタイプの 2 つの代数構造間の写像として定義されます。

私と同じように、実際的な定義を好む人にとって、この背後にある計算は、同じコア特性を持つために 2 つのグループがまったく同じである必要はないということです。たとえば、果物が入った 2 つの箱があり、それぞれの箱が異なるグループに対応しているとします。

ボックス A には小さな果物が入っています。
ボックス B には大きな果物が入っています。

ボックス A で小さなリンゴとオレンジを一緒にジュースにすると、個々の果物のサイズが異なるにもかかわらず、ボックス B で大きなリンゴとオレンジを一緒にジュースにした場合と同じブレンドジュースの風味が得られます。同じフレーバーを生み出すためにジュースを搾ることは、2 つの箱の間にコアコンポーネントを維持することに似ています。同じ味を重視するのであれば、果汁の量は重視していないので、どの箱から搾っても問題ありません。重要な点 (フレーバー) では、2 つのグループは同等であるため、それらの違い (サイズと量) は、特定のジュースのフレーバーを生成するという、それらの主な機能として定義されるものには影響しません。

準同型性との類推により、その 2 つの主な特徴がわかります。

マッピング: ボックス A の小さな果物がそれぞれボックス B の大きなバージョンに対応する、果物間の接続を作成します。したがって、箱 A の小さなリンゴは箱 B の大きなリンゴに対応し、以下同様になります。
操作上の保持: ボックス A で 2 つの小さな果物を絞ると特定の風味が得られる場合、ボックス B で対応する大きな果物を絞ると同じ風味が得られるはずです。得られるジュースのサイズと量が異なるにもかかわらず、「風味プロファイル」は維持されます。

完全準同型暗号とは

これをこの記事の中心トピックに結び付けます。完全準同型暗号化 (FHE) は、元のデータを公開せずに暗号化されたデータに対して計算を実行できるようにする特定のデータ暗号化方式です。理論的には、暗号化されたデータに対して実行された分析と計算は、元のデータに対して実行されたものと同じ結果を生成するはずです。 FHE を使用すると、暗号化されたデータセット内のデータと元のデータセット内のデータの間に 1 対 1 の接続が作成されます。この場合、保持されるコアコンポーネントは、どちらのデータセットのデータに対しても計算を実行し、同じ結果を生成する機能です。

これに関して、多くの企業はユーザーデータを保護し、差分プライバシーを維持するために予防措置を講じています。企業が暗号化されていない生のデータをクラウドやデータベースに保存することはほとんどありません。したがって、攻撃者が企業のサーバーを制御したとしても、データを読み取ってアクセスするには暗号化をバイパスする必要があります。ただし、データが暗号化されるだけで使用されないのは面白くありません。企業がデータを分析して貴重な洞察を得るには、データを復号化する以外に選択肢はありません。データが復号化されると、脆弱になります。ただし、エンドツーエンド暗号化を使用すると、分析するためにデータを復号する必要がなくなるため、FHE は非常に便利になります。これは可能性の氷山の一角にすぎません。

重要な考慮事項は、そもそも企業が当社の個人情報を読み取り、保存することを許可されるべきかどうかです。多くの人からの標準的な反応は、企業は私たちにより良いサービスを提供するために私たちのデータを見る必要があるというものです。

YouTube が私の視聴履歴や検索履歴などのデータを保存していない場合、アルゴリズムはその潜在能力を最大限に発揮して、私が興味を持った動画を表示することができません。その結果、データプライバシーとより良いサービスへのアクセスとの間のトレードオフには価値があると多くの人が考えています。ただし、FHE を使用すると、このトレードオフを行う必要がなくなりました。 YouTube のような企業は、暗号化されたデータでアルゴリズムをトレーニングし、データプライバシーを侵害することなくエンドユーザーに同じ結果を提供できます。具体的には、私の視聴履歴や検索履歴などの情報を準同型暗号化し、見ずに分析し、その分析に基づいて私に興味のある動画を見せてくれます。

