Tác giả gốc: IOSG Ventures

Quyền riêng tư là quyền cơ bản của con người và tổ chức. Đối với cá nhân, nó giúp mọi người tự do thể hiện bản thân mà không cần phải tiết lộ bất kỳ thông tin nào mà họ không muốn chia sẻ cho bên thứ ba. Đối với hầu hết các tổ chức ngày nay, dữ liệu được coi là hàng hóa chính và quyền riêng tư về dữ liệu là rất quan trọng để bảo vệ hàng hóa này. Phong trào cypherpunk và hàng hóa dữ liệu đã đẩy nhanh quá trình nghiên cứu và phát triển các nguyên thủy về mật mã.

Mật mã học là một lĩnh vực khá rộng và khi chúng ta xem xét mật mã trong bối cảnh điện toán, chúng ta đã thấy nhiều sơ đồ khác nhau như bằng chứng không có kiến thức, mã hóa đồng cấu, chia sẻ bí mật, v.v., đã được sử dụng kể từ khi chúng ra đời vào thế kỷ 20. Những năm 1960 không ngừng cải tiến. Những giải pháp này rất quan trọng để mở khóa các phương pháp tính toán riêng tư (dữ liệu là hàng hóa chính vì mọi người có thể khám phá và tạo ra thông tin chi tiết từ nó). Cho đến ngày nay, lĩnh vực Điện toán tư nhân đã đạt được những tiến bộ đáng kể trong tính toán nhiều bên và bằng chứng không có kiến thức, nhưng luôn có các vấn đề về quyền riêng tư với chính dữ liệu đầu vào.

Khi mặt hàng quan trọng nhất được công khai, rất khó để bất kỳ chủ sở hữu dữ liệu nào thuê ngoài việc tính toán dữ liệu này nếu không có thỏa thuận pháp lý. Ngày nay, mọi người đều dựa vào các tiêu chuẩn tuân thủ quyền riêng tư dữ liệu như HIPAA cho dữ liệu sức khỏe và GDPR đặc biệt cho quyền riêng tư dữ liệu ở Châu Âu.

Trong lĩnh vực blockchain, chúng tôi tin tưởng vào tính toàn vẹn của công nghệ hơn là tính toàn vẹn của các cơ quan quản lý. Là những người tin tưởng vào quyền sở hữu không được phép và tối đa hóa quyền sở hữu, nếu chúng tôi tin vào một tương lai nơi người dùng sở hữu dữ liệu, chúng tôi cần những cách không cần tin cậy để thực hiện tính toán trên dữ liệu đó. Trước công trình của Craig Gentry vào năm 2009, khái niệm thực hiện tính toán trên dữ liệu được mã hóa chưa phải là một bước đột phá. Đây là lần đầu tiên có người có thể thực hiện các phép tính (cộng và nhân) trên văn bản mã hóa (tức là dữ liệu được mã hóa).

1. Cách thức hoạt động của Mã hóa đồng hình hoàn toàn (FHE)

Vậy “toán học thần kỳ” này là gì mà cho phép máy tính thực hiện các phép tính mà không cần biết gì về đầu vào?

Mã hóa hoàn toàn đồng hình (FHE) là một loại sơ đồ mã hóa cho phép thực hiện tính toán trên dữ liệu được mã hóa (bản mã) mà không cần giải mã dữ liệu, mở ra nhiều trường hợp sử dụng để bảo vệ quyền riêng tư và dữ liệu.

Trong quá trình FHE, khi dữ liệu được mã hóa, dữ liệu bổ sung gọi là nhiễu sẽ được thêm vào dữ liệu gốc. Đây là quá trình mã hóa dữ liệu.

Mỗi khi thực hiện một phép tính đồng cấu (cộng hoặc nhân), nhiễu sẽ được thêm vào. Nếu phép tính quá phức tạp và nhiễu được thêm vào mỗi lần, việc giải mã văn bản mã hóa sẽ trở nên rất khó khăn (rất nặng về mặt tính toán). Quá trình này phù hợp hơn cho phép cộng vì nhiễu tăng tuyến tính, trong khi đối với phép nhân thì nhiễu tăng theo cấp số nhân. Vì vậy, nếu có các phép nhân đa thức phức tạp thì việc giải mã đầu ra sẽ rất khó khăn.

