IOSG Ventures: Vitalik ca ngợi nó, tiềm năng ứng dụng của mã hóa đồng hình hoàn toàn FHE là gì?
Tác giả gốc: Mustafa Hourani
Biên soạn gốc: nhóm IOSG
Lời nói đầu
Giới thiệu Mã hóa hoàn toàn đồng hình (FHE): Khám phá các ứng dụng thú vị, những hạn chế và những phát triển mới nhất thúc đẩy sự phổ biến của nó.
Khi tôi (Mustafa) lần đầu tiên nghe về “Mã hóa hoàn toàn đồng hình” (FHE), tôi đã được nhắc nhở về xu hướng trong không gian blockchain đặt tên dài cho các khái niệm phổ biến. Trong những năm qua, chúng tôi đã gặp nhiều từ thông dụng gây xôn xao trong ngành, gần đây nhất là “bằng chứng không có kiến thức” (ZKP).
Sau khi thực hiện một số nghiên cứu và khám phá một số công ty mới xây dựng sản phẩm bằng FHE, tôi nhận thấy một chân trời đầy những công cụ mới tuyệt vời. Trong những tháng và năm tới, FHE có thể trở thành công nghệ lớn tiếp theo tạo nên cơn bão trong ngành, giống như ZKP. Các công ty đang tận dụng những tiến bộ mới nhất về mật mã và điện toán đám mây để mở đường hướng tới một tương lai mạnh mẽ về quyền riêng tư dữ liệu. Câu hỏi không phải là liệu chúng ta có thể đạt được điều đó hay không mà là khi nào và tôi tin rằng FHE có thể là chất xúc tác chính trong việc thúc đẩy quyền riêng tư và quyền sở hữu dữ liệu.
"FHE là Chén Thánh của mật mã. Theo thời gian, FHE sẽ định hình lại kiến trúc của mọi máy tính, cho dù đó là web2 hay web3."
Đồng hình là gì
Thuật ngữ Homomorphism (đồng hình), trước hết chúng ta hãy tìm hiểu ý nghĩa của từ “đồng hình”. Truy tìm nguồn gốc của nó, các phép đồng cấu bắt nguồn từ toán học và được định nghĩa là ánh xạ giữa hai cấu trúc đại số cùng loại nhưng giữ lại thành phần cốt lõi giữa chúng.
Nếu bạn, giống như tôi, thích một định nghĩa thực dụng hơn, thì bài toán đằng sau điều này là hai nhóm không cần phải giống hệt nhau mới có những đặc tính cốt lõi giống nhau. Ví dụ, hãy tưởng tượng hai hộp chứa trái cây, mỗi hộp tương ứng với một nhóm khác nhau:
Hộp A chứa những quả nhỏ.
Hộp B chứa những quả lớn.
Ép táo nhỏ và cam cùng nhau trong Hộp A sẽ tạo ra hương vị nước ép hòa trộn giống như ép táo và cam lớn cùng nhau trong Hộp B, mặc dù kích cỡ của từng loại trái cây khác nhau. Việc ép nước để tạo ra cùng một hương vị cũng giống như việc duy trì thành phần cốt lõi giữa hai hộp. Giả sử cùng một hương vị là trọng tâm chính của chúng tôi, thì việc chúng tôi ép nước trái cây từ hộp nào không quan trọng vì lượng nước trái cây không phải là trọng tâm của chúng tôi. Ở các khía cạnh quan trọng (hương vị), hai nhóm tương đương nhau, do đó, sự khác biệt giữa chúng (kích thước và số lượng) không ảnh hưởng đến chức năng chính mà chúng tôi xác định là tạo ra hương vị nước ép cụ thể.
Bằng cách tương tự với thuyết đồng cấu, chúng ta nắm bắt được hai đặc điểm chính của nó:
Ánh xạ: Chúng tôi tạo kết nối giữa các loại trái cây, trong đó mỗi quả nhỏ trong hộp A tương ứng với phiên bản lớn hơn trong hộp B. Do đó, quả táo nhỏ ở hộp A tương ứng với quả táo lớn ở hộp B, v.v.
