Được các VC ưa chuộng, hãy xem các dự án đáng chú ý trong hệ sinh thái FHE
Tác giả gốc: Poopman
Bản tổng hợp gốc: Joyce, BlockBeats
Ghi chú của biên tập viên:
“FHE” là một chủ đề kỹ thuật nóng hổi trong cộng đồng mã hóa thời gian gần đây.
Hai tuần trước, Ethereum Lớp 2 Fhenix đã thông báo hoàn thành vòng tài trợ Series A trị giá 15 triệu đô la do Hack VC dẫn đầu. Ngay từ năm ngoái, Fhenix đã nhận được vòng tài trợ hạt giống do Multicoin dẫn đầu. Fhenix là một Ethereum L2 được cung cấp bởi FHE Rollups và FHE Coprocessors, có thể chạy các hợp đồng thông minh dựa trên FHE với các phép tính bí mật trên chuỗi. Hôm qua, Sam Williams, người sáng lập Arweave, công ty đang trải qua một bản cập nhật lớn, cũng đăng trên mạng xã hội, nói rằng chức năng sử dụng FHE để thực hiện các tính toán về quyền riêng tư trong quy trình AO sẽ sớm ra mắt.
Có nhiều dự án sinh thái FHE. Bài viết dài này của cộng đồng KOL Poopman tóm tắt ngắn gọn khái niệm về FHE và các dự án sinh thái, đồng thời đề xuất những thách thức kỹ thuật và giải pháp khả thi mà FHE phải đối mặt như sau:
FHE mở ra khả năng tính toán dữ liệu được mã hóa mà không cần giải mã. Khi kết hợp với blockchain, MPC, ZKP (khả năng mở rộng), FHE cung cấp tính bảo mật cần thiết và hỗ trợ các trường hợp sử dụng trên chuỗi khác nhau.
Trong bài viết này, tôi sẽ giới thiệu bốn vấn đề, đó là nền tảng của FHE, cách thức hoạt động của FHE, 5 bối cảnh của hệ sinh thái FHE cũng như những thách thức và giải pháp hiện tại của FHE.
Bối cảnh của FHE
FHE được đề xuất lần đầu tiên vào năm 1978, nhưng do tính toán phức tạp nên nó không thực tế trong một thời gian dài và chỉ mang tính lý thuyết. Mãi đến năm 2009, Craig mới phát triển được một mô hình khả thi cho FHE, điều này đã làm dấy lên mối quan tâm nghiên cứu về FHE.
Vào năm 2020, Zama đã ra mắt TFHE và fhEVM, biến FHE trở thành trọng tâm của lĩnh vực tiền điện tử. Kể từ đó, chúng ta đã chứng kiến sự xuất hiện của các trình biên dịch FHE L1/L2 tương thích EVM phổ biến như Fhenix, Inco và FHE như Sunscreen, v.v.
FHE hoạt động như thế nào?
Bạn có thể tưởng tượng có một chiếc hộp mù với những mảnh ghép bên trong. Tuy nhiên, chiếc hộp mù không thể học được gì về câu đố mà bạn đưa ra nhưng nó vẫn có thể tính toán kết quả.
Bạn có thể tìm hiểu thêm từ lời giải thích đơn giản của tôi về FHE nếu nó quá trừu tượng. FHE là một công nghệ bảo mật cho phép thực hiện các phép tính trên dữ liệu được mã hóa mà không cần giải mã trước. Nói cách khác, bất kỳ bên thứ ba hoặc đám mây nào cũng có thể xử lý thông tin nhạy cảm mà không cần truy cập bất kỳ dữ liệu nội bộ nào.
Vậy trường hợp sử dụng của FHE là gì? Tăng cường quyền riêng tư của máy học, điện toán đám mây và cờ bạc trực tuyến thông qua ZKP và MPC. Giao dịch chuỗi riêng tư/hợp đồng thông minh riêng tư/máy ảo tập trung vào quyền riêng tư, chẳng hạn như FHEVM, v.v.
Một số trường hợp sử dụng FHE bao gồm: tính toán riêng tư trên chuỗi, mã hóa dữ liệu trên chuỗi, hợp đồng thông minh riêng tư trên mạng công cộng, ERC 20 bí mật, bỏ phiếu riêng tư, đấu giá mù NFT, MPC an toàn hơn, bảo vệ chạy trước, cầu nối không tin cậy.
Hệ sinh thái FHE
Nhìn chung, triển vọng của FHE trên chuỗi có thể được tóm tắt thành 5 lĩnh vực. Chúng là FHE, FHE/HE chung cho các trường hợp sử dụng (ứng dụng) cụ thể, phần cứng tăng tốc FHE, FHE Wif AI và "các giải pháp thay thế".
