iOSG fheがWeb3でより良いアプリケーションの見通しを持っているのはなぜですか

プライバシーは、人間と組織の基本的な権利です。個人にとって、それは私が第三者に共有したくない情報を開示することなく、人々が自由に自分自身を表現するのに役立ちます。今日のほとんどの組織では、データはメイン製品と見なされており、データプライバシーはこの製品を保護するために不可欠です。パスワードパンクスポーツとデータの商業化により、暗号化の元の言語の研究開発が加速されました。

コードサイエンスは、計算の背景に暗号化を見ると、ゼロ知識認証、同じ状態の暗号化、秘密共有など、多くの異なるソリューションを見てきました。 1960年代。これらのスキームは、プライベート計算方法のロックを解除するために重要です（データがメイン製品である理由は、人々がそこから洞察を見つけることができるためです）。今日まで、プライベートコンピューティングの分野は、マルチパーティコンピューティングとゼロ知識証明で大幅に発展していますが、入力データ自体には常にプライバシーの問題がありました。

最も重要な商品が公開されている場合、法的契約なしにこのデータの計算からこのデータの計算をアウトソーシングすることは非常に困難です。今日、誰もが、HIPAAの健康データやGDPRなど、ヨーロッパのデータのデータプライバシーのためのGDPRなど、データプライバシーのコンプライアンス基準に依存しています。

ブロックチェーンの分野では、規制当局の完全性ではなく、テクノロジーの完全性をよりよく信じています。所有権を許可および最大化する信者として、ユーザーがデータの将来を持っていると信じる場合、これらのデータを信頼せずに計算する必要があります。2009年にCraig Gentryの作業に先立ち、暗号化されたデータの計算と計算の概念は突破口になりませんでした。誰かが暗号文で計算（追加と乗算）を実行できたのはこれが初めてです（つまり、暗号化されたデータ）。

>

全て同じ状態暗号化（FHE）の作業原則

それでは、入力を理解せずにコンピューターが計算を実行できるようにするこの「魔法の数学」とは何ですか？

フルステート暗号化（FHE）は、復号化データの代わりに暗号化データ（ciphertext）の計算を計算できる一種の暗号化スキームであり、プライバシーとデータ保護のための一連のユースケースを開きます。

FHEプロセス中、データが暗号化されると、Noiseと呼ばれる追加データが元のデータに追加されます。これは、暗号化されたデータのプロセスです。

同じ状態計算（プラスまたは乗算）を実行するたびに、追加のノイズが追加されます。計算が複雑すぎて毎回ノイズが追加されている場合、究極の復号化は非常に困難になります（これは計算で非常に重いです）。このプロセスは、ノイズが直線的に増加し、乗算のために指数関数的に増加するため、追加に適しています。したがって、複雑な多項式増殖がある場合、出力を復号化することは非常に困難です。

ノイズが主な問題であり、その成長により使用が困難な場合は、制御する必要があります。これにより、「Bootstraping」と呼ばれる新しいプロセスが生まれました。ガイダンスとは、新しいキーを使用して暗号化データを暗号化し、暗号化を復号化するプロセスです。これは、計算オーバーヘッドと最終出力復号化オーバーヘッドを大幅に削減するため、非常に重要です。ブートストラップは最終的な復号化オーバーヘッドを削減しますが、その過程で多くの営業費用が発生します。これは高価で時間がかかる場合があります。

>

現在、主なFHEソリューションは、BFV、BGV、CKKS、FHEW、TFHEです。TFHEを除き、これらのスキームの略語は、彼らの論文の著者の名前です。

これらのソリューションは、同じ国の異なる言語と見なすことができ、各言語は異なる最適化を対象としています。理想的な状態は、国を統一することです。つまり、これらのすべての言語は同じマシンで理解できます。多くのFHEワーキンググループは、これらのさまざまなソリューションの組み合わせの性質を達成するために一生懸命働いています。シール（BFVおよびCKKSスキームと組み合わせた）やHelib（BGV +近似数CKK）などのライブラリは、FHEソリューションまたは異なる計算ソリューションの組み合わせの実装に役立ちます。たとえば、Zamaのコンクリートライブラリは、TFHEの錆びたコンパイラです。

>

2。FHEスキームの比較

以下は、チャールズ・ガット、ディミトリス・モリス、ネクサリオス・ジョージ・チュシェルの論文「SOK：完全なstatus cardraitに関する新しい意見」です。