Duy trì hoạt động: Nếu ép hai quả nhỏ vào hộp A tạo ra một hương vị đặc trưng thì việc ép các phiên bản lớn hơn tương ứng của chúng vào hộp B sẽ tạo ra hương vị tương tự. Mặc dù kích thước và số lượng nước ép thu được khác nhau nhưng “hương vị” vẫn được duy trì.
Mã hóa đồng hình hoàn toàn là gì
Đưa vấn đề này vào chủ đề trọng tâm của bài viết này, Mã hóa hoàn toàn đồng hình (FHE) là một phương pháp mã hóa dữ liệu cụ thể cho phép một người thực hiện các tính toán trên dữ liệu được mã hóa mà không làm lộ dữ liệu gốc. Về lý thuyết, các phân tích và tính toán được thực hiện trên dữ liệu được mã hóa sẽ tạo ra kết quả tương tự như kết quả được thực hiện trên dữ liệu gốc. Với FHE, chúng tôi tạo kết nối một-một giữa dữ liệu trong tập dữ liệu được mã hóa và dữ liệu trong tập dữ liệu gốc. Trong trường hợp này, thành phần cốt lõi được giữ lại là khả năng thực hiện bất kỳ phép tính nào trên dữ liệu trong cả hai tập dữ liệu và tạo ra cùng một kết quả.
Về vấn đề này, nhiều công ty đã thực hiện các biện pháp phòng ngừa để bảo vệ dữ liệu người dùng và duy trì quyền riêng tư khác biệt. Các công ty hiếm khi lưu trữ dữ liệu thô, không được mã hóa trên đám mây hoặc trong cơ sở dữ liệu của họ. Do đó, ngay cả khi kẻ tấn công nắm quyền kiểm soát máy chủ của công ty, chúng vẫn cần phải vượt qua mã hóa để đọc và truy cập dữ liệu. Tuy nhiên, sẽ không có gì thú vị khi dữ liệu chỉ được mã hóa đơn giản và không được sử dụng. Khi các công ty muốn phân tích dữ liệu để thu được những hiểu biết có giá trị, họ không có lựa chọn nào khác ngoài việc giải mã dữ liệu để làm điều đó. Khi dữ liệu được giải mã, nó sẽ trở nên dễ bị tấn công. Tuy nhiên, với mã hóa đầu cuối, FHE trở nên cực kỳ hữu ích vì chúng ta không còn cần phải giải mã dữ liệu để phân tích dữ liệu đó nữa;
Vấn đề quan trọng cần cân nhắc là liệu các công ty có được phép đọc và lưu trữ thông tin cá nhân của chúng ta ngay từ đầu hay không. Phản hồi tiêu chuẩn của nhiều người là các công ty cần xem dữ liệu của chúng tôi để phục vụ chúng tôi tốt hơn.
Nếu YouTube không lưu trữ dữ liệu như lịch sử xem và tìm kiếm của tôi thì thuật toán không thể phát huy hết tiềm năng và hiển thị cho tôi những video mà tôi quan tâm. Do đó, nhiều người tin rằng sự đánh đổi giữa quyền riêng tư dữ liệu và khả năng tiếp cận các dịch vụ tốt hơn là xứng đáng. Tuy nhiên, với FHE, chúng ta không còn cần phải đánh đổi điều này nữa. Các công ty như YouTube có thể đào tạo thuật toán của họ trên dữ liệu được mã hóa và tạo ra kết quả tương tự cho người dùng cuối mà không vi phạm quyền riêng tư dữ liệu. Cụ thể, họ có thể mã hóa đồng nhất thông tin như lịch sử xem và tìm kiếm của tôi, phân tích thông tin đó mà không cần xem, sau đó hiển thị cho tôi các video mà tôi quan tâm dựa trên phân tích đó.
