VC들 사이에서 인기가 높은 FHE 생태계에서 주목할 만한 프로젝트를 살펴보자
원작자: Poopman
원곡: Joyce, BlockBeats
편집자 주:
"FHE"는 최근 암호화 커뮤니티에서 뜨거운 기술 주제입니다.
2주 전, Ethereum Layer 2 Fhenix는 Hack VC가 주도하는 1,500만 달러 규모의 시리즈 A 자금 조달을 완료했다고 발표했습니다. 작년 초 Fhenix는 Multicoin이 주도하는 시드 자금 조달을 받았습니다. Fhenix는 온체인 기밀 계산을 통해 FHE 기반 스마트 계약을 실행할 수 있는 FHE 롤업 및 FHE 코프로세서로 구동되는 이더리움 L2입니다. 어제 대대적인 업데이트를 진행 중인 Arweave의 창립자인 Sam Williams도 소셜 미디어에 FHE를 사용하여 AO 프로세스 내에서 개인 정보 보호 계산을 수행하는 기능이 곧 출시될 것이라고 밝혔습니다.
FHE 생태학적 프로젝트는 많습니다. KOL Poopman 커뮤니티가 작성한 이 긴 기사는 FHE와 생태학적 프로젝트의 개념을 간략하게 요약하고, BlockBeats가 직면한 기술적 과제와 가능한 솔루션을 다음과 같이 정리했습니다.
FHE는 암호 해독 없이 암호화된 데이터를 계산할 수 있는 가능성을 열어줍니다. FHE는 블록체인, MPC, ZKP(확장성)와 결합하여 필요한 기밀성을 제공하고 다양한 온체인 사용 사례를 지원합니다.
본 글에서는 FHE의 배경, FHE의 운영 방식, FHE 생태계의 5대 지형, 현재 FHE 과제와 솔루션 등 4가지 이슈를 소개하겠습니다.
FHE의 배경
FHE는 1978년에 처음 제안되었지만 계산의 복잡성으로 인해 오랫동안 실용적이지 않았고 오히려 이론적이었습니다. Craig가 FHE에 대한 실행 가능한 모델을 개발한 것은 2009년이 되어서야 FHE에 대한 연구 관심이 촉발되었습니다.
2020년에 Zama는 TFHE와 fhEVM을 출시하여 FHE를 암호화폐 분야의 초점으로 만들었습니다. 그 이후로 우리는 Fhenix, Inco 및 Sunscreen 등과 같은 FHE 컴파일러와 같은 범용 EVM 호환 FHE L1/L2의 출현을 보았습니다.
FHE는 어떻게 작동하나요?
안에 퍼즐 조각이 들어 있는 블라인드 박스가 있다고 상상해 보세요. 그러나 블라인드 박스는 주어진 퍼즐에 대해 아무것도 배울 수 없지만 여전히 수학적으로 결과를 계산할 수 있습니다.
FHE에 대한 간단한 설명이 너무 추상적이라면 자세한 내용을 확인할 수 있습니다. FHE는 암호화된 데이터를 먼저 해독하지 않고도 계산을 수행할 수 있도록 하는 개인 정보 보호 기술입니다. 즉, 모든 제3자 또는 클라우드는 내부적으로 데이터에 액세스하지 않고도 민감한 정보를 처리할 수 있습니다.
그렇다면 FHE의 사용 사례는 무엇입니까? ZKP 및 MPC를 통해 기계 학습, 클라우드 컴퓨팅, 온체인 도박의 개인정보 보호를 강화하세요. FHEVM 등 프라이빗 체인/프라이빗 스마트 계약/프라이버시 중심 가상 머신에서의 거래
일부 FHE 사용 사례에는 비공개 온체인 계산, 온체인 데이터 암호화, 공개 네트워크의 비공개 스마트 계약, 기밀 ERC 20, 비공개 투표, NFT 블라인드 경매, 보다 안전한 MPC, 선행 거래 보호, 무신뢰 브리지가 포함됩니다.
FHE 생태계
일반적으로 온체인 FHE의 전망은 5가지 영역으로 요약될 수 있다. 일반 FHE, 특정 사용 사례(애플리케이션)용 FHE/HE, FHE 가속 하드웨어, FHE Wif AI 및 "대체 솔루션"이 있습니다.