Chuỗi khối và công cụ FHE phổ quát
Chúng là xương sống của tính bảo mật của blockchain. Điều này bao gồm SDK, bộ đồng xử lý, trình biên dịch, môi trường thực thi mới, chuỗi khối, mô-đun FHE... Khó khăn nhất là đưa FHE vào EVM, tức là fhEVM.
fhEVM:
Zama ( @zama_fhe ), với tư cách là đại diện của fhEVM - nhà cung cấp đầu tiên cung cấp giải pháp TFHE (mã hóa hoàn toàn đồng cấu) + fhEVM (máy ảo hoàn toàn đồng cấu).
Fhenix ( @FhenixIO ), triển khai bộ đồng xử lý FHE L2 (lớp thứ hai) + FHE trên ETH.
Mạng Inco ( @inconetwork ), EVM tập trung vào trò chơi/RWA (tài sản trong thế giới thực)/DID (danh tính phi tập trung)/xã hội và các lĩnh vực khác, tương thích với FHE L1.
FairMath ( @FairMath ), một tổ chức nghiên cứu máy ảo đồng hình hoàn toàn (FHE-(E)VM) làm việc với openFHE, cam kết thúc đẩy việc triển khai và áp dụng FHE.
Công cụ cơ sở hạ tầng FHE:
Mạng Octra ( @octra ), một blockchain hỗ trợ môi trường thực thi biệt lập HFHE (Mã hóa hoàn toàn đồng hình bậc cao).
Kem chống nắng ( @SunscreenTech ), một trình biên dịch đồng hình hoàn toàn dựa trên Rust, dựa trên thư viện SEAL của Microsoft.
Fairblock ( @0x fairblock ), nhà cung cấp dịch vụ mã hóa có thể lập trình và giải mã có điều kiện, cũng hỗ trợ tFHE (Mã hóa đồng hình hoàn toàn ngưỡng).
Dero ( @DeroProject ), hỗ trợ L1 của HE (Mã hóa đồng hình), cho các giao dịch riêng tư (không phải FHE).
Arcium ( @ArciumHQ ), L1 được phát triển bởi nhóm @elusivprivacy kết hợp quyền riêng tư HE (mã hóa đồng hình) + MPC (tính toán nhiều bên) + quyền riêng tư ZK (bằng chứng không có kiến thức).
Xích Shibraum FHE, FHE L1 được chế tạo bằng dung dịch zama TFHE.
FHE/HE cho các ứng dụng có mục đích cụ thể
Penumbrazone ( @penumbrazone ): Một Cosmos dex (appchain) chuỗi chéo sử dụng tFHE làm sàn giao dịch/nhóm được bảo vệ.
zkHold-em ( @zkHoldem ): Đây là một trò chơi poker trên Manta sử dụng HE và ZKP để chứng minh tính công bằng của trò chơi.
FHE tăng tốc phần cứng
Mỗi khi FHE được sử dụng cho các tính toán chuyên sâu như FHE-ML, việc khởi động để giảm sự tăng trưởng nhiễu là rất quan trọng. Các giải pháp như tăng tốc phần cứng đóng vai trò quan trọng trong việc hỗ trợ khởi động, trong đó ASIC hoạt động tốt nhất.
Optalysys ( @Optalysys ), một công ty phần cứng tập trung vào việc tăng tốc tất cả phần mềm liên quan đến TEE, bao gồm cả FHE, thông qua điện toán quang học.
Chain Reaction ( @chainreactioni 0 ), một công ty phần cứng sản xuất chip giúp tăng hiệu quả khai thác. Họ dự định ra mắt chip FHE vào cuối năm 2024.
Ingonyama ( @Ingo_zk ) là một công ty bán dẫn tập trung vào khả năng tăng tốc phần cứng ZKP/FHE. Các sản phẩm hiện có bao gồm ZPU.
Cysic ( @cysic_xyz ) là một công ty tăng tốc phần cứng. Các sản phẩm hiện có của công ty bao gồm phần cứng FPGA tự phát triển, cũng như chip ZK DePiN sắp ra mắt, ZK Air và ZK Pro.
Mỗi công ty chuyên về phần cứng như chip, ASIC và chất bán dẫn giúp tăng tốc quá trình khởi động/điện toán FHE.
AI X FHE
Gần đây, mối quan tâm đến việc tích hợp FHE vào AI/ML ngày càng tăng. Ngoài ra, FHE ngăn máy học bất kỳ thông tin nhạy cảm nào trong khi xử lý thông tin đó và cung cấp tính bảo mật cho dữ liệu, mô hình và đầu ra trong suốt quá trình.
Các thành viên Ai x FHE bao gồm:
Mạng tâm trí ( @mindnetwork_xyz ), lớp đặt lại FHE được sử dụng để bảo vệ mạng bằng chứng cổ phần (PoS) và AI thông qua mã hóa dữ liệu có giá trị cao và bỏ phiếu riêng tư, giảm nguy cơ thông đồng và thao túng nút.