Nếu tiếng ồn là một vấn đề lớn và sự phát triển của nó làm cho FHE khó sử dụng thì nó phải được kiểm soát. Điều này đã dẫn đến một quy trình mới gọi là "Bootstrapping". Bootstrapping là quá trình mã hóa dữ liệu được mã hóa bằng khóa mới và giải mã nó trong quá trình mã hóa. Điều này rất quan trọng vì nó làm giảm đáng kể chi phí tính toán cũng như chi phí giải mã của đầu ra cuối cùng. Mặc dù Bootstrapping giảm chi phí giải mã cuối cùng nhưng sẽ có một lượng lớn chi phí hoạt động trong quy trình. Điều này có thể tốn kém và tốn thời gian.

Các giải pháp FHE chính hiện nay là: BFV, BGV, CKKS, FHEW và TFHE. Ngoại trừ TFHE, chữ viết tắt của các sơ đồ này là tên của các tác giả trong bài báo của họ.

Hãy coi những tình huống này như những ngôn ngữ khác nhau được sử dụng trong cùng một quốc gia, mỗi ngôn ngữ được tối ưu hóa cho những mục đích khác nhau. Lý tưởng nhất là thống nhất đất nước, nơi mà tất cả các ngôn ngữ này có thể được hiểu bởi cùng một cỗ máy. Nhiều nhóm làm việc của FHE đang nỗ lực hướng tới khả năng kết hợp các phương pháp tiếp cận khác nhau này. Các thư viện như SEAL (lược đồ BFV và CKKS kết hợp) và HElib (BGV + CKKS gần đúng) giúp triển khai các lược đồ FHE hoặc kết hợp các lược đồ cho các phép tính khác nhau. Ví dụ: thư viện Concrete của Zama là trình biên dịch Rust cho TFHE.

2. So sánh các giải pháp FHE

Đây là những gì Charles Guth, Dimitris Muris và Nektarios George Chusos đã viết trong bài báo của họ "SoK: Những hiểu biết mới về các thư viện mã hóa hoàn toàn đồng nhất thông qua điểm chuẩn được tiêu chuẩn hóa" So sánh hiệu suất của các thư viện khác nhau thành các thư viện mã hóa hoàn toàn đồng nhất thông qua điểm chuẩn được tiêu chuẩn hóa (2022).

Các trường hợp sử dụng Web3

Khi chúng ta sử dụng blockchain và các ứng dụng ngày nay, tất cả dữ liệu đều được công khai và hiển thị cho mọi người. Điều này có lợi cho hầu hết các trường hợp sử dụng, nhưng hoàn toàn hạn chế đối với nhiều trường hợp sử dụng yêu cầu quyền riêng tư hoặc bảo mật dữ liệu theo mặc định (ví dụ: mô hình học máy, cơ sở dữ liệu y tế, gen, tài chính tư nhân, trò chơi không thể gian lận, v.v.). Các chuỗi khối hoặc máy ảo do FHE cung cấp về cơ bản cho phép trạng thái của toàn bộ chuỗi được mã hóa từ điểm bắt đầu, đảm bảo quyền riêng tư đồng thời cho phép thực hiện các phép tính tùy ý trên dữ liệu được mã hóa. Tất cả dữ liệu được lưu trữ hoặc xử lý trên mạng blockchain do FHE cung cấp đều được bảo mật. Zama có giải pháp fhEVM cho phép tính toán EVM trong môi trường hoàn toàn đồng hình. Điều này đảm bảo quyền riêng tư ở cấp độ thực thi cho bất kỳ dự án L1/L2 nào được xây dựng bằng thư viện này. Mặc dù Chuỗi quyền riêng tư luôn là một công nghệ thú vị nhưng hiệu suất áp dụng và mã thông báo vẫn chưa được cải thiện đáng kể.