>

Web3ユースケース

今日ブロックチェーンとアプリケーションを使用すると、すべてのデータは公開されており、誰もがそれを見ることができます。これはほとんどの場合に有益ですが、デフォルトのプライバシーやデータの機密性（機械学習モデル、医療データベース、ゲノミクス、プライベートファイナンス、操作されていないゲームなど）を必要とする多くのユースケースを完全に制限します。FHEは、プライバシーを確​​保するために開始点からチェーン全体を暗号化することが基本的に許可されているブロックチェーンまたは仮想マシンをサポートし、同時に暗号化データの任意の計算を許可します。ブロックチェーンネットワーク上のすべてのストレージまたは処理データは、本質的に安全です。Zamaには、完全に同じ状態環境でEVMコンピューティングを可能にするFHEVMソリューションがあります。実行レベルでは、このライブラリによって構築されたL1/L2プロジェクトにより、プライバシーが保証されます。プライバシーチェーンは常にクールなテクノロジーでしたが、使用率とトークンのパフォーマンスは大幅に向上していません。

ユニバーサルコンピューティングをアウトソーシングするという点では、FHE自体はZKとMPCを置き換えることではありません。彼らはお互いを補完して、信じられないほどのプライベートコンピューティングの巨人を作成することができます。たとえば、日焼け止めは「プライバシーエンジン」を構築しています。これにより、基本的にはブロックチェーンアプリケーションがFHEコンピューティング環境に計算をもたらし、計算結果にフィードバックできます。生成された計算は、ZKプルーフによって検証できます。オクトラは同様のことをしていますが、HFHEと呼ばれる異なるタイプの暗号化ソリューションを使用しています。

ZKは、データが明らかにされていないときに何かが証明されるのが得意であることを証明していますが、Prooferは特定の時点でこれらのデータにアクセスできます。ZKは、プライベートデータの計算に使用できないことを証明しています。

MPCは、暗号化されたデータの計算を複数のマシンに分散させ、計算を並行して実行し、最終計算結果を一緒に縫います。計算されたほとんどのマシンが正直である限り、元のデータを取得することはできませんが、これは依然として信頼の仮定です。MPCは、当事者間の継続的な通信が必要であるため（データは継続的に分割、計算、および再接続する必要があるため）、ハードウェアを介して拡張することが困難になります。

FHEでは、データを復号化することなく暗号化データですべての計算が実行され、これは単一のサーバーで完了できます。FHEのパフォーマンスは、より良いハードウェア、より多くのコンピューティングリソース、ハードウェアを加速することで拡張できます。

現在、ブロックチェーンフィールドでのFHEの最良のケースは、fhe l1/l2で構築された構築を構築するのではなく、アウトソーシングでより一般的に計算されています。以下は、FHEがロックを解除できる興味深いユースケースです。

• 第一世代（暗号化されたネイティブ）：did、カジノ、賭け、投票、ゲーム、プライベートdefii、プライベートトークン、ダークプール、2FA、バックアップ、パスワード。

• 第2世代（モジュラー）：「プライバシーのチェーンリンク」、プライベートコンピューティングのアウトソーシング、エンド – エンドの暗号化、暗号化されたデータの可用性、およびブロックチェーンと契約の間の検証されたセキュリティデータストレージ。

• 第3世代（エンタープライズレベル）：複雑な消費者アプリケーション、暗号化および分散型LLM、人工知能、ウェアラブル機器、コミュニケーション、軍事、医療、医療、プライバシー保護支払いソリューション、プライベートP2P支払い。

現在、FHEベースの業界プロジェクト

完全に均一な暗号化（FHE）の開発は、このテクノロジーを使用してデータのプライバシーとセキュリティを強化する多くの革新的なブロックチェーンプロジェクトを刺激しました。このセクションでは、Inco、Fhenix、Zamaなどの顕著なプロジェクトの技術的な詳細とユニークな方法について説明します。

インコ

>

Incoは、FHEとブロックチェーン統合の先駆者を作成し、プラットフォームを作成し、データコンピューティングを安全かつプライベートにしています。Incoは、格子ベースの暗号化テクノロジーを使用してFHEソリューションを実装し、基礎となるテキストを公開せずに暗号文（暗号化データ）の動作を実行できるようにします。このプラットフォームは、プライバシー保護のスマートコントラクトをサポートし、ブロックチェーンで暗号化されたデータを直接処理できるようにします。

