IOSG Ventures: Vitalik ยกย่องว่า FHE มีศักยภาพในการประยุกต์ใช้การเข้ารหัสแบบ Homomorphic อย่างสมบูรณ์อย่างไร

ผู้เขียนต้นฉบับ: มุสตาฟา ฮูรานี

การรวบรวมต้นฉบับ: ทีม IOSG

คำนำ

ขอแนะนำการเข้ารหัสแบบ Homomorphic (FHE): สำรวจแอปพลิเคชันที่น่าตื่นเต้น ข้อจำกัด และการพัฒนาล่าสุดที่ขับเคลื่อนความนิยม

เมื่อฉัน (มุสตาฟา) ได้ยินครั้งแรกเกี่ยวกับ “การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์” (FHE) ฉันนึกถึงแนวโน้มในพื้นที่บล็อคเชนที่จะตั้งชื่อยาว ๆ ให้กับแนวคิดยอดนิยม ในช่วงหลายปีที่ผ่านมา เราได้พบกับคำศัพท์มากมายที่ก่อให้เกิดความปั่นป่วนในอุตสาหกรรม คำล่าสุดคือ “การพิสูจน์ความรู้เป็นศูนย์” (ZKP)

หลังจากค้นคว้าและสำรวจบริษัทใหม่ๆ ที่สร้างผลิตภัณฑ์โดยใช้ FHE แล้ว ฉันสังเกตเห็นขอบฟ้าที่เต็มไปด้วยเครื่องมือใหม่ๆ ที่ยอดเยี่ยม ในอีกไม่กี่เดือนและหลายปีข้างหน้า FHE อาจกลายเป็นเทคโนโลยีสำคัญตัวต่อไปที่จะเข้ามาบุกอุตสาหกรรมอย่างถล่มทลาย เช่นเดียวกับ ZKP บริษัทต่างๆ กำลังใช้ประโยชน์จากความก้าวหน้าล่าสุดในด้านการเข้ารหัสและการประมวลผลบนคลาวด์เพื่อปูทางไปสู่อนาคตความเป็นส่วนตัวของข้อมูลที่แข็งแกร่ง คำถามไม่ใช่ว่าเราจะไปถึงจุดนั้นได้หรือไม่ แต่เมื่อใด และผมเชื่อว่า FHE อาจเป็นตัวเร่งสำคัญในการขับเคลื่อนความเป็นส่วนตัวของข้อมูลและความเป็นเจ้าของไปข้างหน้า

"FHE คือจอกศักดิ์สิทธิ์ของการเข้ารหัส เมื่อเวลาผ่านไป FHE จะปรับโฉมสถาปัตยกรรมของการประมวลผลทั้งหมด ไม่ว่าจะเป็น web2 หรือ web3"

โฮโมมอร์ฟิซึมคืออะไร

คำว่า โฮโมมอร์ฟิซึม (homomorphism) ให้เราเข้าใจความหมายของคำว่า โฮโมมอร์ฟิซึม ก่อน จากการติดตามรากเหง้าของมัน โฮโมมอร์ฟิซึมมีต้นกำเนิดในวิชาคณิตศาสตร์ และถูกกำหนดให้เป็นการจับคู่ระหว่างโครงสร้างพีชคณิตสองโครงสร้างที่เป็นประเภทเดียวกันที่ยังคงรักษาองค์ประกอบหลักระหว่างโครงสร้างเหล่านั้น

หากคุณเช่นฉัน ชอบคำจำกัดความเชิงปฏิบัติมากกว่า คณิตศาสตร์เบื้องหลังก็คือ ทั้งสองกลุ่มไม่จำเป็นต้องเหมือนกันทุกประการเพื่อให้มีคุณสมบัติหลักที่เหมือนกัน ตัวอย่างเช่น ลองนึกภาพกล่องสองใบที่มีผลไม้ แต่ละกล่องตรงกับกลุ่มที่แตกต่างกัน:

• กล่อง A บรรจุผลไม้ลูกเล็กๆ

• กล่อง B ประกอบด้วยผลไม้ขนาดใหญ่

การคั้นน้ำแอปเปิ้ลและส้มลูกเล็กพร้อมกันในกล่อง A จะให้รสชาติน้ำปั่นแบบเดียวกับการคั้นน้ำแอปเปิ้ลและส้มลูกใหญ่พร้อมกันในกล่อง B แม้ว่าผลไม้แต่ละผลจะมีขนาดแตกต่างกันก็ตาม การคั้นน้ำเพื่อให้ได้รสชาติเดียวกันนั้นคล้ายกับการรักษาส่วนประกอบหลักระหว่างกล่องสองกล่อง สมมติว่าเราเน้นรสชาติเดียวกันเป็นหลัก ก็ไม่สำคัญว่าเราจะคั้นน้ำผลไม้จากกล่องไหน เพราะปริมาณน้ำผลไม้ไม่ใช่สิ่งที่เราโฟกัส ในแง่ที่สำคัญ (รสชาติ) ทั้งสองกลุ่มมีความเท่าเทียมกัน ดังนั้นความแตกต่างระหว่างทั้งสองกลุ่ม (ขนาดและปริมาณ) จึงไม่ส่งผลกระทบต่อสิ่งที่เรากำหนดให้เป็นหน้าที่หลักของพวกเขา ซึ่งก็คือการผลิตรสชาติน้ำผลไม้ที่เฉพาะเจาะจง