FHE は、データが組織に無償で提供される貴重な商品ではなくなる未来を築くための重要な一歩です。

完全準同型暗号の応用

完全準同型暗号化 (FHE) が正しく適用されれば、ユーザーデータを保存するすべての業界にとって画期的な進歩となります。私たちは、データプライバシーと企業による侵入の許容限界に対する私たちの態度全体を変える可能性のあるテクノロジーを検討しています。

まず、FHE が医療業界のデータ慣行をどのように変革できるかを見てみましょう。多くの病院は、個人的な患者記録をデータベースに保存していますが、倫理的および法的理由から機密にしておく必要があります。ただし、この情報は外部の医学研究者にとって非常に貴重であり、データを分析して病気や潜在的な治療法についての重要な洞察を導き出すことができます。研究の進歩を遅らせる主な障害は、データを研究者にアウトソーシングする際に患者データの完全な機密性を維持することです。患者記録を匿名化または擬似匿名化する方法は数多くありますが、これらの方法は完璧ではなく、個人に関する情報が多すぎて個人を特定できない場合や、症例に関する情報が不十分で入手が困難になる場合があります。人に関する情報、病気についての正確な洞察。

FHE を使用すると、病院は患者データを準同型的に暗号化できるため、クラウドでの患者のプライバシーの保護が容易になります。医療研究者は、患者のプライバシーを侵害することなく、暗号化されたデータに対して計算を実行し、分析機能を実行できます。暗号化されたデータと元のデータの間には 1 対 1 のマッピングがあるため、暗号化されたデータセットから得られた結果は、実際のケースに適用できる実際の洞察を提供します。 FHE はヘルスケア業界を急速に進歩させることができます。

人工知能 (AI) トレーニングにおける完全準同型暗号化 (FHE) のもう 1 つのエキサイティングなアプリケーションは注目に値します。現在、AI 分野はプライバシーの問題に直面しており、企業が AI アルゴリズムを改良するために不可欠な大規模かつ広範囲のデータセットを取得する能力を妨げています。 AI をトレーニングする企業は、限られた公開データセットを使用するか、プライベートデータセットに多額の費用を支払うか、データセットを作成するかのいずれかを選択する必要がありますが、後者はユーザーの少ない小規模企業にとって特に困難です。 FHE は、多くのデータセットプロバイダーがこの市場に参入するのを妨げているプライバシー上の懸念に対処できるはずです。したがって、FHE の改善は、AI のトレーニングに利用できるデータセットの数の増加につながる可能性があります。これにより、利用可能なデータセットの多様性が増し、AI トレーニングがより経済的に実現可能かつ洗練されたものになります。

FHE を使用すると、企業は元のデータを漏らすことなく、暗号化されたデータで機械学習モデルをトレーニングできます。これは、データ所有者がプライバシー侵害やデータ悪用を心配することなく、暗号化されたデータを安全に共有できることを意味します。同時に、AI モデルトレーナーは、FHE なしでは利用できない可能性のある、より多様で包括的なデータセットを活用することで、アルゴリズムを改善できます。したがって、完全準同型暗号化はデータのセキュリティを向上させるだけでなく、AI 研究開発の可能性を広げ、AI テクノロジーの応用をより広範囲かつ効率的にします。

過去の完全準同型暗号の欠点

完全準同型暗号化 (FHE) は確かに現代のビッグデータの変革を約束しますが、なぜもっと実用的なアプリケーションがまだ登場していないのでしょうか?