FHE là một bước quan trọng hướng tới việc xây dựng một tương lai nơi dữ liệu của chúng tôi không còn là hàng hóa có giá trị mà chúng tôi tự do cung cấp cho các tổ chức.
Các ứng dụng của mã hóa đồng cấu hoàn toàn
Mã hóa hoàn toàn đồng hình (FHE) nếu được áp dụng đúng cách sẽ là bước đột phá cho mọi ngành lưu trữ dữ liệu người dùng. Chúng tôi đang xem xét một công nghệ có thể thay đổi toàn bộ thái độ của chúng ta đối với quyền riêng tư dữ liệu và các giới hạn về sự xâm nhập có thể chấp nhận được của các công ty.
Trước tiên, hãy khám phá cách FHE có thể chuyển đổi hoạt động dữ liệu trong ngành chăm sóc sức khỏe. Nhiều bệnh viện lưu giữ hồ sơ bệnh nhân riêng tư trong cơ sở dữ liệu của họ và phải được giữ bí mật vì lý do đạo đức và pháp lý. Tuy nhiên, thông tin này cực kỳ có giá trị đối với các nhà nghiên cứu y tế bên ngoài, những người có thể phân tích dữ liệu để rút ra những hiểu biết quan trọng về bệnh tật và các phương pháp điều trị tiềm năng. Trở ngại lớn làm chậm tiến độ nghiên cứu là việc duy trì tính bảo mật hoàn toàn của dữ liệu bệnh nhân khi giao dữ liệu cho các nhà nghiên cứu. Có nhiều cách để ẩn danh hoặc giả ẩn danh hồ sơ bệnh nhân, nhưng những phương pháp này không hoàn hảo và có thể tiết lộ quá nhiều thông tin về một người khiến họ có thể nhận dạng được hoặc có thể không tiết lộ đủ thông tin về một ca bệnh khiến khó lấy được. thông tin chính xác về một người.
Với FHE, các bệnh viện có thể mã hóa đồng nhất dữ liệu bệnh nhân, giúp bảo vệ quyền riêng tư của bệnh nhân trên đám mây dễ dàng hơn. Các nhà nghiên cứu y tế có thể thực hiện tính toán và chạy các chức năng phân tích trên dữ liệu được mã hóa mà không ảnh hưởng đến quyền riêng tư của bệnh nhân. Vì có sự ánh xạ một-một giữa dữ liệu được mã hóa và dữ liệu gốc nên kết quả thu được từ tập dữ liệu được mã hóa cung cấp những hiểu biết thực tế có thể áp dụng cho các trường hợp thực tế. FHE có thể nhanh chóng thúc đẩy ngành chăm sóc sức khỏe.
Một ứng dụng thú vị khác của mã hóa đồng cấu hoàn toàn (FHE) trong đào tạo trí tuệ nhân tạo (AI) đáng được quan tâm. Hiện tại, lĩnh vực AI phải đối mặt với các vấn đề về quyền riêng tư cản trở khả năng của các công ty trong việc có được các tập dữ liệu lớn và trên phạm vi rộng, rất quan trọng để tinh chỉnh các thuật toán AI. Các công ty đào tạo AI phải lựa chọn giữa việc sử dụng các tập dữ liệu công khai hạn chế, trả số tiền lớn cho các tập dữ liệu riêng tư hoặc tạo các tập dữ liệu, điều này đặc biệt khó khăn đối với các công ty nhỏ hơn với ít người dùng hơn. FHE sẽ có thể giải quyết các mối lo ngại về quyền riêng tư ngăn cản nhiều nhà cung cấp dữ liệu tham gia vào thị trường này. Do đó, những cải tiến trong FHE có thể dẫn đến sự gia tăng số lượng bộ dữ liệu có sẵn để đào tạo AI. Điều này sẽ làm cho việc đào tạo AI trở nên khả thi và tinh tế hơn về mặt kinh tế, do tính đa dạng ngày càng tăng của các bộ dữ liệu có sẵn.