โดยการเปรียบเทียบกับโฮโมมอร์ฟิซึม เราได้จับลักษณะสำคัญสองประการของมัน:

• การทำแผนที่: เราสร้างการเชื่อมต่อระหว่างผลไม้ โดยที่ผลไม้ขนาดเล็กแต่ละผลในกล่อง A จะตรงกับผลไม้ที่ใหญ่กว่าในกล่อง B ดังนั้นแอปเปิ้ลลูกเล็กในกล่อง A จึงตรงกับแอปเปิ้ลลูกใหญ่ในกล่อง B เป็นต้น

• การเก็บรักษาในการปฏิบัติงาน: หากการบีบผลไม้ลูกเล็ก 2 ผลในกล่อง A ทำให้เกิดรสชาติเฉพาะ การบีบผลไม้ลูกเล็กในกล่อง B จะให้รสชาติเดียวกัน แม้ว่าน้ำผลไม้ที่ได้จะมีขนาดและปริมาณแตกต่างกัน แต่ยังคงรักษา "โปรไฟล์รสชาติ" เอาไว้

การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์คืออะไร

การเชื่อมโยงสิ่งนี้เข้ากับหัวข้อหลักของบทความนี้ Fully Homomorphic Encryption (FHE) เป็นวิธีการเข้ารหัสข้อมูลเฉพาะที่ช่วยให้สามารถคำนวณข้อมูลที่เข้ารหัสโดยไม่ต้องเปิดเผยข้อมูลต้นฉบับ ตามทฤษฎีแล้ว การวิเคราะห์และการคำนวณที่ดำเนินการกับข้อมูลที่เข้ารหัสควรให้ผลลัพธ์เช่นเดียวกับที่ดำเนินการกับข้อมูลต้นฉบับ ด้วย FHE เราสร้างการเชื่อมต่อแบบหนึ่งต่อหนึ่งระหว่างข้อมูลในชุดข้อมูลที่เข้ารหัสและข้อมูลในชุดข้อมูลดั้งเดิม ในกรณีนี้ องค์ประกอบหลักที่ยังคงอยู่คือความสามารถในการคำนวณข้อมูลในชุดข้อมูลใดชุดหนึ่งและให้ผลลัพธ์เดียวกัน

ในเรื่องนี้ บริษัทหลายแห่งได้ใช้ความระมัดระวังในการปกป้องข้อมูลผู้ใช้และรักษาความเป็นส่วนตัวที่แตกต่างกัน บริษัทต่างๆ ไม่ค่อยจัดเก็บข้อมูลดิบที่ไม่ได้เข้ารหัสไว้ในระบบคลาวด์หรือในฐานข้อมูลของตน ดังนั้นแม้ว่าผู้โจมตีจะเข้าควบคุมเซิร์ฟเวอร์ของบริษัท พวกเขายังคงต้องเลี่ยงการเข้ารหัสเพื่ออ่านและเข้าถึงข้อมูล อย่างไรก็ตาม มันไม่น่าสนใจเมื่อข้อมูลถูกเข้ารหัสและไม่ได้ใช้ เมื่อบริษัทต้องการวิเคราะห์ข้อมูลเพื่อให้ได้ข้อมูลเชิงลึกอันมีค่า พวกเขาไม่มีทางเลือกนอกจากต้องถอดรหัสข้อมูลเพื่อทำเช่นนั้น เมื่อข้อมูลถูกถอดรหัส ข้อมูลก็จะมีช่องโหว่ อย่างไรก็ตาม ด้วยการเข้ารหัสจากต้นทางถึงปลายทาง FHE จะมีประโยชน์อย่างมาก เนื่องจากเราไม่จำเป็นต้องถอดรหัสข้อมูลเพื่อวิเคราะห์อีกต่อไป นี่เป็นเพียงส่วนเล็ก ๆ ของความเป็นไปได้

ข้อพิจารณาที่สำคัญคือบริษัทควรได้รับอนุญาตให้อ่านและจัดเก็บข้อมูลส่วนบุคคลของเราตั้งแต่แรกหรือไม่ คำตอบมาตรฐานจากหลายบริษัทคือบริษัทจำเป็นต้องดูข้อมูลของเราเพื่อให้บริการเราได้ดียิ่งขึ้น

หาก YouTube ไม่จัดเก็บข้อมูลเช่นประวัติการดูและการค้นหาของฉัน อัลกอริทึมไม่สามารถทำงานได้เต็มศักยภาพและแสดงวิดีโอที่ฉันสนใจ เป็นผลให้หลายคนเชื่อว่าการแลกเปลี่ยนระหว่างความเป็นส่วนตัวของข้อมูลและการเข้าถึงบริการที่ดีกว่านั้นคุ้มค่า อย่างไรก็ตาม ด้วย FHE เราไม่จำเป็นต้องทำการแลกเปลี่ยนนี้อีกต่อไป บริษัทต่างๆ เช่น YouTube สามารถฝึกอบรมอัลกอริธึมเกี่ยวกับข้อมูลที่เข้ารหัสและให้ผลลัพธ์เดียวกันสำหรับผู้ใช้ปลายทางโดยไม่ละเมิดความเป็นส่วนตัวของข้อมูล โดยเฉพาะอย่างยิ่ง พวกเขาสามารถเข้ารหัสข้อมูลแบบโฮโมมอร์ฟฟิก เช่น ประวัติการเข้าชมและการค้นหาของฉัน วิเคราะห์โดยไม่ต้องดู จากนั้นจึงแสดงวิดีโอที่ฉันสนใจตามการวิเคราะห์