범용 FHE 블록체인 및 도구
이는 블록체인 기밀성의 중추입니다. 여기에는 SDK, 보조 프로세서, 컴파일러, 새로운 실행 환경, 블록체인, FHE 모듈 등이 포함됩니다. 가장 어려운 것은 FHE를 EVM, 즉 fhEVM에 도입하는 것입니다.
fhEVM:
fhEVM의 대표인 Zama( @zama_fhe )는 TFHE(완전 동형 암호화) + fhEVM(완전 동형 가상 머신) 솔루션을 제공하는 최초의 공급자입니다.
Fhenix( @FhenixIO )는 ETH에서 FHE L2(두 번째 레이어) + FHE 보조 프로세서를 구현합니다.
게임/RWA(실제 자산)/DID(분산 ID)/소셜 및 기타 분야에 초점을 맞춘 EVM인 Inco 네트워크( @inconetwork )는 FHE L1과 호환됩니다.
openFHE와 협력하는 완전 동형 가상 머신(FHE-(E)VM) 연구 조직인 FairMath( @FairMath )는 FHE의 구현 및 채택을 촉진하는 데 전념하고 있습니다.
FHE 인프라 도구:
HFHE(High-Order Fully Homomorphic Encryption) 격리 실행 환경을 지원하는 블록체인인 Octra 네트워크( @octra ).
Rust를 기반으로 한 완전 동형 컴파일러인 Sunscreen( @SunscreenTech )은 Microsoft의 SEAL 라이브러리를 사용합니다.
프로그래밍 가능한 암호화 및 조건부 암호 해독 서비스 제공업체인 Fairblock( @0x fairblock )은 tFHE(Threshold Fully Homomorphic Encryption)도 지원합니다.
Dero( @DeroProject )는 개인 거래(FHE 아님)에 대해 HE(동형 암호화)의 L1을 지원합니다.
HE(동형 암호화) + MPC(다자간 계산) + ZK(영지식 증명) 개인 정보 보호를 결합한 @elusivprivacy 팀이 개발한 Arcium( @ArciumHQ ) L1입니다.
Shibraum FHE 체인, FHE L1은 zama TFHE 솔루션을 사용하여 제작되었습니다.
목적별 애플리케이션을 위한 FHE/HE
Penumbrazone( @penumbrazone ): tFHE를 차폐 교환/풀로 사용하는 크로스체인 Cosmos dex(appchain)입니다.
zkHold-em( @zkHoldem ): HE와 ZKP를 사용하여 게임의 공정성을 증명하는 Manta의 포커 게임입니다.
하드웨어 가속 FHE
FHE-ML과 같은 집중적인 계산에 FHE를 사용할 때마다 부트스트래핑을 통해 노이즈 증가를 줄이는 것이 중요합니다. 하드웨어 가속과 같은 솔루션은 부팅을 촉진하는 데 중요한 역할을 하며 ASIC이 최고의 성능을 발휘합니다.
Optalysys( @Optalysys )는 FHE를 포함한 모든 TEE 관련 소프트웨어를 광학 컴퓨팅을 통해 가속화하는 데 주력하는 하드웨어 회사입니다.
채굴 효율성을 높이는 데 도움이 되는 칩을 생산하는 하드웨어 회사인 Chain Reaction( @chainreactioni 0 ). 그들은 2024년 말까지 FHE 칩을 출시할 계획입니다.
Ingonyama( @Ingo_zk )는 ZKP/FHE 하드웨어 가속에 주력하는 반도체 회사입니다. 기존 제품에는 ZPU가 포함됩니다.
Cysic( @cysic_xyz )은 하드웨어 가속 회사입니다. 기존 제품에는 자체 개발한 FPGA 하드웨어와 곧 출시될 ZK DePiN 칩, ZK Air 및 ZK Pro가 포함됩니다.
각 회사는 FHE 부팅/컴퓨팅을 가속화하는 칩, ASIC, 반도체 등의 하드웨어를 전문으로 합니다.
AI X FHE
최근에는 FHE를 AI/ML에 통합하는 것에 대한 관심이 높아지고 있습니다. 무엇보다도 FHE는 기계가 민감한 정보를 처리하는 동안 학습하는 것을 방지하고 프로세스 전반에 걸쳐 데이터, 모델 및 출력에 대한 기밀성을 제공합니다.
Ai x FHE 회원은 다음과 같습니다:
마인드 네트워크( @mindnetwork_xyz )는 고가치 데이터 암호화 및 비공개 투표를 통해 지분 증명(PoS) 및 AI 네트워크를 보호하는 데 사용되는 FHE 재스테이킹 계층으로, 노드 공모 및 조작 가능성을 줄입니다.