Sử dụng FHE, các công ty có thể đào tạo các mô hình học máy trên dữ liệu được mã hóa mà không làm rò rỉ dữ liệu gốc. Điều này có nghĩa là chủ sở hữu dữ liệu có thể chia sẻ dữ liệu được mã hóa của họ một cách an toàn mà không phải lo lắng về việc vi phạm quyền riêng tư hoặc lạm dụng dữ liệu. Đồng thời, những người đào tạo mô hình AI có thể cải thiện thuật toán của mình bằng cách tận dụng các bộ dữ liệu đa dạng và toàn diện hơn mà có thể không có nếu không có FHE. Do đó, mã hóa hoàn toàn đồng hình không chỉ cải thiện tính bảo mật dữ liệu mà còn mở rộng khả năng nghiên cứu và phát triển AI, giúp việc ứng dụng công nghệ AI trở nên sâu rộng và hiệu quả hơn.
Những thiếu sót của mã hóa đồng cấu hoàn toàn trong quá khứ
Mặc dù mã hóa hoàn toàn đồng hình (FHE) chắc chắn hứa hẹn sẽ biến đổi dữ liệu lớn hiện đại, nhưng tại sao chúng ta vẫn chưa thấy nhiều ứng dụng thực tế hơn?
Mặc dù FHE là chủ đề được thảo luận và nghiên cứu trong nhiều năm nhưng thực tế rất khó triển khai FHE trên thực tế. Thách thức cốt lõi nằm ở khả năng tính toán cần thiết để thực hiện FHE. Một tập dữ liệu hoàn toàn an toàn đồng hình có thể tạo ra kết quả phân tích giống hệt với dạng dữ liệu ban đầu của nó. Đây là một kỳ công đầy thách thức đòi hỏi tốc độ và sức mạnh tính toán đáng kể, nhiều tính năng trong số đó không thể thực hiện được trên các máy tính hiện có. Một thao tác thường mất vài giây trên dữ liệu thô có thể mất hàng giờ hoặc thậm chí vài ngày trên các tập dữ liệu được mã hóa đồng hình. Thử thách tính toán này tạo ra một chu kỳ tự kéo dài, trong đó nhiều kỹ sư trì hoãn việc thực hiện các dự án FHE, do đó làm chậm quá trình phát triển và hạn chế việc hiện thực hóa đầy đủ các lợi ích của họ.
Một vấn đề tính toán cụ thể mà các kỹ sư gặp phải ở FHE là xử lý “lỗi nhiễu”. Khi thực hiện các phép tính trên các tập dữ liệu được mã hóa đồng cấu, nhiều kỹ sư gặp phải tình huống trong đó mỗi phép tính tạo ra thêm nhiễu hoặc lỗi. Điều này có thể chấp nhận được khi chỉ cần một vài phép tính, nhưng sau nhiều lần phân tích, nhiễu có thể trở nên nổi bật đến mức dữ liệu thô trở nên khó hiểu. Dữ liệu gần như bị mất.
tại sao bây giờ
Giống như AI tổng quát, vốn từng bị coi là hạn chế và nguyên thủy cho đến khi nó trở thành xu hướng chủ đạo, mã hóa đồng hình hoàn toàn (FHE) cũng đang trên một quỹ đạo phát triển tương tự. Nhiều nhà lãnh đạo ngành, ngay cả những người ngoài không gian blockchain, đã cùng nhau tổ chức nghiên cứu và phát triển đáng kể về FHE. Điều này đã dẫn đến một số phát triển gần đây của ngành, thúc đẩy những câu chuyện hấp dẫn về sự tiến bộ của công nghệ này.