FHE เป็นก้าวสำคัญในการสร้างอนาคตที่ข้อมูลของเราไม่ใช่สินค้าอันมีค่าที่เรามอบให้กับองค์กรอย่างอิสระอีกต่อไป

การประยุกต์ใช้การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์

การเข้ารหัสแบบ Homomorphic Encryption (FHE) อย่างสมบูรณ์ หากใช้อย่างถูกต้อง จะเป็นความก้าวหน้าครั้งยิ่งใหญ่สำหรับทุกอุตสาหกรรมที่จัดเก็บข้อมูลผู้ใช้ เรากำลังพิจารณาเทคโนโลยีที่สามารถเปลี่ยนทัศนคติทั้งหมดของเราต่อความเป็นส่วนตัวของข้อมูลและขีดจำกัดของการบุกรุกที่ยอมรับได้ของบริษัทต่างๆ

ก่อนอื่น เรามาสำรวจว่า FHE สามารถเปลี่ยนแนวทางปฏิบัติด้านข้อมูลในอุตสาหกรรมการดูแลสุขภาพได้อย่างไร โรงพยาบาลหลายแห่งเก็บรักษาบันทึกผู้ป่วยส่วนตัวไว้ในฐานข้อมูล ซึ่งจะต้องเป็นความลับด้วยเหตุผลด้านจริยธรรมและกฎหมาย อย่างไรก็ตาม ข้อมูลนี้มีคุณค่าอย่างยิ่งสำหรับนักวิจัยทางการแพทย์ภายนอก ซึ่งสามารถวิเคราะห์ข้อมูลเพื่อให้ได้ข้อมูลเชิงลึกที่สำคัญเกี่ยวกับโรคและการรักษาที่เป็นไปได้ อุปสรรคสำคัญที่ทำให้ความก้าวหน้าของการวิจัยช้าลงคือการรักษาความลับของข้อมูลผู้ป่วยโดยสมบูรณ์เมื่อว่าจ้างนักวิจัยจากภายนอก มีหลายวิธีในการไม่เปิดเผยชื่อหรือปลอมแปลงบันทึกข้อมูลผู้ป่วย แต่วิธีการเหล่านี้ไม่สมบูรณ์และอาจเปิดเผยข้อมูลมากเกินไปเกี่ยวกับบุคคลเพื่อให้ระบุตัวบุคคลได้ หรืออาจไม่เปิดเผยข้อมูลเพียงพอเกี่ยวกับคดีที่ทำให้ยากต่อการได้รับ ข้อมูลเกี่ยวกับบุคคล ข้อมูลเชิงลึกที่แม่นยำเกี่ยวกับโรค

ด้วย FHE โรงพยาบาลสามารถเข้ารหัสข้อมูลผู้ป่วยแบบโฮโมมอร์ฟฟิกได้ ทำให้ปกป้องความเป็นส่วนตัวของผู้ป่วยในระบบคลาวด์ได้ง่ายขึ้น นักวิจัยทางการแพทย์สามารถทำการคำนวณและเรียกใช้ฟังก์ชันการวิเคราะห์กับข้อมูลที่เข้ารหัสได้โดยไม่กระทบต่อความเป็นส่วนตัวของผู้ป่วย เนื่องจากมีการแมปแบบหนึ่งต่อหนึ่งระหว่างข้อมูลที่เข้ารหัสและข้อมูลต้นฉบับ ผลลัพธ์ที่ได้รับจากชุดข้อมูลที่เข้ารหัสจึงให้ข้อมูลเชิงลึกที่แท้จริงที่สามารถนำไปใช้กับกรณีจริงได้ FHE สามารถพัฒนาอุตสาหกรรมการดูแลสุขภาพได้อย่างรวดเร็ว

แอปพลิเคชันที่น่าตื่นเต้นอีกประการหนึ่งของการเข้ารหัสโฮโมมอร์ฟิก (FHE) เต็มรูปแบบในการฝึกอบรมปัญญาประดิษฐ์ (AI) สมควรได้รับความสนใจ ปัจจุบันสาขา AI เผชิญกับปัญหาความเป็นส่วนตัวที่เป็นอุปสรรคต่อความสามารถของบริษัทในการรับชุดข้อมูลขนาดใหญ่และหลากหลายซึ่งมีความสำคัญต่อการปรับปรุงอัลกอริธึม AI บริษัทที่ฝึกอบรม AI ต้องเลือกระหว่างการใช้ชุดข้อมูลสาธารณะที่จำกัด การจ่ายเงินจำนวนมากเพื่อซื้อชุดข้อมูลส่วนตัว หรือการสร้างชุดข้อมูล ซึ่งอย่างหลังนี้ถือเป็นเรื่องท้าทายอย่างยิ่งสำหรับบริษัทขนาดเล็กที่มีผู้ใช้น้อยกว่า FHE ควรจะสามารถจัดการกับข้อกังวลด้านความเป็นส่วนตัวที่ทำให้ผู้ให้บริการชุดข้อมูลหลายรายไม่สามารถเข้าสู่ตลาดนี้ได้ ดังนั้นการปรับปรุง FHE จึงมีแนวโน้มที่จะนำไปสู่การเพิ่มจำนวนชุดข้อมูลสำหรับการฝึกอบรม AI สิ่งนี้จะทำให้การฝึกอบรม AI มีความเป็นไปได้ในเชิงเศรษฐกิจและได้รับการปรับปรุงมากขึ้น เนื่องจากชุดข้อมูลที่มีอยู่มีความหลากหลายมากขึ้น