FHE は長年にわたって議論と研究のテーマとなってきましたが、現実には FHE を実際に実装するのは非常に困難です。中心的な課題は、FHE を実行するために必要なコンピューティング能力にあります。完全に準同型的に安全なデータセットは、元のデータ形式と同一の分析結果を生成できます。これは、かなりのコンピューティング速度とパワーを必要とする困難な偉業ですが、その多くは既存のコンピュータで実装するのが非現実的です。生データでは通常数秒かかる操作が、準同型暗号化されたデータセットでは数時間、場合によっては数日かかる場合があります。この計算上の課題により、多くのエンジニアが FHE プロジェクトの着手を遅らせるという永続的なサイクルが生じ、その結果、開発が遅れ、メリットの完全な実現が制限されます。

FHE でエンジニアが直面する具体的な計算問題の 1 つは、「ノイズエラー」への対処です。準同型暗号化されたデータセットに対して計算を実行する場合、多くのエンジニアは、各計算で追加のノイズやエラーが生成される状況に遭遇します。数回の計算のみが必要な場合にはこれは許容できますが、複数回の解析を行うとノイズが非常に顕著になり、生データが理解しにくくなることがあります。データがほぼ失われます。

なぜ今なのか

かつて主流になるまでは限定的で原始的だと考えられていた生成 AI と同様に、完全準同型暗号 (FHE) も同様の進歩の軌道をたどっています。ブロックチェーン分野以外の企業も含め、多くの業界リーダーが結集して、FHE に関する実質的な研究開発を組織しています。これにより、このテクノロジーの進歩に関する説得力のある物語を推進する、いくつかの最近の業界の発展がもたらされました。

DPRIVEプロジェクト

2021 年 3 月、マイクロソフト、インテル、米国国防高等研究計画局 (DARPA) は、完全準同型暗号 (FHE) の開発を加速するための複数年にわたるプログラムを開始することに合意しました。「仮想環境におけるデータ保護 (DPRIVE)」と呼ばれるこの取り組みは、FHE にとって大きな進歩を示します。これは、クラウドコンピューティングとコンピューターハードウェアを専門とする業界の巨人 2 社が力を合わせてデータプライバシーの問題に取り組むことを示しています。彼らは、FHE の計算速度を管理できるコンピュータとソフトウェアを構築し、誤った使用によるデータ漏洩を防ぐために FHE を正確に実装するためのガイドラインを確立するためにこのプロジェクトを立ち上げました。

DPRIVE イニシアチブの一環として、エンジニアはノイズを元のデータのレベルまで低減する方法を模索することで、前述の「ノイズエラー」を軽減する任務を負っていました。有望な解決策の 1 つは、Large Arithmetic Word Size (LAWS) データ表現を設計することです。従来のコンピュータプロセッサ (CPU) は通常 64 ビットワードを使用しますが、エンジニアは 1024 ビットワード以上を処理できる新しい LAWS ハードウェアを開発しています。この方法が機能するのは、長い単語が信号対雑音比に直接影響することが研究で示されているためです。簡単に言えば、ワードが長いほど、FHE で計算ステップが追加されるたびに生成されるノイズが少なくなり、データ損失のしきい値に達するまでより多くの計算を実行できるようになります。 DPRIVE プログラムに参加しているエンジニアは、これらの課題に対処するための新しいハードウェアを構築することで、FHE の実行に必要な計算負荷を大幅に削減しました。

コンピューティングを加速し、FHE を 100,000 倍高速化するという目標に近づくために、DPRIVE チームは、従来の処理およびグラフィックスユニットの能力を超える新しいデータ処理システムを設計する継続的な取り組みに着手しました。彼らは、複数の命令とデータセットを同時に管理できる新しい複数命令複数データ (MIMD) システムを開発しました。 MIMD は、FHE の高速リアルタイム計算に必要な交通量に対応するために、既存の不適切な道路を使用するのではなく、新しい高速道路を建設することに似ています。

DPRIVE プロジェクトの興味深い点は、コンピューターの数学的計算における「並列処理」が広範囲に使用されていることです。これにより、開発者は複数の大きな数値計算を同時に実行できるようになります。並列処理とは、数学者のグループを配置して、それぞれの仕事を順番に完了させるのではなく、巨大な数学的問題のさまざまな部分に同時に取り組むことと考えることができます。複数の計算を同時に実行すると問題を迅速に解決できますが、過熱を防ぐためにコンピューターは空冷する必要があります。

