ผู้เขียนต้นฉบับ: IOSG Ventures

ความเป็นส่วนตัวเป็นสิทธิขั้นพื้นฐานสำหรับมนุษย์และองค์กร สำหรับบุคคลทั่วไป ช่วยให้ผู้คนแสดงออกได้อย่างอิสระโดยไม่ต้องเปิดเผยข้อมูลใด ๆ ที่พวกเขาไม่ต้องการแชร์กับบุคคลที่สาม สำหรับองค์กรส่วนใหญ่ในปัจจุบัน ข้อมูลถือเป็นสินค้าหลัก และความเป็นส่วนตัวของข้อมูลมีความสำคัญอย่างยิ่งในการปกป้องสินค้านี้ การเคลื่อนไหวของไซเฟอร์พังก์และการแปลงข้อมูลเป็นสินค้าได้เร่งการวิจัยและพัฒนาการเข้ารหัสลับแบบดั้งเดิม

การเข้ารหัสเป็นสาขาที่ค่อนข้างกว้าง และเมื่อเราดูการเข้ารหัสในบริบทของการประมวลผล เราได้เห็นรูปแบบที่แตกต่างกันมากมาย เช่น การพิสูจน์ความรู้เป็นศูนย์ การเข้ารหัสแบบโฮโมมอร์ฟิก การแบ่งปันความลับ ฯลฯ ซึ่งถูกนำมาใช้ตั้งแต่เริ่มก่อตั้งใน ทศวรรษ 1960 พัฒนาอย่างต่อเนื่อง โซลูชันเหล่านี้มีความสำคัญอย่างยิ่งต่อการปลดล็อกวิธีการประมวลผลแบบส่วนตัว (ข้อมูลเป็นสินค้าหลักเนื่องจากผู้คนสามารถค้นพบและสร้างข้อมูลเชิงลึกจากข้อมูลดังกล่าวได้) จนถึงทุกวันนี้ สาขาคอมพิวเตอร์ส่วนบุคคลได้สร้างความก้าวหน้าที่สำคัญในการคำนวณแบบหลายฝ่ายและการพิสูจน์ความรู้แบบศูนย์ แต่ตัวข้อมูลอินพุตเองก็ยังมีปัญหาความเป็นส่วนตัวอยู่เสมอ

เมื่อสินค้าที่สำคัญที่สุดถูกเผยแพร่สู่สาธารณะ เป็นเรื่องยากมากสำหรับเจ้าของข้อมูลที่จะจ้างบุคคลภายนอกในการคำนวณข้อมูลนี้โดยไม่ต้องมีข้อตกลงทางกฎหมาย ทุกวันนี้ ทุกคนอาศัยมาตรฐานการปฏิบัติตามความเป็นส่วนตัวของข้อมูล เช่น HIPAA สำหรับข้อมูลด้านสุขภาพและ GDPR สำหรับความเป็นส่วนตัวของข้อมูลในยุโรปโดยเฉพาะ

ในด้านบล็อกเชน เราเชื่อในความสมบูรณ์ของเทคโนโลยีมากกว่าความสมบูรณ์ของหน่วยงานกำกับดูแล ในฐานะผู้ศรัทธาในความเป็นเจ้าของที่ไม่ได้รับอนุญาตและเพิ่มขีดความสามารถสูงสุด ถ้าเราเชื่อในอนาคตที่ผู้ใช้เป็นเจ้าของข้อมูล เราต้องการวิธีที่ไม่น่าเชื่อถือในการคำนวณข้อมูลนั้น ก่อนที่จะมีงานของ Craig Gentry ในปี 2009 แนวคิดในการดำเนินการคำนวณข้อมูลที่เข้ารหัสยังไม่ได้รับการพัฒนามากนัก นี่เป็นครั้งแรกที่ใครก็ตามสามารถคำนวณ (การบวกและการคูณ) บนไซเฟอร์เท็กซ์ (เช่น ข้อมูลที่เข้ารหัส)

1. วิธีการทำงานของการเข้ารหัส Homomorphic (FHE) อย่างสมบูรณ์

แล้ว "คณิตศาสตร์มหัศจรรย์" นี้คืออะไรที่ช่วยให้คอมพิวเตอร์ทำการคำนวณโดยไม่ต้องรู้อินพุต?