เมื่อใช้ FHE บริษัทต่างๆ สามารถฝึกอบรมโมเดลการเรียนรู้ของเครื่องกับข้อมูลที่เข้ารหัสได้โดยไม่ทำให้ข้อมูลต้นฉบับรั่วไหล ซึ่งหมายความว่าเจ้าของข้อมูลสามารถแบ่งปันข้อมูลที่เข้ารหัสได้อย่างปลอดภัยโดยไม่ต้องกังวลกับการละเมิดความเป็นส่วนตัวหรือการใช้ข้อมูลในทางที่ผิด ในเวลาเดียวกัน ผู้ฝึกโมเดล AI สามารถปรับปรุงอัลกอริธึมของตนได้โดยใช้ประโยชน์จากชุดข้อมูลที่หลากหลายและครอบคลุมมากขึ้น ซึ่งอาจไม่สามารถใช้ได้หากไม่มี FHE ดังนั้นการเข้ารหัสโฮโมมอร์ฟิกอย่างสมบูรณ์ไม่เพียงแต่ปรับปรุงความปลอดภัยของข้อมูล แต่ยังขยายความเป็นไปได้สำหรับการวิจัยและพัฒนา AI ทำให้การประยุกต์ใช้เทคโนโลยี AI กว้างขวางและมีประสิทธิภาพมากขึ้น

ข้อบกพร่องของการเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ในอดีต

แม้ว่าการเข้ารหัสโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) สัญญาว่าจะเปลี่ยนแปลงข้อมูลขนาดใหญ่ร่วมสมัยอย่างแน่นอน แต่เหตุใดเราจึงยังไม่เห็นแอปพลิเคชันที่ใช้งานได้จริงมากกว่านี้อีก

แม้ว่า FHE จะเป็นหัวข้อของการอภิปรายและการวิจัยมาหลายปีแล้ว แต่ความจริงก็คือการนำ FHE ไปใช้ในทางปฏิบัติเป็นเรื่องยากมาก ความท้าทายหลักอยู่ที่พลังการประมวลผลที่จำเป็นสำหรับการดำเนินการ FHE ชุดข้อมูลที่มีความปลอดภัยแบบโฮโมมอร์ฟฟิกอย่างสมบูรณ์สามารถสร้างผลลัพธ์การวิเคราะห์ที่เหมือนกับรูปแบบข้อมูลดั้งเดิม นี่เป็นความสำเร็จที่ท้าทายซึ่งต้องใช้ความเร็วและพลังในการประมวลผลสูง ซึ่งหลายอย่างไม่สามารถนำไปใช้กับคอมพิวเตอร์ที่มีอยู่ได้ การดำเนินการที่โดยปกติจะใช้เวลาไม่กี่วินาทีกับข้อมูลดิบอาจใช้เวลาหลายชั่วโมงหรือหลายวันในชุดข้อมูลที่เข้ารหัสแบบโฮโมมอร์ฟิก ความท้าทายในการคำนวณนี้สร้างวงจรที่คงอยู่ถาวรในตัวเอง ซึ่งวิศวกรจำนวนมากชะลอการดำเนินโครงการ FHE ส่งผลให้การพัฒนาช้าลงและจำกัดการใช้ประโยชน์อย่างเต็มที่

ปัญหาด้านการคำนวณอย่างหนึ่งที่วิศวกรเผชิญใน FHE กำลังเผชิญกับ "ข้อผิดพลาดด้านเสียง" เมื่อทำการคำนวณชุดข้อมูลที่เข้ารหัสแบบโฮโมมอร์ฟฟิก วิศวกรจำนวนมากต้องเผชิญกับสถานการณ์ที่การคำนวณแต่ละครั้งทำให้เกิดสัญญาณรบกวนหรือข้อผิดพลาดเพิ่มเติม ซึ่งยอมรับได้เมื่อต้องใช้การคำนวณเพียงไม่กี่ครั้ง แต่หลังจากการวิเคราะห์หลายครั้ง สัญญาณรบกวนอาจเด่นชัดมากจนทำให้ข้อมูลดิบเข้าใจได้ยาก ข้อมูลเกือบจะสูญหาย

ทำไมตอนนี้

เช่นเดียวกับ generative AI ซึ่งครั้งหนึ่งเคยถูกมองว่ามีข้อจำกัดและดั้งเดิมจนกระทั่งกลายเป็นกระแสหลัก การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) ก็อยู่ในวิถีความก้าวหน้าที่คล้ายกัน ผู้นำในอุตสาหกรรมจำนวนมาก แม้แต่ผู้ที่อยู่นอกเหนือพื้นที่บล็อกเชน ได้มารวมตัวกันเพื่อจัดการวิจัยและพัฒนาที่สำคัญใน FHE สิ่งนี้นำไปสู่การพัฒนาอุตสาหกรรมล่าสุดหลายประการที่ขับเคลื่อนการเล่าเรื่องที่น่าสนใจเกี่ยวกับความก้าวหน้าของเทคโนโลยีนี้