SightAl ( @theSightAI ), một chuỗi suy luận FHE AI có thể kiểm chứng được với FHE-ML có thể kiểm chứng được. Chuỗi khối bao gồm ba phần chính: chuỗi tầm nhìn, lớp tổng hợp dữ liệu (lớp DA) và mạng suy luận trực quan (Mạng suy luận thị giác), thực hiện các tác vụ FHE-ML.
Dựa AI ( @getbasedai ), Dựa AI là một chuỗi khối L1 tích hợp FHE với mô hình ngôn ngữ lớn (LLM) sử dụng cơ chế gọi là "Cerberus Squeezing", có thể tích hợp bất kỳ LLM nào được chuyển đổi thành mô hình ngôn ngữ lớn không có kiến thức về mật mã (ZL-LLM).
Privasea Al ( @Privasea_ai ), Privasea AI là mạng AI cho phép người dùng mã hóa dữ liệu hoặc mô hình của họ bằng cách sử dụng sơ đồ FHE trong thư viện HESea, sau đó tải nó lên mạng Privasea-AI, nơi blockchain xử lý dữ liệu trong một trạng thái được mã hóa.
Thư viện HESea rất toàn diện, chứa các thư viện khác nhau cho TFHE, CKKS và BGV/BFV, đồng thời tương thích với nhiều tình huống.
"Giải pháp thay thế" MPC/ZKFHE
Một số không sử dụng FHE mà sử dụng MPC để bảo vệ dữ liệu có giá trị cao và thực hiện "tính toán mù", trong khi một số khác sử dụng ZKSNARK để đảm bảo tính chính xác của các tính toán của FHE trên dữ liệu được mã hóa. họ đang:
Nillion Network ( @nillionnetwork ), mạng điện toán sử dụng MPC để phân cấp và lưu trữ dữ liệu có giá trị cao, đồng thời cho phép người dùng viết chương trình và thực hiện các phép tính mù. Nillion bao gồm hai thành phần chính: lớp phối hợp và Petnet. Lớp phối hợp hoạt động như một kênh thanh toán, trong khi Petnet thực hiện tính toán mù và lưu trữ dữ liệu có giá trị cao.
Padolabs ( @padolabs ), Pado là mạng điện toán sử dụng FHE để xử lý dữ liệu nhạy cảm, đồng thời sử dụng MPC-TLS và ZKP để đảm bảo tính chính xác của phép tính.
Những thách thức và giải pháp của FHE
Không giống như ZK và MPC, FHE vẫn đang ở giai đoạn đầu. Điểm nghẽn của FHE hiện nay là gì? Để tăng cường tính bảo mật của máy tính, một số "nhiễu" được thêm vào văn bản mã hóa trong quá trình mã hóa. Khi có quá nhiều "nhiễu" tích tụ trong bản mã, nó sẽ trở nên quá "nhiễu" và cuối cùng ảnh hưởng đến độ chính xác của đầu ra. Các giải pháp khác nhau đang khám phá cách loại bỏ tiếng ồn một cách hiệu quả mà không áp đặt quá nhiều ràng buộc lên thiết kế, bao gồm TFHE, CKKS, BGV và các giải pháp khác.
Những thách thức chính đối với FHE bao gồm:
Hiệu suất chậm: Hiện tại, hợp đồng thông minh riêng sử dụng fh-EVM chỉ có 5 TPS. So với dữ liệu thuần túy, TFHE hiện hoạt động chậm hơn khoảng 1000 lần.
Chưa phù hợp với nhà phát triển: Vẫn còn thiếu các thuật toán tiêu chuẩn hóa và hỗ trợ tổng thể cho các công cụ FHE.
Chi phí tính toán cao (chi phí): Điều này có thể dẫn đến việc tập trung hóa nút do quản lý tiếng ồn và các phép tính phức tạp khi khởi động.
Rủi ro của FHE trên các chuỗi không bảo mật: Để đảm bảo tính bảo mật của bất kỳ hệ thống giải mã ngưỡng nào, các khóa giải mã được phân phối giữa các nút. Tuy nhiên, do chi phí chung của FHE cao hơn, điều này có thể dẫn đến số lượng người xác nhận ít hơn và do đó khả năng thông đồng cao hơn.
Các giải pháp bao gồm:
Programmable Boost: Nó cho phép áp dụng các tính toán trong quá trình khởi động, do đó tăng hiệu quả trong khi dành riêng cho ứng dụng.
Tăng tốc phần cứng: Phát triển các thư viện ASIC, GPU và FPGA và OpenFHE để tăng tốc hiệu suất FHE.
Hệ thống giải mã ngưỡng tốt hơn. Tóm lại, để làm cho FHE trên chuỗi trở nên an toàn hơn, chúng ta cần một hệ thống (có thể là MPC) để đảm bảo: độ trễ thấp; hạ thấp ngưỡng vào nút và đạt được khả năng chịu lỗi phi tập trung;