FHE không có ý định thay thế ZK và MPC khi nói đến việc gia công phần mềm máy tính nói chung. Họ có thể bổ sung cho nhau để tạo ra một gã khổng lồ điện toán tư nhân đáng tin cậy. Ví dụ: Sunscreen đang xây dựng một "công cụ bảo mật" về cơ bản cho phép bất kỳ ứng dụng blockchain nào thuê ngoài tính toán cho môi trường điện toán FHE của họ và phản hồi kết quả. Các tính toán kết quả có thể được xác minh thông qua bằng chứng ZK. Octra đang làm điều gì đó tương tự nhưng sử dụng một loại sơ đồ mã hóa khác gọi là hFHE.

Bằng chứng ZK rất giỏi trong việc chứng minh điều gì đó mà không tiết lộ dữ liệu, nhưng người chứng minh vẫn có quyền truy cập vào dữ liệu tại một thời điểm nào đó. Bằng chứng ZK không thể được sử dụng để tính toán trên dữ liệu riêng tư; chúng chỉ có thể xác minh rằng một số tính toán nhất định đã được hoàn thành chính xác.

MPC trải rộng việc tính toán dữ liệu được mã hóa trên nhiều máy, thực hiện các phép tính song song và sau đó ghép các kết quả tính toán cuối cùng lại với nhau. Miễn là phần lớn các máy thực hiện tính toán đều trung thực thì không thể truy xuất được dữ liệu gốc, nhưng đây vẫn là giả định về độ tin cậy. Việc mở rộng quy mô thông qua phần cứng trở nên khó khăn do yêu cầu liên lạc liên tục giữa các bên trong MPC (dữ liệu cần được phân chia, tính toán và kết nối lại liên tục).

Trong FHE, tất cả các tính toán được thực hiện trên dữ liệu được mã hóa, không cần giải mã dữ liệu và việc này có thể được thực hiện trên một máy chủ duy nhất. Hiệu suất của FHE có thể được nâng cao nhờ phần cứng tốt hơn, nhiều tài nguyên máy tính hơn và khả năng tăng tốc phần cứng.

Hiện tại, các trường hợp sử dụng tốt nhất cho FHE trong không gian blockchain là về việc thuê ngoài tính toán cho mục đích chung hơn là xây dựng FHE L1/L2 tích hợp sẵn. Dưới đây là một số trường hợp sử dụng thú vị mà FHE có thể mở khóa:

• Thế hệ thứ nhất (bản địa tiền điện tử): DID trên chuỗi, sòng bạc, cá cược, bỏ phiếu, trò chơi, DeFi riêng tư, mã thông báo riêng, nhóm tối, 2FA, bản sao lưu, mật khẩu.

• Thế hệ thứ hai (mô-đun): "Chainlink cho quyền riêng tư", máy tính cá nhân thuê ngoài, mã hóa đầu cuối giữa blockchain và hợp đồng, tính khả dụng của dữ liệu được mã hóa, lưu trữ dữ liệu an toàn có thể kiểm chứng.

• Thế hệ thứ ba (Cấp doanh nghiệp): Ứng dụng tiêu dùng phức tạp, LLM được mã hóa và phi tập trung, trí tuệ nhân tạo, thiết bị đeo, thông tin liên lạc, quân sự, y tế, giải pháp thanh toán bảo vệ quyền riêng tư, thanh toán P2P riêng tư.

Các dự án công nghiệp hiện tại dựa trên FHE

Sự phát triển của mã hóa đồng hình hoàn toàn (FHE) đã truyền cảm hứng cho một số dự án blockchain sáng tạo tận dụng công nghệ này để tăng cường quyền riêng tư và bảo mật dữ liệu. Phần này đi sâu vào các chi tiết kỹ thuật và cách tiếp cận độc đáo của các dự án đáng chú ý như Inco, Fhenix và Zama.