โครงการดีพรีฟ

ในเดือนมีนาคม 2021 Microsoft, Intel และสำนักงานโครงการวิจัยขั้นสูงด้านกลาโหมของสหรัฐอเมริกา (DARPA) ตกลงที่จะเปิดตัวโปรแกรมระยะเวลาหลายปีเพื่อเร่งการพัฒนาการเข้ารหัสโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) โครงการริเริ่มนี้เรียกว่า Data Protection in Virtual Environments (DPRIVE) ถือเป็นการพัฒนาครั้งสำคัญสำหรับ FHE โดยแสดงให้เห็นยักษ์ใหญ่ในอุตสาหกรรม 2 รายที่เชี่ยวชาญด้านการประมวลผลแบบคลาวด์และฮาร์ดแวร์คอมพิวเตอร์ร่วมมือกันเพื่อจัดการกับข้อกังวลด้านความเป็นส่วนตัวของข้อมูล พวกเขาเปิดตัวโครงการนี้เพื่อสร้างคอมพิวเตอร์และซอฟต์แวร์ที่สามารถจัดการความเร็วการประมวลผลของ FHE และเพื่อสร้างแนวทางสำหรับการนำ FHE ไปใช้อย่างแม่นยำเพื่อป้องกันการรั่วไหลของข้อมูลที่เกิดจากการใช้งานที่ไม่ถูกต้อง

ในฐานะที่เป็นส่วนหนึ่งของโครงการริเริ่ม DPRIVE วิศวกรได้รับมอบหมายให้บรรเทา "ข้อผิดพลาดด้านสัญญาณรบกวน" ที่กล่าวถึงก่อนหน้านี้ด้วยการสำรวจวิธีการลดสัญญาณรบกวนให้อยู่ในระดับเดียวกับข้อมูลต้นฉบับ ทางออกหนึ่งที่น่าหวังคือการออกแบบการแสดงข้อมูล Large Arithmetic Word Size (LAWS) แม้ว่าโดยทั่วไปแล้วโปรเซสเซอร์คอมพิวเตอร์ (CPU) แบบดั้งเดิมจะใช้คำแบบ 64 บิต แต่วิศวกรกำลังพัฒนาฮาร์ดแวร์ LAWS ใหม่ที่สามารถจัดการกับคำขนาด 1,024 บิตขึ้นไปได้ วิธีนี้ใช้ได้ผลเพราะการวิจัยแสดงให้เห็นว่าคำที่ยาวขึ้นส่งผลโดยตรงต่ออัตราส่วนสัญญาณต่อเสียงรบกวน พูดง่ายๆ ก็คือ คำที่ยาวกว่าจะสร้างเสียงรบกวนน้อยลงในแต่ละขั้นตอนการคำนวณเพิ่มเติมใน FHE ทำให้สามารถคำนวณได้มากขึ้นจนกว่าจะถึงเกณฑ์การสูญเสียข้อมูล ด้วยการสร้างฮาร์ดแวร์ใหม่เพื่อจัดการกับความท้าทายเหล่านี้ วิศวกรที่เข้าร่วมในโปรแกรม DPRIVE จึงสามารถลดภาระการคำนวณที่จำเป็นในการดำเนินการ FHE ได้อย่างมาก

เพื่อเร่งการประมวลผลและเข้าใกล้เป้าหมายในการทำให้ FHE เร็วขึ้น 100,000 เท่า ทีม DPRIVE ได้เริ่มต้นการเดินทางอย่างต่อเนื่องเพื่อออกแบบระบบประมวลผลข้อมูลใหม่ที่เกินความสามารถของหน่วยประมวลผลและหน่วยกราฟิกแบบเดิม พวกเขาพัฒนาระบบ Multiple Instruction Multiple Data (MIMD) ใหม่ที่สามารถจัดการคำสั่งและชุดข้อมูลหลายชุดพร้อมกันได้ MIMD คล้ายกับการสร้างทางหลวงใหม่ แทนที่จะใช้ถนนที่ไม่เหมาะสมที่มีอยู่เพื่อรองรับการจราจรที่จำเป็นสำหรับการคำนวณแบบเรียลไทม์ที่รวดเร็วของ FHE

ด้านที่น่าสนใจของโครงการ DPRIVE คือการใช้ "ความเท่าเทียม" อย่างกว้างขวางในการคำนวณทางคณิตศาสตร์ด้วยคอมพิวเตอร์ ช่วยให้นักพัฒนาสามารถคำนวณตัวเลขจำนวนมากหลายรายการพร้อมกันได้ คุณสามารถนึกถึงความเท่าเทียมว่าเป็นการส่งนักคณิตศาสตร์กลุ่มหนึ่งไปพร้อมๆ กันเพื่อทำงานในส่วนต่างๆ ของปัญหาทางคณิตศาสตร์ขนาดยักษ์ แทนที่จะปล่อยให้พวกเขาทำงานตามลำดับกัน แม้ว่าการคำนวณหลายรายการพร้อมกันสามารถช่วยแก้ปัญหาได้อย่างรวดเร็ว แต่คอมพิวเตอร์จะต้องระบายความร้อนด้วยอากาศเพื่อป้องกันความร้อนสูงเกินไป