검증 가능한 FHE-ML을 갖춘 검증 가능한 FHE AI 추론 블록체인인 SightAl( @theSightAI ). 블록체인은 시력 체인, 데이터 집계 계층(DA 계층), FHE-ML 작업을 수행하는 시각적 추론 네트워크(Sight Inference Network)의 세 가지 주요 부분으로 구성됩니다.
기반 AI( @getbasedai ), 기반 AI는 "Cerberus Squeezing"이라는 메커니즘을 사용하여 FHE를 대형 언어 모델(LLM)과 통합하는 L1 블록체인입니다. LLM은 암호화된 영지식 대형 언어 모델로 변환됩니다. (ZL-LLM).
Privasea Al( @Privasea_ai ), Privasea AI는 사용자가 HESea 라이브러리의 FHE 체계를 사용하여 데이터나 모델을 암호화한 다음 이를 Privasea-AI 네트워크에 업로드할 수 있는 AI 네트워크입니다. 암호화된 상태.
HESea 라이브러리는 TFHE, CKKS 및 BGV/BFV에 대한 다양한 라이브러리를 포함하는 포괄적이며 다양한 시나리오와 호환됩니다.
"대체 솔루션" MPC/ZKFHE
일부는 FHE를 사용하지 않지만 MPC를 사용하여 고가치 데이터를 보호하고 "블라인드 계산"을 수행하는 반면, 다른 일부는 ZKSNARK를 사용하여 암호화된 데이터에 대한 FHE 계산의 정확성을 보장합니다. 그들은:
Nillion Network( @nillionnetwork )는 MPC를 사용하여 고부가가치 데이터를 분산 및 저장하는 동시에 사용자가 프로그램을 작성하고 블라인드 계산을 수행할 수 있도록 하는 컴퓨팅 네트워크입니다. Nillion은 조정 레이어와 Petnet이라는 두 가지 주요 구성 요소로 구성됩니다. 조정 레이어는 결제 채널 역할을 하고, Petnet은 고가치 데이터의 블라인드 계산 및 저장을 수행합니다.
Padolabs( @padolabs ), Pado는 FHE를 사용하여 민감한 데이터를 처리하는 동시에 MPC-TLS 및 ZKP를 사용하여 계산의 정확성을 보장하는 컴퓨팅 네트워크입니다.
FHE 과제 및 솔루션
ZK, MPC와 달리 FHE는 아직 초기 단계입니다. 현재 FHE의 병목 현상은 무엇입니까? 컴퓨팅 보안을 강화하기 위해 암호화 중에 암호문에 일부 "노이즈"가 추가됩니다. 암호문에 "노이즈"가 너무 많이 쌓이면 너무 "노이즈"가 되어 결과적으로 출력의 정확성에 영향을 미칩니다. TFHE, CKKS, BGV 등을 포함하여 다양한 솔루션이 설계에 너무 많은 제약을 가하지 않고 효과적으로 잡음을 제거하는 방법을 모색하고 있습니다.
FHE의 주요 과제는 다음과 같습니다.
느린 성능: 현재 fh-EVM을 사용하는 프라이빗 스마트 계약에는 5TPS만 있습니다. 순수 데이터와 비교하여 TFHE는 이제 약 1000배 더 느리게 수행됩니다.
아직 개발자에게 적합하지 않습니다. 표준화된 알고리즘과 전반적으로 지원되는 FHE 도구가 아직 부족합니다.
높은 계산 오버헤드(비용): 이는 노이즈 관리 및 복잡한 부팅 계산으로 인해 노드 중앙 집중화로 이어질 수 있습니다.
보안되지 않은 체인의 FHE 위험: 임계값 암호 해독 시스템의 보안을 보장하기 위해 암호 해독 키가 노드 간에 배포됩니다. 그러나 FHE의 오버헤드가 높기 때문에 검증인 수가 줄어들어 담합 가능성이 높아질 수 있습니다.
솔루션에는 다음이 포함됩니다.
프로그래밍 가능한 부스트: 부팅 중에 계산을 적용하여 애플리케이션별로 효율성을 높일 수 있습니다.
하드웨어 가속: FHE 성능을 가속화하기 위해 ASIC, GPU, FPGA 및 OpenFHE 라이브러리를 개발합니다.
더 나은 임계값 암호 해독 시스템. 간단히 말해서, 체인의 FHE를 더욱 안전하게 만들려면 다음을 보장하는 시스템(MPC 가능)이 필요합니다. 낮은 대기 시간, 낮은 노드 진입 임계값 및 탈중앙화 달성.