Inco

Inco đang đi tiên phong trong việc tích hợp FHE và blockchain, tạo ra một nền tảng giúp tính toán dữ liệu vừa an toàn vừa riêng tư. Inco sử dụng công nghệ mã hóa dựa trên mạng để triển khai sơ đồ FHE của mình, đảm bảo rằng các hoạt động trên bản mã (dữ liệu được mã hóa) có thể được thực hiện mà không làm lộ bản rõ cơ bản. Nền tảng này hỗ trợ các hợp đồng thông minh bảo vệ quyền riêng tư, cho phép xử lý dữ liệu được mã hóa trực tiếp trên blockchain.

• FHE dựa trên mạng: Inco sử dụng mã hóa dựa trên mạng để triển khai FHE, được biết đến với các đặc tính bảo mật sau lượng tử, đảm bảo khả năng phục hồi trước các cuộc tấn công lượng tử có thể xảy ra trong tương lai.

• Hợp đồng thông minh bảo vệ quyền riêng tư: Hợp đồng thông minh của Inco có thể thực thi các chức năng tùy ý trên đầu vào được mã hóa, đảm bảo rằng cả hợp đồng và nút thực thi hợp đồng đều không thể truy cập dữ liệu văn bản gốc.

• Quản lý tiếng ồn và Bootstrapping: Để giải quyết vấn đề tăng tiếng ồn trong các hoạt động đồng cấu, Inco triển khai công nghệ Bootstrapping hiệu quả để làm mới văn bản mã hóa, duy trì khả năng giải mã và thực hiện các phép tính phức tạp cùng một lúc.

Fenix

Fhenix tập trung vào việc cung cấp cơ sở hạ tầng mạnh mẽ cho các ứng dụng bảo vệ quyền riêng tư, tận dụng FHE để cung cấp các giải pháp mã hóa đầu cuối nhằm bảo vệ dữ liệu người dùng. Nền tảng của Fhenix được thiết kế để hỗ trợ nhiều ứng dụng từ nhắn tin an toàn đến giao dịch tài chính cá nhân, đảm bảo quyền riêng tư dữ liệu trong tất cả các quy trình điện toán.

• Mã hóa đầu cuối: Fhenix đảm bảo rằng dữ liệu vẫn được mã hóa từ điểm đầu vào đến quá trình xử lý và lưu trữ. Điều này đạt được bằng cách kết hợp các công nghệ FHE và Tính toán đa bên an toàn (SMPC).

• Quản lý khóa hiệu quả: Fhenix tích hợp hệ thống quản lý khóa tiên tiến để tạo điều kiện phân phối và luân chuyển khóa an toàn, đây là chìa khóa để duy trì bảo mật lâu dài trong môi trường FHE.

• Khả năng mở rộng: Nền tảng sử dụng các hoạt động đồng cấu được tối ưu hóa và xử lý song song để xử lý hiệu quả các phép tính quy mô lớn, giải quyết một trong những thách thức chính của FHE.

• Bộ đồng xử lý: Fhenix cũng đi tiên phong trong việc phát triển bộ đồng xử lý chuyên dụng được thiết kế để tăng tốc tính toán FHE. Các bộ đồng xử lý này chuyên xử lý các phép toán chuyên sâu theo yêu cầu của FHE, cải thiện đáng kể hiệu suất và khả năng mở rộng của các ứng dụng bảo đảm quyền riêng tư.

Zama

Zama là công ty hàng đầu trong FHE và được biết đến với việc phát triển các giải pháp fhEVM. Giải pháp này cho phép thực hiện các phép tính Ethereum EVM trong một môi trường hoàn toàn đồng hình, đảm bảo quyền riêng tư ở cấp độ thực thi cho bất kỳ dự án L1/L2 nào được xây dựng bằng thư viện.

• Giải pháp fhEVM: Giải pháp fhEVM của Zama tích hợp FHE với Máy ảo Ethereum để triển khai thực thi hợp đồng thông minh được mã hóa. Điều này cho phép các giao dịch và tính toán bí mật được thực hiện trong hệ sinh thái Ethereum.

• Thư viện Concrete: Thư viện Concrete của Zama là trình biên dịch Rust cho TFHE (một biến thể của FHE). Thư viện này cung cấp khả năng triển khai hiệu suất cao của các sơ đồ mã hóa đồng cấu, giúp cho việc tính toán mật mã hiệu quả hơn.