ในเดือนกันยายน 2022 กว่าหนึ่งปีครึ่งหลังจากเปิดตัวโปรแกรม Microsoft, Intel และ DARPA ได้ประกาศว่าพวกเขาได้บรรลุผลสำเร็จในระยะแรกของโปรแกรม DPRIVE ขณะนี้พวกเขากำลังอยู่ในระยะที่สองของ DPRIVE

SDK และไลบรารีโอเพ่นซอร์ส

เนื่องจากบริษัทขนาดใหญ่หลายแห่งบุกเบิกการเข้ารหัสแบบโฮโมมอร์ฟิก (FHE) อย่างสมบูรณ์ ทำให้มีชุดพัฒนาซอฟต์แวร์ (SDK) และไลบรารีโอเพ่นซอร์สที่มีอยู่มากมายเพิ่มขึ้น ทำให้นักพัฒนาสามารถสร้างผลงานของกันและกันได้

Microsoft ประกาศ Microsoft Seal ซึ่งเป็นไลบรารีโอเพ่นซอร์สที่ให้เครื่องมือแก่นักพัฒนาในการดำเนินการเข้ารหัสโฮโมมอร์ฟิกบนชุดข้อมูล สิ่งนี้ช่วยให้นักพัฒนาในวงกว้างสามารถสำรวจ FHE และทำให้การเข้าถึงการเข้ารหัสและบริการคอมพิวเตอร์จากต้นทางถึงปลายทางเป็นประชาธิปไตย ไลบรารีมีตัวอย่างขั้นตอนการเข้ารหัสแบบโฮโมมอร์ฟิกพร้อมความคิดเห็นโดยละเอียดเพื่อเป็นแนวทางแก่นักพัฒนาในการใช้งานที่ถูกต้องและปลอดภัย

นอกจากนี้ Intel ยังได้เปิดตัวชุดเครื่องมือเข้ารหัสโฮโมมอร์ฟิกของตัวเองเพื่อให้นักพัฒนามีเครื่องมือเพื่อใช้การเข้ารหัสโฮโมมอร์ฟิกได้รวดเร็วยิ่งขึ้นในระบบคลาวด์ Intel ออกแบบชุดเครื่องมือนี้เพื่อให้มีความยืดหยุ่นและรับประกันความเข้ากันได้กับความก้าวหน้าล่าสุดในการประมวลผลข้อมูลและการประมวลผล ประกอบด้วยฟังก์ชันที่ปรับแต่งสำหรับการเข้ารหัสแบบ Lattice การผสานการทำงานที่ราบรื่นกับ Microsoft Seal ตัวอย่างแผนการเข้ารหัสแบบโฮโมมอร์ฟิก และเอกสารทางเทคนิคเพื่อเป็นแนวทางแก่ผู้ใช้

ไลบรารีโอเพ่นซอร์ส Private Join and Compute ของ Google ช่วยให้นักพัฒนามีเครื่องมือการประมวลผลแบบหลายฝ่าย (MPC) วิธีการคำนวณนี้ช่วยให้ฝ่ายต่างๆ สามารถรวมชุดข้อมูลที่แตกต่างกันเพื่อรับข้อมูลเชิงลึกที่แบ่งปันโดยไม่ต้องเปิดเผยข้อมูลดิบให้กันและกัน Private Join and Compute ผสมผสานเทคโนโลยีการเข้ารหัสจาก FHE เข้ากับ Private Set Intersection (PSI) เพื่อเพิ่มประสิทธิภาพแนวทางปฏิบัติในการรักษาความลับของข้อมูล PSI เป็นอีกหนึ่งวิธีการเข้ารหัสที่ช่วยให้ฝ่ายที่มีชุดข้อมูลต่างกันสามารถระบุองค์ประกอบหรือจุดข้อมูลทั่วไปได้โดยไม่ต้องเปิดเผยข้อมูล แนวทางของ Google ในการพัฒนาความเป็นส่วนตัวของข้อมูลไม่เพียงมุ่งเน้นไปที่ FHE เท่านั้น แต่ยังจัดลำดับความสำคัญของแนวคิด MPC ที่กว้างขึ้นโดยการผสานรวม FHE เข้ากับแนวทางปฏิบัติด้านข้อมูลอื่นๆ ที่มีผลกระทบ

เป็นที่น่าสังเกตว่าความพร้อมใช้งานของไลบรารีโอเพ่นซอร์สที่มีชื่อเสียงสำหรับ FHE กำลังเพิ่มสูงขึ้น อย่างไรก็ตาม สิ่งนี้จะยิ่งโดดเด่นยิ่งขึ้นไปอีกเมื่อบริษัทที่มีชื่อเสียงระดับสูงกำลังทดลองใช้ห้องสมุดเหล่านี้ในการดำเนินงานของตน ในเดือนเมษายน ปี 2021 Nasdaq ซึ่งเป็นบริษัทเทคโนโลยีระดับโลกที่มีชื่อเสียงสำหรับตลาดหลักทรัพย์และตลาดทุน ได้รวม FHE ไว้ในการดำเนินงาน Nasdaq ใช้ประโยชน์จากเครื่องมือ FHE และโปรเซสเซอร์ความเร็วสูงของ Intel เพื่อต่อสู้กับอาชญากรรมทางการเงินผ่านความพยายามป้องกันการฟอกเงินและการตรวจจับการฉ้อโกง ซึ่งสามารถทำได้โดยใช้การเข้ารหัสแบบโฮโมมอร์ฟิกเพื่อระบุข้อมูลเชิงลึกอันมีค่าและกิจกรรมที่อาจผิดกฎหมายในชุดข้อมูลที่มีข้อมูลที่ละเอียดอ่อน