การเข้ารหัสแบบ Homomorphic อย่างสมบูรณ์ (FHE) คือคลาสของรูปแบบการเข้ารหัสที่ช่วยให้การคำนวณสามารถดำเนินการกับข้อมูลที่เข้ารหัส (ไซเฟอร์เท็กซ์) โดยไม่ต้องถอดรหัสข้อมูล ทำให้เกิดกรณีการใช้งานที่หลากหลายสำหรับความเป็นส่วนตัวและการปกป้องข้อมูล

ในระหว่างกระบวนการ FHE เมื่อมีการเข้ารหัสข้อมูล ข้อมูลเพิ่มเติมที่เรียกว่าสัญญาณรบกวนจะถูกเพิ่มเข้าไปในข้อมูลต้นฉบับ นี่คือกระบวนการเข้ารหัสข้อมูล

ทุกครั้งที่ทำการคำนวณแบบโฮโมมอร์ฟิก (การบวกหรือการคูณ) สัญญาณรบกวนเพิ่มเติมจะถูกเพิ่มเข้าไป หากการคำนวณซับซ้อนเกินไปและมีการเพิ่มสัญญาณรบกวนทุกครั้ง การถอดรหัสไซเฟอร์เท็กซ์จะกลายเป็นเรื่องยากมากในที่สุด (ซึ่งใช้การคำนวณหนักมาก) กระบวนการนี้เหมาะกว่าสำหรับการบวก เนื่องจากเสียงจะเพิ่มขึ้นเป็นเส้นตรง ในขณะที่การคูณ เสียงจะเพิ่มขึ้นแบบทวีคูณ ดังนั้น หากมีการคูณพหุนามที่ซับซ้อน การถอดรหัสเอาต์พุตจะยากมาก

หากเสียงรบกวนเป็นปัญหาสำคัญและการเติบโตของเสียงทำให้ FHE ใช้งานยาก ก็ต้องควบคุม สิ่งนี้ทำให้เกิดกระบวนการใหม่ที่เรียกว่า "Bootstrapping" Bootstrapping คือกระบวนการเข้ารหัสข้อมูลที่เข้ารหัสโดยใช้คีย์ใหม่และถอดรหัสภายในการเข้ารหัส สิ่งนี้สำคัญมากเนื่องจากจะช่วยลดค่าใช้จ่ายในการคำนวณและค่าใช้จ่ายในการถอดรหัสของเอาต์พุตสุดท้ายได้อย่างมาก แม้ว่าการบูตสแตรปปิ้งจะช่วยลดค่าใช้จ่ายในการถอดรหัสขั้นสุดท้าย แต่จะมีค่าใช้จ่ายในการดำเนินงานจำนวนมากในกระบวนการนี้ อาจมีราคาแพงและใช้เวลานาน

โซลูชัน FHE หลักในปัจจุบัน ได้แก่ BFV, BGV, CKKS, FHEW และ TFHE ยกเว้น TFHE ตัวย่อของโครงร่างเหล่านี้คือชื่อผู้เขียนบทความของพวกเขา

ลองนึกถึงสถานการณ์เหล่านี้เป็นภาษาต่างๆ ที่พูดในประเทศเดียวกัน โดยแต่ละสถานการณ์ได้รับการปรับให้เหมาะกับสิ่งต่างๆ ที่แตกต่างกัน อุดมคติคือการรวมประเทศเข้าด้วยกันโดยที่เครื่องเดียวกันสามารถเข้าใจภาษาเหล่านี้ทั้งหมดได้ คณะทำงาน FHE จำนวนมากกำลังทำงานเพื่อรวบรวมแนวทางต่างๆ เหล่านี้ ไลบรารีเช่น SEAL (รูปแบบ BFV และ CKKS แบบรวม) และ HElib (BGV + การประมาณ CKKS) ช่วยนำรูปแบบ FHE ไปใช้หรือการผสมผสานรูปแบบต่างๆ สำหรับการคำนวณที่แตกต่างกัน ตัวอย่างเช่น ไลบรารี Concrete ของ Zama เป็นคอมไพเลอร์ Rust สำหรับ TFHE

2. การเปรียบเทียบโซลูชัน FHE

นี่คือสิ่งที่ Charles Guth, Dimitris Muris และ Nectarios George Chusos เขียนไว้ในรายงานของพวกเขา "SoK: ข้อมูลเชิงลึกใหม่เกี่ยวกับไลบรารี Cryptozoology Homomorphic เต็มรูปแบบผ่านเกณฑ์มาตรฐานมาตรฐาน" SoK: การเปรียบเทียบประสิทธิภาพข้อมูลเชิงลึกใหม่ของไลบรารีต่างๆ ในไลบรารีการเข้ารหัส Homomorphic เต็มรูปแบบผ่านเกณฑ์มาตรฐาน (2022) .