• Khả năng tương tác: Zama cam kết tạo ra các giải pháp hoạt động liền mạch với cơ sở hạ tầng blockchain hiện có. Điều này bao gồm hỗ trợ cho nhiều giao thức và nguyên thủy mã hóa, đảm bảo khả năng tương thích rộng rãi và dễ tích hợp.

3. Vai trò chính của FHE trong các ứng dụng và cơ sở hạ tầng tiền điện tử và AI

Ngày nay, sự giao thoa giữa mật mã và trí tuệ nhân tạo đang diễn ra sôi nổi. Mặc dù không đi sâu vào giao điểm này, điều đáng chú ý là sự đổi mới trong các mô hình và bộ dữ liệu mới sẽ được thúc đẩy bởi sự cộng tác nguồn mở giữa nhiều người chơi. Ngoài tính toán, điều quan trọng nhất cuối cùng là dữ liệu, đây là phần quan trọng nhất của quy trình hợp tác này. Tính hữu ích của các ứng dụng và mô hình AI cuối cùng phụ thuộc vào dữ liệu mà chúng được đào tạo, cho dù đó là mô hình cơ sở, mô hình tinh chỉnh hay tác nhân thông minh AI. Việc giữ dữ liệu này an toàn và riêng tư sẽ mở ra một không gian thiết kế rộng lớn cho sự cộng tác nguồn mở đồng thời cho phép chủ sở hữu dữ liệu tiếp tục kiếm tiền từ các mô hình đào tạo hoặc ứng dụng cuối cùng. Nếu dữ liệu này được công khai thì sẽ khó kiếm tiền (vì bất kỳ ai cũng có thể truy cập các tập dữ liệu có giá trị), vì vậy nhiều khả năng dữ liệu này sẽ được bảo vệ chặt chẽ.

Trong trường hợp này, FHE có thể đóng một vai trò quan trọng. Lý tưởng nhất là nó sẽ cho phép các mô hình đào tạo mà không tiết lộ tập dữ liệu cơ bản, điều này có thể mở khóa khả năng kiếm tiền từ các tập dữ liệu và tạo điều kiện thuận lợi đáng kể cho sự cộng tác nguồn mở giữa các chủ sở hữu tập dữ liệu.

Nguồn: Mạng Bagel

Cách FHE tăng cường học máy bảo vệ quyền riêng tư (PPML)

• Bảo mật dữ liệu: Bằng cách sử dụng FHE, dữ liệu nhạy cảm như hồ sơ y tế, thông tin tài chính hoặc thông tin nhận dạng cá nhân có thể được mã hóa trước khi đưa vào mô hình ML. Điều này đảm bảo rằng ngay cả khi môi trường điện toán bị xâm phạm, dữ liệu vẫn được giữ bí mật.

• Đào tạo mô hình an toàn: Đào tạo mô hình ML thường yêu cầu lượng lớn dữ liệu. Khi sử dụng FHE, dữ liệu này có thể được mã hóa, cho phép đào tạo các mô hình mà không để lộ dữ liệu gốc, điều này rất quan trọng đối với các ngành xử lý thông tin có độ nhạy cao và phải tuân theo các quy định nghiêm ngặt về quyền riêng tư dữ liệu.

• Suy luận bí mật: Ngoài việc đào tạo, FHE cũng có thể được sử dụng để suy luận mật mã. Điều này có nghĩa là sau khi mô hình được đào tạo, các dự đoán có thể được đưa ra trên đầu vào được mã hóa, đảm bảo dữ liệu người dùng vẫn ở chế độ riêng tư trong suốt quá trình suy luận.

• Các lĩnh vực ứng dụng PPML của FHE:

• Chăm sóc sức khỏe: Đào tạo các mô hình ML đồng thời bảo vệ quyền riêng tư có thể dẫn đến các phương pháp điều trị hiệu quả và được cá nhân hóa hơn mà không làm lộ thông tin nhạy cảm của bệnh nhân.