การเพิ่มทุนครั้งล่าสุด

นอกเหนือจากการวิจัยและพัฒนาที่ดำเนินการโดยบริษัทที่กล่าวมาก่อนหน้านี้ ยังมีบริษัทอื่นๆ อีกหลายแห่งที่เพิ่งได้รับเงินทุนจำนวนมากสำหรับโครงการริเริ่มที่เน้นการเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE)

Cornami เป็นบริษัทเทคโนโลยีขนาดใหญ่ที่รู้จักกันในการพัฒนาเทคโนโลยีการประมวลผลแบบคลาวด์ที่ปรับขนาดได้ ซึ่งออกแบบมาเป็นพิเศษสำหรับการเข้ารหัสแบบโฮโมมอร์ฟิก พวกเขามีส่วนร่วมในความพยายามมากมายในการสร้างระบบคอมพิวเตอร์ที่รองรับ FHE ได้อย่างมีประสิทธิภาพมากกว่า CPU แบบดั้งเดิม พวกเขายังกำหนดแนวทางริเริ่มที่มุ่งปกป้องข้อมูลที่เข้ารหัสจากภัยคุกคามทางคอมพิวเตอร์ควอนตัม ในเดือนพฤษภาคม ปี 2022 Cornami ได้ประกาศความสำเร็จในการระดมทุน Series C และได้รับเงินลงทุน 68 ล้านดอลลาร์สหรัฐ นำโดย SoftBank ทำให้เงินทุนรวมของบริษัทอยู่ที่ 150 ล้านดอลลาร์สหรัฐ

Zama เป็นอีกหนึ่งบริษัทในอุตสาหกรรมบล็อกเชนที่กำลังสร้างเครื่องมือเข้ารหัสโฮโมมอร์ฟิกแบบโอเพ่นซอร์สที่นักพัฒนาสามารถใช้เพื่อสร้างแอปพลิเคชันที่น่าตื่นเต้นโดยใช้ FHE, บล็อกเชน และ AI Zama ได้สร้าง Ethereum Virtual Machine (fhEVM) แบบโฮโมมอร์ฟิกโดยสมบูรณ์โดยเป็นส่วนหนึ่งของการนำเสนอผลิตภัณฑ์ โปรโตคอลสัญญาอัจฉริยะนี้จะเก็บข้อมูลธุรกรรมออนไลน์ที่เข้ารหัสระหว่างการประมวลผล นักพัฒนาที่ได้สำรวจแอปพลิเคชันต่างๆ ของไลบรารี Zama ต่างประทับใจในประสิทธิภาพของไลบรารีนี้ แม้ในกรณีการใช้งานที่ซับซ้อน Zama ประสบความสำเร็จในการระดมทุน Series A มูลค่า 42 ล้านดอลลาร์ ซึ่งนำโดย Protocol Labs ในเดือนกุมภาพันธ์ 2022 โดยเพิ่มทุนทั้งหมดเป็น 50 ล้านดอลลาร์

Fhenix ยังเป็นโครงการเกิดใหม่ที่นำ FHE มาสู่บล็อกเชน เป้าหมายของพวกเขาคือการขยายแอปพลิเคชัน FHE ให้นอกเหนือไปจากการชำระเงินส่วนตัว โดยเปิดประตูสู่กรณีการใช้งานที่น่าตื่นเต้นสำหรับ FHE ในด้านต่าง ๆ เช่น การเงินแบบกระจายอำนาจ (DeFi) การเชื่อมโยง การลงคะแนนเสียงแบบกำกับดูแล และการเล่นเกม Web3 ในเดือนกันยายน ปี 2023 Fhenix ได้ประกาศเสร็จสิ้นการจัดหาเงินทุนเริ่มต้นมูลค่า 7 ล้านดอลลาร์ ซึ่งนำโดย Multicoin Capital และ Collider Ventures

จะเกิดอะไรขึ้นต่อไป

หลายปีที่ผ่านมา การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) เป็นแนวคิดที่ให้สัญญาว่าจะมีการเข้ารหัสแบบ end-to-end ที่แข็งแกร่ง ซึ่งถือเป็นการประกาศอนาคตที่แข็งแกร่งสำหรับความเป็นส่วนตัวของข้อมูล การพัฒนาล่าสุดได้เริ่มเปลี่ยน FHE จากความฝันทางทฤษฎีไปสู่การใช้งานจริง ในขณะที่บริษัทหลายแห่งกำลังแข่งขันกันเพื่อเป็นเจ้าแรกในการใช้ FHE เวอร์ชันที่ทรงพลังและมีคุณสมบัติครบถ้วน แต่หลายบริษัทก็กำลังทำงานร่วมกันเพื่อสำรวจความซับซ้อนของเทคโนโลยีอันทรงพลังนี้ จิตวิญญาณแห่งการทำงานร่วมกันนี้เห็นได้ชัดผ่านการดำเนินโครงการข้ามทีมต่างๆ และการพัฒนาห้องสมุดโอเพ่นซอร์สที่บูรณาการกับห้องสมุดอื่นๆ