กรณีการใช้งาน Web3

เมื่อเราใช้บล็อกเชนและแอปพลิเคชันในปัจจุบัน ข้อมูลทั้งหมดจะถูกเปิดเผยต่อสาธารณะและทุกคนจะมองเห็นได้ สิ่งนี้เป็นประโยชน์สำหรับกรณีการใช้งานส่วนใหญ่ แต่จะจำกัดโดยสิ้นเชิงสำหรับกรณีการใช้งานจำนวนมากที่จำเป็นต้องมีความเป็นส่วนตัวหรือการรักษาความลับของข้อมูลตามค่าเริ่มต้น (เช่น โมเดลการเรียนรู้ของเครื่อง ฐานข้อมูลทางการแพทย์ จีโนมิกส์ การเงินส่วนบุคคล เกมที่ไม่สามารถควบคุมได้ ฯลฯ) บล็อกเชนหรือเครื่องเสมือนที่ขับเคลื่อนโดย FHE อนุญาตให้มีการเข้ารหัสสถานะของเชนทั้งหมดตั้งแต่จุดเริ่มต้น ทำให้มั่นใจได้ถึงความเป็นส่วนตัวในขณะเดียวกันก็อนุญาตให้ทำการคำนวณตามอำเภอใจกับข้อมูลที่เข้ารหัสได้ ข้อมูลทั้งหมดที่จัดเก็บหรือประมวลผลบนเครือข่ายบล็อกเชนที่ขับเคลื่อนโดย FHE มีความปลอดภัยโดยเนื้อแท้ Zama มีโซลูชัน fhEVM ที่ช่วยให้สามารถคำนวณ EVM ในสภาพแวดล้อมโฮโมมอร์ฟิกโดยสมบูรณ์ สิ่งนี้ทำให้มั่นใจได้ถึงความเป็นส่วนตัวในระดับการดำเนินการสำหรับโปรเจ็กต์ L1/L2 ใดๆ ที่สร้างขึ้นโดยใช้ไลบรารีนี้ แม้ว่า Privacy Chain จะเป็นเทคโนโลยีที่ยอดเยี่ยมมาโดยตลอด แต่ประสิทธิภาพของการนำไปใช้และโทเค็นยังไม่ได้รับการปรับปรุงอย่างมีนัยสำคัญ

FHE ไม่ได้มีจุดมุ่งหมายเพื่อแทนที่ ZK และ MPC ตามลำดับ เมื่อเป็นเรื่องของการจ้างบุคคลภายนอกในการประมวลผลทั่วไป พวกเขาสามารถเสริมซึ่งกันและกันเพื่อสร้างยักษ์ใหญ่ด้านคอมพิวเตอร์ส่วนตัวที่ไร้ความน่าเชื่อถือ ตัวอย่างเช่น Sunscreen กำลังสร้าง "กลไกความเป็นส่วนตัว" ที่ช่วยให้แอปพลิเคชันบล็อกเชนใดๆ สามารถจ้างบุคคลภายนอกในการประมวลผลไปยังสภาพแวดล้อมการประมวลผล FHE และป้อนผลลัพธ์กลับคืนมา การคำนวณผลลัพธ์สามารถตรวจสอบได้ผ่านการพิสูจน์ ZK Octra กำลังทำสิ่งที่คล้ายกัน แต่ใช้รูปแบบการเข้ารหัสประเภทอื่นที่เรียกว่า hFHE

การพิสูจน์ ZK นั้นดีในการพิสูจน์บางสิ่งโดยไม่ต้องเปิดเผยข้อมูล แต่ผู้พิสูจน์ยังคงสามารถเข้าถึงข้อมูลได้ในบางช่วงเวลา ไม่สามารถใช้พิสูจน์ ZK สำหรับการคำนวณข้อมูลส่วนตัวได้ แต่สามารถตรวจสอบได้ว่าการคำนวณบางอย่างเสร็จสมบูรณ์อย่างถูกต้องเท่านั้น