プログラムの開始から 1 年半以上が経過した 2022 年 9 月、Microsoft、Intel、DARPA は DPRIVE プログラムの第 1 フェーズを正常に完了したと発表しました。彼らは現在、DPRIVE の第 2 フェーズにいます。

SDKとオープンソースライブラリ

多くの大企業が完全準同型暗号化 (FHE) の先駆者となったことにより、利用可能なソフトウェア開発キット (SDK) とオープンソースライブラリの数が爆発的に増加し、開発者が互いの成果を基に構築できるようになりました。

Microsoft は、データセットに対して準同型暗号化を実行するツールを開発者に提供するオープンソースライブラリである Microsoft Seal を発表しました。これにより、より幅広い開発者が FHE を探索できるようになり、エンドツーエンドの暗号化およびコンピューティングサービスへのアクセスが民主化されます。このライブラリには、準同型暗号化手順の例が詳細なコメントとともに提供されており、開発者が正しく安全に使用できるようにガイドされています。

Intel はまた、クラウドで準同型暗号化をより迅速に実装するためのツールを開発者に提供する独自の準同型暗号化ツールキットを立ち上げました。インテルは、柔軟性を維持し、データ処理とコンピューティングの最新の進歩との互換性を確保するためにこのツールキットを設計しました。これには、格子暗号化に合わせた機能、Microsoft Seal とのシームレスな運用統合、準同型暗号化スキームのサンプル、およびユーザーをガイドするための技術ドキュメントが含まれています。

Google の Private Join and Compute オープンソースライブラリは、開発者にマルチパーティコンピューティング (MPC) ツールを提供します。この計算アプローチにより、関係者は生データを互いに公開することなく、異種のデータセットを組み合わせて共有の洞察を得ることができます。 Private Join and Compute は、FHE の暗号化テクノロジーと Private Set Intersection (PSI) を組み合わせて、データ機密性の実践を最適化します。 PSI は、異なるデータセットを持つ関係者が、データを明らかにすることなく共通の要素やデータポイントを識別できるようにするもう 1 つの暗号化手法です。データプライバシーを推進するための Google のアプローチは、FHE だけに焦点を当てているわけではなく、FHE を他の影響力のあるデータプラクティスと統合することで、より広範な MPC コンセプトを優先しています。

FHE 用の信頼できるオープンソースライブラリの利用可能性が増加していることは注目に値します。しかし、知名度の高い企業が業務でこれらのライブラリを実験しているのが観察されると、このことはさらに顕著になります。 2021 年 4 月、証券取引所および資本市場の世界的なテクノロジー企業として有名なナスダックは、FHE をその運営に組み入れました。ナスダックは、インテルの FHE ツールと高速プロセッサーを活用して、マネーロンダリング対策と不正行為検出を通じて金融犯罪と闘います。これは、準同型暗号化を使用して、機密情報を含むデータセット内の貴重な洞察と違法な可能性のあるアクティビティを特定することによって実現されます。

次は何が起こる

完全準同型暗号化 (FHE) は長年にわたり、強力なエンドツーエンド暗号化を約束し、データプライバシーの強力な未来を予告するアイデアでした。最近の開発では、FHE が理論上の夢から現実世界のアプリケーションに変わり始めています。さまざまな企業が FHE の強力で機能が完全なバージョンを最初に実装するために競い合っていますが、多くの企業がこの強力なテクノロジの複雑さを克服するために協力しています。この協力精神は、さまざまなチーム間プロジェクトの実装や、他のライブラリと統合するオープンソースライブラリの開発を通じて明らかです。