dự án DPRIVE
Vào tháng 3 năm 2021, Microsoft, Intel và Cơ quan Dự án Nghiên cứu Tiên tiến Quốc phòng Hoa Kỳ (DARPA) đã đồng ý khởi động một chương trình kéo dài nhiều năm để đẩy nhanh quá trình phát triển mã hóa đồng hình hoàn toàn (FHE). Sáng kiến này có tên Bảo vệ dữ liệu trong môi trường ảo (DPRIVE), đánh dấu một bước phát triển lớn của FHE. Nó cho thấy hai gã khổng lồ trong ngành chuyên về điện toán đám mây và phần cứng máy tính đang hợp tác để giải quyết các mối lo ngại về quyền riêng tư dữ liệu. Họ đã khởi động dự án này nhằm xây dựng các máy tính và phần mềm có thể quản lý tốc độ tính toán của FHE, đồng thời thiết lập các hướng dẫn triển khai FHE chính xác nhằm ngăn chặn rò rỉ dữ liệu do sử dụng không đúng cách.
Là một phần của sáng kiến DPRIVE, các kỹ sư được giao nhiệm vụ giảm thiểu “lỗi tiếng ồn” đã đề cập trước đó bằng cách khám phá các cách giảm tiếng ồn xuống mức của dữ liệu gốc. Một giải pháp đầy hứa hẹn là thiết kế cách biểu diễn dữ liệu Kích thước từ số học lớn (LAWS). Trong khi các bộ xử lý máy tính (CPU) truyền thống thường sử dụng các từ 64 bit, các kỹ sư đang phát triển phần cứng LAWS mới có thể xử lý các từ 1024 bit trở lên. Phương pháp này hiệu quả vì nghiên cứu cho thấy các từ dài hơn ảnh hưởng trực tiếp đến tỷ lệ tín hiệu trên tạp âm. Nói một cách đơn giản, các từ dài hơn tạo ra ít tiếng ồn hơn với mỗi bước tính toán bổ sung trong FHE, cho phép thực hiện nhiều phép tính hơn cho đến khi đạt đến ngưỡng mất dữ liệu. Bằng cách xây dựng phần cứng mới để giải quyết những thách thức này, các kỹ sư tham gia chương trình DPRIVE đã giảm đáng kể khối lượng tính toán cần thiết để thực hiện FHE.
Để tăng tốc tính toán và tiến gần hơn đến mục tiêu làm cho FHE nhanh hơn 100.000 lần, nhóm DPRIVE đã bắt tay vào một hành trình liên tục nhằm thiết kế các hệ thống xử lý dữ liệu mới vượt quá khả năng của các đơn vị xử lý và đồ họa thông thường. Họ đã phát triển một hệ thống Đa dữ liệu đa lệnh (MIMD) mới có khả năng quản lý đồng thời nhiều lệnh và bộ dữ liệu. MIMD giống như việc xây dựng một đường cao tốc mới, thay vì sử dụng những con đường không phù hợp hiện có để đáp ứng lưu lượng giao thông cần thiết cho các tính toán nhanh, theo thời gian thực của FHE.
Một khía cạnh thú vị của dự án DPRIVE là việc sử dụng rộng rãi tính năng "song song" trong các phép tính toán máy tính. Điều này cho phép các nhà phát triển thực hiện đồng thời nhiều phép tính số lượng lớn. Bạn có thể nghĩ về thuyết song song như việc triển khai đồng thời một nhóm các nhà toán học để giải quyết các phần khác nhau của một vấn đề toán học khổng lồ, thay vì bắt họ hoàn thành công việc tương ứng của mình lần lượt. Mặc dù thực hiện nhiều phép tính cùng lúc có thể giúp giải quyết vấn đề nhanh chóng nhưng máy tính phải được làm mát bằng không khí để tránh quá nóng.
Vào tháng 9 năm 2022, hơn một năm rưỡi sau khi triển khai chương trình, Microsoft, Intel và DARPA thông báo rằng họ đã hoàn thành thành công giai đoạn đầu tiên của chương trình DPRIVE. Họ hiện đang ở giai đoạn thứ hai của DPRIVE.