MPC กระจายการคำนวณข้อมูลที่เข้ารหัสไปยังเครื่องหลายเครื่อง ทำการคำนวณแบบขนาน จากนั้นประกบผลลัพธ์การคำนวณขั้นสุดท้ายเข้าด้วยกัน ตราบใดที่เครื่องจักรส่วนใหญ่ที่ทำการคำนวณมีความเที่ยงตรง ข้อมูลต้นฉบับก็ไม่สามารถเรียกคืนได้ แต่นี่ก็ยังคงเป็นข้อสันนิษฐานของความไว้วางใจ การปรับขนาดผ่านฮาร์ดแวร์กลายเป็นเรื่องยากเนื่องจากต้องมีการสื่อสารอย่างต่อเนื่องระหว่างฝ่ายต่างๆ ใน MPC (ต้องมีการแบ่ง คำนวณ และเชื่อมต่อข้อมูลอย่างต่อเนื่อง)

ใน FHE การคำนวณทั้งหมดจะดำเนินการกับข้อมูลที่เข้ารหัส ไม่จำเป็นต้องถอดรหัสข้อมูล และสามารถทำได้บนเซิร์ฟเวอร์เดียว ประสิทธิภาพของ FHE สามารถปรับขนาดได้ด้วยฮาร์ดแวร์ที่ดีขึ้น ทรัพยากรการประมวลผลที่มากขึ้น และการเร่งด้วยฮาร์ดแวร์

ในปัจจุบัน กรณีการใช้งานที่ดีที่สุดสำหรับ FHE ในพื้นที่บล็อกเชนคือการจ้างบุคคลภายนอกเพื่อการประมวลผลทั่วไปมากกว่าการสร้าง FHE L1/L2 ในตัว นี่คือกรณีการใช้งานที่น่าสนใจบางส่วนที่ FHE สามารถปลดล็อกได้:

• รุ่นแรก (สกุลเงินดิจิทัล): DID ออนไลน์, คาสิโน, การเดิมพัน, การลงคะแนน, เกม, DeFi ส่วนตัว, โทเค็นส่วนตัว, ดาร์กพูล, 2FA, การสำรองข้อมูล, รหัสผ่าน

• รุ่นที่สอง (โมดูลาร์): "Chainlink เพื่อความเป็นส่วนตัว", คอมพิวเตอร์ส่วนตัวจากภายนอก, การเข้ารหัสตั้งแต่ต้นทางถึงปลายทางระหว่างบล็อกเชนและสัญญา, ความพร้อมใช้งานของข้อมูลที่เข้ารหัส, พื้นที่จัดเก็บข้อมูลที่ปลอดภัยที่ตรวจสอบได้

• รุ่นที่สาม (ระดับองค์กร): แอปพลิเคชันสำหรับผู้บริโภคที่ซับซ้อน, LLM ที่เข้ารหัสและกระจายอำนาจ, ปัญญาประดิษฐ์, อุปกรณ์สวมใส่, การสื่อสาร, การทหาร, การแพทย์, โซลูชันการชำระเงินที่รักษาความเป็นส่วนตัว, การชำระเงิน P2P ส่วนตัว

โครงการอุตสาหกรรมปัจจุบันบนพื้นฐานของ FHE

การพัฒนาการเข้ารหัสโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) ได้สร้างแรงบันดาลใจให้กับโครงการบล็อกเชนเชิงนวัตกรรมหลายโครงการที่ใช้ประโยชน์จากเทคโนโลยีนี้เพื่อปรับปรุงความเป็นส่วนตัวและความปลอดภัยของข้อมูล ส่วนนี้จะเจาะลึกรายละเอียดด้านเทคนิคและแนวทางเฉพาะของโครงการที่น่าสนใจ เช่น Inco, Fhenix และ Zama