私の調査結果によると、FHE をめぐる議論は広範囲に及ぶようです。今後数週間にわたって、FHE 研究についてさらに深く掘り下げ、さらに多くの洞察を共有できることを楽しみにしています。具体的には、次のトピックについてさらに詳しく調べていきたいと考えています。

FHE の新たなアプリケーション:

ゼロ知識証明 (ZKP) と FHE の間の相互作用。
FHE をプライベートセットインターセクション (PSI) と統合して、安全なマルチパーティ計算 (MPC) を進歩させます。
Zama や Fhenix などの新興企業が FHE 分野で先頭に立っている。

参照：

アランパツィス、アナスタシオス、「準同型暗号化の最新開発」Venafi、2022 年 2 月 1 日、venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/。

アランパツィス、アナスタシオス「準同型暗号化とは何か、その使用方法」Venafi、2023 年 4 月 28 日、venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/。

「継続的なデータ保護を可能にするハードウェアの構築」DARPA、2020 年 3 月 2 日、 www.darpa.mil/news-events/2020-03-02。

クリストバル、サミュエル、「完全準同型暗号化: 暗号化の聖杯」、Datascience.Aero、2021 年 1 月 7 日、datascience.aero/ fully-homomorphic-encryption-the-holy-grail-of-cryptography/。

「準同型暗号化: それは何ですか、そしてなぜ重要ですか?」インターネット協会、2023 年 3 月 9 日、 www.internetsociety.org/resources/doc/2023/homomorphic-encryption/。

ハント、ジェームズ「FHENIX、マルチコインキャピタル主導のシードラウンドで700万ドルを調達」The Block、The Block、2023年9月26日、 www.theblock.co/post/252931/fhenix-seed-multicoin-capital。

「インテル®準同型暗号化ツールキット」インテル、2023 年 10 月 8 日にアクセス、 www.intel.com/content/www/us/en/developer/tools/homomorphic-encryption/overview.html#gs.fu 55 im。

「インテル、DARPA プログラムでマイクロソフトと協力」インテル、2021 年 3 月 8 日、 www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs。 ftusxq。

「インテル Xeon が NASDAQ の準同型暗号化の研究開発を推進」インテル、2021 年 4 月 6 日、 www.intel.com /content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-encryption-rd.html#gs .6mpgme。

ジョンソン、リック「インテル、完全準同型暗号化プラットフォームの DARPA DPRIVE フェーズ 1 マイルストーンを完了」インテル、2022 年 9 月 14 日、community.intel.com/t 5/Blogs/Products-and-Solutions/HPC/Intel-Completes- DARPA-DPRIVE-フェーズ 1-マイルストーン-フォー-ア-フル/post/1411021。

「Microsoft Seal: 高速で使いやすい準同型暗号化ライブラリ」。Microsoft Research、2023 年 1 月 4 日、 www.microsoft.com/en-us/research/project/microsoft-seal/。

Paillier、Pascal 博士、「完全準同型暗号化: 暗号化の聖杯」、ビジネスエイジ、2023 年 3 月 9 日、 www.businessage.com/post/full-homomorphic-encryption-the-holy-grail-of-cryptography。

サマニ、カイル「オンチェーン FHE の夜明け」、2023 年 9 月 26 日、multicoin.capital/2023/09/26/the-dawn-of-on-chain-fhe/。

Walker、Amanda、他「組織のさらなるデータ収集を支援」、Google オンラインセキュリティブログ、2019 年 6 月 19 日、security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more -データ.html。

「完全準同型暗号化とは何ですか?」Inpher、2021 年 4 月 11 日、inpher.io/technology/what-is- fully-homomorphic-encryption/。

ホワイト、マット「生成 AI の簡単な歴史」ミディアム、2023 年 7 月 8 日、matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Should% 20ほとんど% 20 人% 20 意志% 20 認める、% 20 安定性% 20 AI % 20 安定% 20 拡散。

テクノロジー

IOSG Ventures

Vitalik

Odaily公式コミュニティへの参加を歓迎します