SDK và thư viện nguồn mở
Với nhiều công ty lớn tiên phong về mã hóa đồng cấu hoàn toàn (FHE), số lượng bộ công cụ phát triển phần mềm (SDK) và thư viện nguồn mở có sẵn đã bùng nổ, cho phép các nhà phát triển xây dựng dựa trên công việc của nhau.
Microsoft đã công bố Microsoft Seal, một thư viện nguồn mở cung cấp cho các nhà phát triển các công cụ để thực hiện mã hóa đồng cấu trên các tập dữ liệu. Điều này cho phép nhiều nhà phát triển khám phá FHE hơn, dân chủ hóa quyền truy cập vào các dịch vụ điện toán và mã hóa đầu cuối. Thư viện cung cấp các ví dụ về quy trình mã hóa đồng cấu với các nhận xét chi tiết để hướng dẫn các nhà phát triển cách sử dụng chính xác và an toàn.
Intel cũng đã ra mắt bộ công cụ mã hóa đồng cấu của riêng mình để cung cấp cho các nhà phát triển những công cụ giúp triển khai mã hóa đồng cấu nhanh hơn trên đám mây. Intel đã thiết kế bộ công cụ này để duy trì tính linh hoạt và đảm bảo khả năng tương thích với những tiến bộ mới nhất trong xử lý dữ liệu và điện toán. Nó bao gồm các chức năng được thiết kế riêng cho mật mã mạng, tích hợp hoạt động liền mạch với Microsoft Seal, các mẫu sơ đồ mã hóa đồng hình và tài liệu kỹ thuật để hướng dẫn người dùng.
Thư viện nguồn mở Tham gia và Tính toán riêng tư của Google cung cấp cho các nhà phát triển các công cụ tính toán nhiều bên (MPC). Cách tiếp cận tính toán này cho phép các bên kết hợp các bộ dữ liệu khác nhau của họ để có được những hiểu biết chung mà không để lộ dữ liệu thô cho nhau. Tham gia và tính toán riêng tư kết hợp công nghệ mật mã từ FHE với Giao lộ tập hợp riêng tư (PSI) để tối ưu hóa các biện pháp bảo mật dữ liệu. PSI là một phương pháp mã hóa khác cho phép các bên có các bộ dữ liệu khác nhau xác định các phần tử hoặc điểm dữ liệu chung mà không tiết lộ dữ liệu của họ. Phương pháp nâng cao quyền riêng tư dữ liệu của Google không chỉ tập trung vào FHE; nó còn ưu tiên các khái niệm MPC rộng hơn bằng cách tích hợp FHE với các phương pháp xử lý dữ liệu có tác động khác.
Điều đáng chú ý là sự sẵn có của các thư viện nguồn mở có uy tín cho FHE đang gia tăng. Tuy nhiên, điều này càng trở nên đáng chú ý hơn khi người ta quan sát thấy các công ty nổi tiếng đang thử nghiệm các thư viện này trong hoạt động của họ. Vào tháng 4 năm 2021, Nasdaq, một tổ chức công nghệ nổi tiếng toàn cầu về thị trường chứng khoán và thị trường vốn, đã kết hợp FHE vào hoạt động của mình. Nasdaq tận dụng các công cụ FHE và bộ xử lý tốc độ cao của Intel để chống lại tội phạm tài chính thông qua các nỗ lực chống rửa tiền và phát hiện gian lận. Điều này đạt được bằng cách sử dụng mã hóa đồng cấu để xác định những hiểu biết có giá trị và hoạt động bất hợp pháp tiềm ẩn trong các tập dữ liệu chứa thông tin nhạy cảm.
Các đợt tăng vốn gần đây
Ngoài hoạt động nghiên cứu và phát triển được thực hiện bởi các công ty đã đề cập trước đó, còn có một số công ty khác gần đây đã nhận được nguồn tài trợ đáng kể cho các sáng kiến tập trung vào mã hóa đồng hình hoàn toàn (FHE).