อินโก้

Inco กำลังบุกเบิกการบูรณาการ FHE และบล็อกเชน โดยสร้างแพลตฟอร์มที่ทำให้การประมวลผลข้อมูลทั้งปลอดภัยและเป็นส่วนตัว Inco ใช้เทคโนโลยีการเข้ารหัสแบบ Lattice เพื่อใช้รูปแบบ FHE เพื่อให้มั่นใจว่าการดำเนินการกับไซเฟอร์เท็กซ์ (ข้อมูลที่เข้ารหัส) สามารถทำได้โดยไม่ต้องเปิดเผยข้อความธรรมดาที่ซ่อนอยู่ แพลตฟอร์มดังกล่าวรองรับสัญญาอัจฉริยะที่รักษาความเป็นส่วนตัว ช่วยให้สามารถประมวลผลข้อมูลที่เข้ารหัสบนบล็อกเชนได้โดยตรง

• FHE แบบ Lattice: Inco ใช้การเข้ารหัสแบบ Lattice สำหรับการนำ FHE ไปใช้ ซึ่งเป็นที่รู้จักในด้านคุณสมบัติความปลอดภัยหลังควอนตัม ทำให้มั่นใจได้ถึงความยืดหยุ่นต่อการโจมตีควอนตัมในอนาคต

• สัญญาอัจฉริยะที่รักษาความเป็นส่วนตัว: สัญญาอัจฉริยะของ Inco สามารถดำเนินการฟังก์ชันตามอำเภอใจบนอินพุตที่เข้ารหัสได้ ทำให้มั่นใจได้ว่าทั้งสัญญาและโหนดที่ดำเนินการตามสัญญาไม่สามารถเข้าถึงข้อมูลข้อความธรรมดาได้

• การจัดการเสียงรบกวนและ Bootstrapping: เพื่อที่จะจัดการกับปัญหาการเติบโตของเสียงรบกวนระหว่างการดำเนินการแบบโฮโมมอร์ฟิก Inco จึงใช้เทคโนโลยี Bootstrapping ที่มีประสิทธิภาพเพื่อรีเฟรชไซเฟอร์เท็กซ์ รักษาความสามารถในการถอดรหัส และทำการคำนวณที่ซับซ้อนในเวลาเดียวกัน

ฟีนิกซ์

Fhenix มุ่งเน้นไปที่การจัดหาโครงสร้างพื้นฐานที่แข็งแกร่งสำหรับแอปพลิเคชันการปกป้องความเป็นส่วนตัว โดยใช้ประโยชน์จาก FHE เพื่อมอบโซลูชันการเข้ารหัสแบบ end-to-end เพื่อปกป้องข้อมูลผู้ใช้ แพลตฟอร์มของ Fhenix ได้รับการออกแบบมาเพื่อรองรับแอปพลิเคชันที่หลากหลายตั้งแต่การส่งข้อความที่ปลอดภัยไปจนถึงธุรกรรมทางการเงินส่วนตัว ซึ่งรับประกันความเป็นส่วนตัวของข้อมูลตลอดกระบวนการประมวลผลทั้งหมด

• การเข้ารหัสจากต้นทางถึงปลายทาง: Fhenix ช่วยให้มั่นใจว่าข้อมูลยังคงถูกเข้ารหัสตั้งแต่จุดเริ่มต้นจนถึงการประมวลผลและการจัดเก็บ ซึ่งสามารถทำได้โดยการรวมเทคโนโลยี FHE และ Secure Multi-Party Computation (SMPC) เข้าด้วยกัน

• การจัดการคีย์ที่มีประสิทธิภาพ: Fhenix ผสานรวมระบบการจัดการคีย์ขั้นสูงเพื่ออำนวยความสะดวกในการแจกจ่ายและการหมุนเวียนคีย์ที่ปลอดภัย ซึ่งเป็นกุญแจสำคัญในการรักษาความปลอดภัยในระยะยาวในสภาพแวดล้อม FHE

• ความสามารถในการขยายขนาด: แพลตฟอร์มดังกล่าวใช้การดำเนินการแบบโฮโมมอร์ฟิกที่ได้รับการปรับปรุงและการประมวลผลแบบขนาน เพื่อรองรับการคำนวณขนาดใหญ่อย่างมีประสิทธิภาพ ซึ่งจะช่วยแก้ปัญหาความท้าทายหลักประการหนึ่งของ FHE

• โปรเซสเซอร์ร่วม: Fhenix ยังเป็นผู้บุกเบิกการพัฒนาโปรเซสเซอร์ร่วมพิเศษที่ออกแบบมาเพื่อเร่งการคำนวณ FHE โปรเซสเซอร์ร่วมเหล่านี้เชี่ยวชาญในการจัดการการดำเนินการทางคณิตศาสตร์เข้มข้นที่ FHE ต้องการ ซึ่งปรับปรุงประสิทธิภาพและความสามารถในการปรับขนาดของแอปพลิเคชันที่รักษาความเป็นส่วนตัวได้อย่างมาก