จากการค้นพบของฉัน การอภิปรายเกี่ยวกับ FHE ดูเหมือนจะกว้างไกล ในอีกไม่กี่สัปดาห์ข้างหน้า ฉันตื่นเต้นที่จะเจาะลึกและแบ่งปันข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับการวิจัย FHE โดยเฉพาะอย่างยิ่ง ฉันอยากที่จะสำรวจเพิ่มเติมในหัวข้อต่อไปนี้:

การใช้งานใหม่ของ FHE:

• ปฏิสัมพันธ์ระหว่างการพิสูจน์ความรู้เป็นศูนย์ (ZKP) และ FHE

• ผสานรวม FHE เข้ากับ Private Set Intersection (PSI) เพื่อพัฒนาการประมวลผลแบบหลายฝ่าย (MPC) ที่ปลอดภัย

• บริษัทใหม่ๆ เช่น Zama และ Fhenix กำลังเป็นผู้นำในด้าน FHE

อ้างอิง:

Arampatzis, Anastasios “การพัฒนาล่าสุดในการเข้ารหัส Homomorphic” Venafi, 1 ก.พ. 2022, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/

Arampatzis, Anastasios “การเข้ารหัส Homomorphic คืออะไรและใช้อย่างไร” Venafi, 28 เมษายน 2023, venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/

“การสร้างฮาร์ดแวร์เพื่อเปิดใช้งานการปกป้องข้อมูลอย่างต่อเนื่อง” DARPA, 2 มี.ค. 2020, www.darpa.mil/news-events/2020-03-02

คริสโตบัล, ซามูเอล “การเข้ารหัส Homomorphic อย่างสมบูรณ์: จอกศักดิ์สิทธิ์แห่งการเข้ารหัส” Datascience.Aero, 7 มกราคม 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/

“การเข้ารหัสแบบโฮโมมอร์ฟิก: คืออะไร และเหตุใดจึงมีความสำคัญ” Internet Society, 9 มี.ค. 2023, www.internetsociety.org/resources/doc/2023/homomorphic-encryption/

Hunt, James “FHENIX ระดมทุน 7 ล้านเหรียญสหรัฐในรอบ Seed นำโดย Multicoin Capital” The Block, The Block, 26 กันยายน 2023, www.theblock.co/post/252931/fhenix-seed-multicoin-capital

"Intel® Homomorphic Encryption Toolkit" Intel เข้าถึงเมื่อวันที่ 8 ต.ค. 2023 www.intel.com/content/www/us/en/developer/tools/homomorphic-encryption/overview.html#gs.fu 55 im

“Intel ร่วมมือกับ Microsoft ในโปรแกรม DARPA” Intel, 8 มี.ค. 2021, www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs ftusxq.

"Intel Xeon พัฒนาการวิจัยและพัฒนาการเข้ารหัส Homomorphic ของ NASDAQ" Intel, 6 เมษายน 2021, www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-encryption-rd.html#gs .6 mpgme

จอห์นสัน, ริค “Intel บรรลุเป้าหมาย DARPA DPRIVE ระยะที่ 1 สำหรับแพลตฟอร์มการเข้ารหัสแบบ Homomorphic อย่างสมบูรณ์” Intel, 14 กันยายน 2022, community.intel.com/t 5/Blogs/Products-and-Solutions/HPC/Intel-Completes- DARPA-DPRIVE-เฟส-หนึ่งเหตุการณ์สำคัญ-for-a-เต็ม/post/1411021

“Microsoft Seal: ไลบรารีการเข้ารหัส Homomorphic ที่รวดเร็วและใช้งานง่าย” Microsoft Research, 4 มกราคม 2023, www.microsoft.com/en-us/research/project/microsoft-seal/

Paillier, Dr. Pascal “การเข้ารหัสแบบ Homomorphic อย่างสมบูรณ์: จอกศักดิ์สิทธิ์แห่งยุคธุรกิจการเข้ารหัส” 9 มี.ค. 2023 www.businessage.com/post/fully-homomorphic-encryption-the-holy-grail-of-cryptography

Samani, Kyle “รุ่งอรุณแห่ง On-Chain FHE” 26 กันยายน 2023 multicoin.capital/2023/09/26/the-dawn-of-on-chain-fhe/

Walker, Amanda และคณะ “ช่วยให้องค์กรทำงานได้มากขึ้นโดยไม่ต้องรวบรวมข้อมูลเพิ่มเติม” บล็อกความปลอดภัยออนไลน์ของ Google, 19 มิถุนายน 2019, security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more -data.html

“การเข้ารหัสแบบ Homomorphic อย่างสมบูรณ์คืออะไร” Inpher, 11 เมษายน 2021, inpher.io/technology/what-is-fully-homomorphic-encryption/

ไวท์, แมตต์ “ประวัติโดยย่อของ Generative AI” กลาง, 8 กรกฎาคม 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Alถึงแม้ว่า% 20 ส่วนใหญ่% 20 คน% 20 จะ% 20 ยอมรับ จาก% 20 ความเสถียร% 20 AI% 20 เสถียร% 20 การแพร่กระจาย