Cornami là một công ty công nghệ lớn nổi tiếng với việc phát triển công nghệ điện toán đám mây có khả năng mở rộng được thiết kế đặc biệt cho mã hóa đồng hình. Họ tham gia vào nhiều nỗ lực nhằm tạo ra các hệ thống máy tính hỗ trợ FHE hiệu quả hơn CPU truyền thống. Họ cũng chỉ đạo các sáng kiến nhằm bảo vệ dữ liệu được mã hóa khỏi các mối đe dọa điện toán lượng tử. Vào tháng 5 năm 2022, Cornami tuyên bố hoàn thành thành công vòng tài trợ Series C và nhận được khoản đầu tư 68 triệu USD do SoftBank dẫn đầu, nâng tổng số vốn của công ty lên 150 triệu USD.
Zama là một công ty khác trong ngành blockchain đang xây dựng các công cụ mã hóa đồng cấu nguồn mở mà các nhà phát triển có thể sử dụng để xây dựng các ứng dụng thú vị bằng FHE, blockchain và AI. Zama đã xây dựng một Máy ảo Ethereum hoàn toàn đồng hình (fhEVM) như một phần của sản phẩm của mình. Giao thức hợp đồng thông minh này giữ cho dữ liệu giao dịch trên chuỗi được mã hóa trong quá trình xử lý. Các nhà phát triển đã khám phá các ứng dụng khác nhau của thư viện Zama đều bị ấn tượng bởi hiệu suất của nó, ngay cả trong các trường hợp sử dụng phức tạp. Zama đã hoàn thành thành công vòng tài trợ Series A trị giá 42 triệu USD do Protocol Labs dẫn đầu vào tháng 2 năm 2022, nâng tổng số vốn của mình lên 50 triệu USD.
Fhenix cũng là một dự án mới nổi đang đưa FHE vào blockchain. Mục tiêu của họ là mở rộng các ứng dụng FHE ngoài các khoản thanh toán tư nhân, mở ra cơ hội cho các trường hợp sử dụng thú vị cho FHE trong các lĩnh vực như tài chính phi tập trung (DeFi), bắc cầu, bỏ phiếu quản trị và chơi game Web3. Vào tháng 9 năm 2023, Fhenix thông báo hoàn thành vòng tài trợ hạt giống trị giá 7 triệu đô la do Multicoin Capital và Collider Ventures dẫn đầu.
Chuyện gì xảy ra tiếp theo
Trong nhiều năm, mã hóa hoàn toàn đồng hình (FHE) là một ý tưởng hứa hẹn mã hóa đầu cuối mạnh mẽ, báo trước một tương lai mạnh mẽ cho quyền riêng tư dữ liệu. Những phát triển gần đây đã bắt đầu biến FHE từ giấc mơ lý thuyết thành những ứng dụng thực tế. Trong khi nhiều công ty khác nhau đang cạnh tranh để trở thành công ty đầu tiên triển khai phiên bản FHE mạnh mẽ, đầy đủ tính năng thì nhiều công ty đang hợp tác để giải quyết sự phức tạp của công nghệ mạnh mẽ này. Tinh thần hợp tác này được thể hiện rõ qua việc họ thực hiện nhiều dự án liên nhóm khác nhau và phát triển các thư viện nguồn mở tích hợp với các thư viện khác.
Dựa trên những phát hiện của tôi, cuộc thảo luận xung quanh FHE dường như có ảnh hưởng sâu rộng. Trong vài tuần tới, tôi rất vui được tìm hiểu sâu hơn và chia sẻ nhiều hơn những hiểu biết sâu sắc của mình về nghiên cứu FHE. Cụ thể, tôi mong muốn khám phá thêm về các chủ đề sau:
Các ứng dụng mới nổi của FHE:
Sự tương tác giữa các bằng chứng không có kiến thức (ZKP) và FHE.