ซามา

Zama เป็นผู้นำในด้าน FHE และมีชื่อเสียงในด้านการพัฒนาโซลูชัน fhEVM โซลูชันนี้ช่วยให้การคำนวณ Ethereum EVM ดำเนินการในสภาพแวดล้อมโฮโมมอร์ฟิกโดยสมบูรณ์ ทำให้มั่นใจได้ถึงความเป็นส่วนตัวในระดับการดำเนินการสำหรับโปรเจ็กต์ L1/L2 ใดๆ ที่สร้างขึ้นโดยใช้ไลบรารี

• โซลูชัน fhEVM: โซลูชัน fhEVM ของ Zama ผสานรวม FHE เข้ากับ Ethereum Virtual Machine เพื่อใช้การดำเนินการตามสัญญาอัจฉริยะที่เข้ารหัส ซึ่งช่วยให้การทำธุรกรรมและการคำนวณที่เป็นความลับสามารถดำเนินการภายในระบบนิเวศ Ethereum

• ห้องสมุดคอนกรีต: ห้องสมุดคอนกรีตของ Zama เป็นคอมไพเลอร์ Rust สำหรับ TFHE (ตัวแปรของ FHE) ไลบรารีนี้นำเสนอการใช้งานแผนการเข้ารหัสแบบโฮโมมอร์ฟิกที่มีประสิทธิภาพสูง ทำให้การคำนวณการเข้ารหัสมีประสิทธิภาพมากขึ้น

• การทำงานร่วมกัน: Zama มุ่งมั่นที่จะสร้างโซลูชันที่ทำงานได้อย่างราบรื่นกับโครงสร้างพื้นฐานบล็อกเชนที่มีอยู่ ซึ่งรวมถึงการสนับสนุนการเข้ารหัสแบบดั้งเดิมและโปรโตคอลที่หลากหลาย เพื่อให้มั่นใจถึงความเข้ากันได้ในวงกว้างและง่ายต่อการรวมเข้าด้วยกัน

3. บทบาทสำคัญของ FHE ใน Crypto และ AI Infra และแอปพลิเคชัน

ทุกวันนี้ จุดตัดกันของวิทยาการเข้ารหัสลับและปัญญาประดิษฐ์กำลังเข้ามาเกี่ยวข้องอย่างเต็มรูปแบบ แม้ว่าจะไม่ได้เจาะลึกถึงจุดตัดนี้ แต่ก็เป็นที่น่าสังเกตว่านวัตกรรมในโมเดลและชุดข้อมูลใหม่จะถูกขับเคลื่อนโดยการทำงานร่วมกันแบบโอเพ่นซอร์สระหว่างผู้เล่นหลายคน นอกเหนือจากการคำนวณแล้ว สิ่งที่สำคัญที่สุดในท้ายที่สุดก็คือข้อมูล ซึ่งเป็นส่วนที่สำคัญที่สุดของไปป์ไลน์การทำงานร่วมกันนี้ ประโยชน์ของแอปพลิเคชันและโมเดล AI ในท้ายที่สุดจะขึ้นอยู่กับข้อมูลที่ฝึกฝน ไม่ว่าจะเป็นโมเดลพื้นฐาน โมเดลที่ได้รับการปรับแต่ง หรือเอเจนต์อัจฉริยะ AI การรักษาข้อมูลนี้ให้ปลอดภัยและเป็นส่วนตัวจะเปิดพื้นที่การออกแบบที่กว้างขวางสำหรับการทำงานร่วมกันแบบโอเพ่นซอร์ส ในขณะเดียวกันก็ช่วยให้เจ้าของข้อมูลสามารถสร้างรายได้จากโมเดลการฝึกอบรมหรือแอปพลิเคชันขั้นสุดท้ายต่อไปได้ หากข้อมูลนี้เป็นข้อมูลสาธารณะ ก็จะเป็นการยากที่จะสร้างรายได้ (เนื่องจากใครก็ตามสามารถเข้าถึงชุดข้อมูลอันมีค่าได้) ดังนั้นจึงมีแนวโน้มมากขึ้นว่าข้อมูลนี้จะได้รับการคุ้มครองอย่างเข้มงวด