• Tài chính: Các tổ chức tài chính có thể sử dụng FHE để phân tích dữ liệu giao dịch được mã hóa nhằm cho phép phát hiện gian lận và đánh giá rủi ro trong khi vẫn duy trì quyền riêng tư của khách hàng.

• Thiết bị IoT và thông minh: Các thiết bị có thể thu thập và xử lý dữ liệu ở dạng mã hóa, đảm bảo thông tin nhạy cảm như dữ liệu vị trí hoặc cách sử dụng được giữ bí mật.

Câu hỏi dành cho FHE:

Như đã đề cập trước đó, không có sự “đồng nhất” giữa các chương trình FHE. Các sơ đồ không thể được kết hợp và các sơ đồ FHE khác nhau cần được kết hợp nhiều lần cho các loại tính toán khác nhau. Quá trình thử nghiệm nhiều kịch bản khác nhau cho cùng một phép tính cũng khá rườm rà. Khung CHIMERA đang được phát triển để cho phép chuyển đổi giữa các sơ đồ FHE khác nhau như TFHE, BFV và HEAAN, nhưng hiện tại vẫn chưa thể sử dụng được. Điều này dẫn đến vấn đề tiếp theo, đó là thiếu điểm chuẩn. Đo điểm chuẩn rất quan trọng để các nhà phát triển áp dụng công nghệ này. Điều này sẽ giúp tiết kiệm rất nhiều thời gian của nhà phát triển. Nhiều phần cứng đa năng hiện có không phù hợp lắm do chi phí tính toán cao (mã hóa, giải mã, Bootstrapping, tạo khóa, v.v.). Cần phải có một số hình thức tăng tốc phần cứng hoặc có thể cần tạo các chip cụ thể (FPGA và/hoặc ASIC) để kích hoạt các ứng dụng FHE chính thống hơn. Các vấn đề của các mô hình này có thể được so sánh với các vấn đề của ngành ZK (không có kiến thức). Miễn là có nhiều nhà toán học thông minh, nhà khoa học ứng dụng và kỹ sư quan tâm đến lĩnh vực này, chúng tôi sẽ tiếp tục lạc quan về hai lĩnh vực này: FHE về quyền riêng tư và ZK về khả năng xác minh.

4. Tương lai do FHE định hướng sẽ như thế nào?

Sẽ có một kế hoạch FHE để thống trị tất cả? Những cuộc thảo luận như vậy vẫn đang tiếp diễn trong ngành. Mặc dù lý tưởng nhất là có một giải pháp thống nhất, nhưng nhu cầu đa dạng của các ứng dụng khác nhau có thể luôn yêu cầu các giải pháp chuyên biệt được tối ưu hóa cho các nhiệm vụ cụ thể. Khả năng tương tác giữa các kịch bản có phải là giải pháp tốt nhất không? Khả năng tương tác thực sự có thể là một cách tiếp cận thực tế, cho phép linh hoạt trong việc xử lý các nhu cầu điện toán đa dạng đồng thời tận dụng điểm mạnh của các tình huống khác nhau.

Khi nào FHE sẽ có mặt? Khả năng sử dụng có liên quan chặt chẽ đến tiến bộ trong việc giảm chi phí tính toán, cải thiện các tiêu chuẩn đo điểm chuẩn và phát triển phần cứng chuyên dụng. Khi các lĩnh vực này phát triển, FHE sẽ trở nên dễ tiếp cận và thiết thực hơn.

Tóm lại, FHE cung cấp các công cụ mạnh mẽ để bảo vệ quyền riêng tư dữ liệu và tính toán an toàn. Mặc dù hiện tại có những thách thức về khả năng tương tác, chi phí tính toán và hỗ trợ phần cứng, nhưng không thể bỏ qua tiềm năng của FHE trong blockchain, học máy bảo vệ quyền riêng tư và các ứng dụng Web3 rộng hơn. Khi công nghệ tiếp tục phát triển và đổi mới, FHE dự kiến sẽ đóng một vai trò quan trọng trong tương lai của việc bảo vệ quyền riêng tư và điện toán an toàn.