Tích hợp FHE với Giao lộ tập hợp riêng tư (PSI) để nâng cao khả năng tính toán an toàn của nhiều bên (MPC).
Các công ty mới như Zama và Fhenix đang dẫn đầu trong lĩnh vực FHE.
Thẩm quyền giải quyết:
Arampatzis, Anastasios. “Những phát triển mới nhất về Mã hóa đồng cấu.” Venafi, ngày 1 tháng 2 năm 2022, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.
Arampatzis, Anastasios. “Mã hóa đồng hình là gì và nó được sử dụng như thế nào”. Venafi, ngày 28 tháng 4 năm 2023, venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.
“Xây dựng phần cứng để kích hoạt tính năng bảo vệ dữ liệu liên tục” .
Cristobal, Samuel. “Mã hóa hoàn toàn đồng hình: Chén thánh của mật mã”. Datascience.Aero, ngày 7 tháng 1 năm 2021, datascience.aero/full-homomorphic-encryption-the-holy-grail-of-cryptography/.
“Mã hóa đồng hình: Nó là gì và tại sao nó quan trọng?” Internet Society, ngày 9 tháng 3 năm 2023, www.internetsociety.org/resources/doc/2023/homomorphic-encryption/.
Hunt, James. “FHENIX huy động được 7 triệu đô la trong vòng hạt giống do Multicoin Capital dẫn đầu.” The Block, The Block, ngày 26 tháng 9 năm 2023, www.theblock.co/post/252931/fhenix-seed-multicoin-capital.
"Bộ công cụ mã hóa đồng hình Intel®." Intel, truy cập ngày 8 tháng 10 năm 2023, www.intel.com/content/www/us/en/developer/tools/homomorphic-encryption/overview.html#gs.fu 55 im.
“Intel hợp tác với Microsoft trên CHƯƠNG TRÌNH DARPA.” Intel, ngày 8 tháng 3 năm 2021, www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs. ftusxq.
"Intel Xeon nâng cao hoạt động R&D mã hóa đồng hình của NASDAQ." Intel, ngày 6 tháng 4 năm 2021, www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-encryption-rd.html#gs .6 mpg tôi.
Johnson, Rick. “Intel hoàn thành cột mốc giai đoạn một của DARPA DPRIVE cho nền tảng mã hóa hoàn toàn đồng nhất.” Intel, ngày 14 tháng 9 năm 2022, Community.intel.com/t 5/Blogs/Products-and-Solutions/HPC/Intel-Completes- DARPA-DPRIVE-Phase-One-Milestone-for-a-Full/post/1411021.
“Microsoft Seal: Thư viện mã hóa đồng hình nhanh chóng và dễ sử dụng.” Nghiên cứu của Microsoft, ngày 4 tháng 1 năm 2023, www.microsoft.com/en-us/research/project/microsoft-seal/.
Paillier, Tiến sĩ Pascal. “Mã hóa hoàn toàn đồng hình: Chén thánh của mật mã.” Thời đại kinh doanh, ngày 9 tháng 3 năm 2023, www.businessage.com/post/full-homomorphic-encryption-the-holy-grail-of-cryptography.
Samani, Kyle. “Bình minh của FHE trên chuỗi”.
Walker, Amanda và cộng sự “Giúp các tổ chức làm được nhiều việc hơn mà không cần thu thập thêm dữ liệu”. -data.html.
“Mã hóa hoàn toàn đồng hình là gì?” Inpher, ngày 11 tháng 4 năm 2021, inpher.io/technology/what-is-full-homomorphic-encryption/.
White, Matt. “Lịch sử tóm tắt về AI sáng tạo.” Medium, ngày 8 tháng 7 năm 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Although% 20 hầu hết% 20 người% 20 sẽ% 20 thừa nhận, trong số% 20 Độ ổn định% 20 AI's% 20 Ổn định% 20 Khuếch tán.