ในกรณีนี้ FHE สามารถมีบทบาทสำคัญได้ ตามหลักการแล้ว อนุญาตให้ใช้โมเดลการฝึกอบรมโดยไม่ต้องเปิดเผยชุดข้อมูลพื้นฐาน ซึ่งสามารถปลดล็อกการสร้างรายได้จากชุดข้อมูล และอำนวยความสะดวกอย่างมากในการทำงานร่วมกันแบบโอเพ่นซอร์สระหว่างเจ้าของชุดข้อมูล

ที่มา: Bagel Network

FHE ปรับปรุงการเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัว (PPML) ได้อย่างไร

• ความเป็นส่วนตัวของข้อมูล: ด้วยการใช้ FHE ข้อมูลที่ละเอียดอ่อน เช่น บันทึกทางการแพทย์ ข้อมูลทางการเงิน หรือตัวระบุส่วนบุคคล จะถูกเข้ารหัสก่อนที่จะถูกป้อนเข้าสู่โมเดล ML สิ่งนี้ทำให้มั่นใจได้ว่าแม้ว่าสภาพแวดล้อมการประมวลผลจะถูกละเมิด แต่ข้อมูลก็ยังคงเป็นความลับ

• การฝึกโมเดลที่ปลอดภัย: การฝึกโมเดล ML มักต้องใช้ข้อมูลจำนวนมาก เมื่อใช้ FHE ข้อมูลนี้สามารถเข้ารหัสได้ ทำให้สามารถฝึกฝนโมเดลได้โดยไม่ต้องเปิดเผยข้อมูลต้นฉบับ ซึ่งมีความสำคัญอย่างยิ่งสำหรับอุตสาหกรรมที่ต้องจัดการข้อมูลที่ละเอียดอ่อนสูงและอยู่ภายใต้กฎระเบียบด้านความเป็นส่วนตัวของข้อมูลที่เข้มงวด

• การอนุมานที่เป็นความลับ: นอกเหนือจากการฝึกอบรมแล้ว FHE ยังสามารถใช้สำหรับการอนุมานด้วยการเข้ารหัสลับอีกด้วย ซึ่งหมายความว่าเมื่อโมเดลได้รับการฝึกฝนแล้ว ก็สามารถคาดการณ์กับอินพุตที่เข้ารหัสได้ เพื่อให้มั่นใจว่าข้อมูลผู้ใช้ยังคงเป็นส่วนตัวตลอดกระบวนการอนุมาน

• พื้นที่ใช้งาน PPML ของ FHE:

• การดูแลสุขภาพ: การฝึกอบรมโมเดล ML ในขณะเดียวกันก็ปกป้องความเป็นส่วนตัวสามารถนำไปสู่การรักษาที่เป็นส่วนตัวและมีประสิทธิภาพมากขึ้นโดยไม่ต้องเปิดเผยข้อมูลผู้ป่วยที่ละเอียดอ่อน

• การเงิน: สถาบันการเงินสามารถใช้ FHE เพื่อวิเคราะห์ข้อมูลธุรกรรมที่เข้ารหัส เพื่อให้สามารถตรวจจับการฉ้อโกงและประเมินความเสี่ยงในขณะที่ยังคงรักษาความเป็นส่วนตัวของลูกค้า

• IoT และอุปกรณ์อัจฉริยะ: อุปกรณ์สามารถรวบรวมและประมวลผลข้อมูลในรูปแบบที่เข้ารหัส ทำให้มั่นใจได้ว่าข้อมูลที่ละเอียดอ่อน เช่น ข้อมูลตำแหน่งหรือรูปแบบการใช้งานยังคงเป็นความลับ

คำถามสำหรับ FHE:

ดังที่ได้กล่าวไปแล้ว ไม่มี "ความสม่ำเสมอ" ระหว่างโครงการ FHE ไม่สามารถรวมแผนดังกล่าวได้ และจำเป็นต้องรวมแผน FHE ที่แตกต่างกันสำหรับการคำนวณประเภทต่างๆ หลายครั้ง กระบวนการทดลองในสถานการณ์ต่างๆ สำหรับการคำนวณเดียวกันนั้นค่อนข้างยุ่งยากเช่นกัน กรอบงาน CHIMERA กำลังได้รับการพัฒนาเพื่อให้สามารถสลับระหว่างแผน FHE ต่างๆ เช่น TFHE, BFV และ HEAAN ได้ แต่ปัจจุบันยังใช้งานไม่ได้ สิ่งนี้นำไปสู่ปัญหาต่อไปซึ่งก็คือการขาดการเปรียบเทียบ การเปรียบเทียบเป็นสิ่งสำคัญสำหรับนักพัฒนาในการนำเทคโนโลยีนี้มาใช้ ซึ่งจะช่วยประหยัดเวลาของนักพัฒนาได้มาก ฮาร์ดแวร์สำหรับใช้งานทั่วไปที่มีอยู่จำนวนมากไม่เหมาะนักเนื่องจากค่าใช้จ่ายในการคำนวณ (การเข้ารหัส การถอดรหัส การบูตสแตรปปิ้ง การสร้างคีย์ ฯลฯ) จำเป็นต้องมีการเร่งด้วยฮาร์ดแวร์บางรูปแบบ หรืออาจต้องสร้างชิปเฉพาะ (FPGA และ/หรือ ASIC) เพื่อเปิดใช้งานแอปพลิเคชัน FHE กระแสหลักมากขึ้น ปัญหาของโมเดลเหล่านี้เทียบได้กับปัญหาของอุตสาหกรรม ZK (ศูนย์ความรู้) ตราบใดที่นักคณิตศาสตร์ที่ชาญฉลาด นักวิทยาศาสตร์ประยุกต์ และวิศวกรจำนวนมากสนใจในด้านนี้ เราก็จะยังคงมั่นใจในสองด้านนี้ต่อไป: FHE เพื่อความเป็นส่วนตัว และ ZK สำหรับการตรวจสอบยืนยัน

4. อนาคตที่ขับเคลื่อนโดย FHE จะเป็นอย่างไร?

จะมีโครงการ FHE แผนเดียวที่จะปกครองพวกเขาทั้งหมดหรือไม่? การอภิปรายดังกล่าวยังคงดำเนินต่อไปในอุตสาหกรรม แม้ว่าวิธีที่ดีที่สุดคือการมีโซลูชันแบบครบวงจร แต่ความต้องการที่หลากหลายของการใช้งานที่แตกต่างกันอาจต้องการโซลูชันเฉพาะทางที่ได้รับการปรับปรุงให้เหมาะกับงานเฉพาะเสมอ การทำงานร่วมกันระหว่างสถานการณ์เป็นทางออกที่ดีที่สุดหรือไม่? ความสามารถในการทำงานร่วมกันอาจเป็นแนวทางที่ใช้งานได้จริง โดยให้ความยืดหยุ่นในการจัดการความต้องการด้านคอมพิวเตอร์ที่หลากหลาย ในขณะเดียวกันก็ใช้ประโยชน์จากจุดแข็งของสถานการณ์ต่างๆ

FHE จะวางจำหน่ายเมื่อใด? การใช้งานมีความเกี่ยวข้องอย่างใกล้ชิดกับความคืบหน้าในการลดค่าใช้จ่ายในการคำนวณ การปรับปรุงมาตรฐานการเปรียบเทียบ และการพัฒนาฮาร์ดแวร์เฉพาะทาง เมื่อพื้นที่เหล่านี้ก้าวหน้า FHE จะเข้าถึงและใช้งานได้จริงมากขึ้น

โดยสรุป FHE มอบเครื่องมืออันทรงพลังสำหรับการปกป้องความเป็นส่วนตัวของข้อมูลและการประมวลผลที่ปลอดภัย แม้ว่าในปัจจุบันจะมีความท้าทายในด้านการทำงานร่วมกัน ค่าใช้จ่ายในการคำนวณ และการสนับสนุนฮาร์ดแวร์ แต่ศักยภาพของ FHE ในด้านบล็อกเชน การเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัว และแอปพลิเคชัน Web3 ในวงกว้างก็ไม่สามารถละเลยได้ ในขณะที่เทคโนโลยียังคงพัฒนาและสร้างสรรค์สิ่งใหม่ๆ อย่างต่อเนื่อง FHE คาดว่าจะมีบทบาทสำคัญในการปกป้องความเป็นส่วนตัวและการประมวลผลที่ปลอดภัยในอนาคต