• LatticeベースのFHE：Incoは、FHEの実装にグリッドベースの暗号化を使用しています。

• プライバシー保護スマートコントラクト：INCOのスマートコントラクトは、暗号化入力の任意の関数を実行して、契約と実行契約のノードが明示的なデータにアクセスできないことを確認できます。

• ノイズ管理とブートストラップ：同じ状態操作プロセス中のノイズ成長の問題に対処するために、INCOは効率的なブートストラップテクノロジー、リフレッシュする暗号文、維持、および複雑な計算を実装しました。

フェニックス

>

FHENIXは、プライバシー保護アプリケーションに強力なインフラストラクチャの提供に焦点を当てており、FHEを使用して、ユーザーデータを保護するためのエンドツーエンドの暗号化ソリューションを提供します。FHENIXのプラットフォームは、すべてのコンピューティングプロセスでデータプライバシーを確​​保するために、セキュリティメッセージからプライバシー金融取引への送信の広範なアプリケーションをサポートすることを目的としています。

• End -to -End暗号化：FHENIXは、データが暗号化状態を処理とストレージのプロセス全体から維持することを保証します。これは、FHEとセキュリティマルチパーティ計算（SMPC）テクノロジーを組み合わせることで達成されます。

• 高効率のキー管理：FHENIXは、高度なキー管理システムを統合して、セキュリティキーの分割と回転を促進します。

• スケーラビリティ：プラットフォームは、最適化されたホモジー操作と並列処理を使用して、大規模な規模の計算を効率的に処理し、FHEの主な課題の1つを解決します。

• コーディネーター：FHENIXは、FHEコンピューティングを加速するための専門的なプロセッサの開発にもリードしました。これらの協力者は、FHEに必要な密な数学的操作を特に処理します。これにより、プライバシー保護アプリケーションのパフォーマンスとスケーラビリティが大幅に向上します。

ザマ

ZamaはFHE分野のリーダーであり、開発したFHEVMソリューションで知られています。このスキームにより、完全に同一の環境でのEthereum EVMコンピューティングが可能になり、実行レベルでライブラリによって構築されたL1/L2プロジェクトのプライバシーを確​​保できます。

• FHEVMソリューション：ZamaのFHEVMソリューションは、FHEとEthereumの仮想マシンを統合して、暗号化されたスマートコントラクトを実装します。これにより、イーサリアムエコシステムでの機密トランザクションと計算が可能になります。

• コンクリートライブラリ：Zamaのコンクリートライブラリは、TFHE（FHEのバリアント）の錆びたコンパイラです。ライブラリは、同じ状態暗号化ソリューションの高性能実装を提供し、暗号化のコンピューティングをより効率的にします。

• 相互運用性：Zamaは、既存のブロックチェーンインフラストラクチャとシームレスにコラボレーションできるソリューションの作成に取り組んでいます。これには、さまざまな暗号化されたオリジナルとプロトコルのサポートが含まれ、広範な互換性と簡単な統合を確保します。

>

3 ..CryptoおよびAi InfraおよびApplicationsのFHEの重要なキャラクター

今日、暗号化と人工知能の間の性交は本格的です。この交差点は深く議論されていませんが、複数の参加者のオープンソース協力によって新しいモデルとデータセットの革新が促進されることは注目に値します。計算に加えて、最も重要なことは、これらのデータがこの協同チャネルの最も重要な部分です。AIアプリケーションとモデルの有用性は、最終的に、基本モデル、微調整モデル、またはAIインテリジェントプロキシであろうと、トレーニングされたデータに依存します。保持这些数据的安全和私密性，可以为开源合作打开一个巨大的设计空间，同时允许数据所有者持续从训练模型或最终应用中获利。如果这些数据本质上是公开的，将很难进行货币化（因为任何人都可以访问有价值的数据集），因此这些数据更可能被严格保护。

この場合、FHEは重要な役割を果たすことができます。在理想状态下，它可以在不透露底层数据集的情况下训练模型，这或可以解锁数据集的货币化，极大地促进数据集所有者之间的开源合作。

>

ソース：ベーグルネットワーク

プライバシー保護機械学習を強化する方法（PPML）

• 数据隐私：通过使用FHE，敏感数据如医疗记录、财务信息或个人标识符可以在输入ML模型之前加密。これにより、コンピューティング環境が破損している場合でも、データが機密のままになります。

• セキュリティモデルトレーニング：トレーニングMLモデルには通常、多くのデータが必要です。使用FHE，这些数据可以加密，从而在不暴露原始数据的情况下训练模型，对于处理高度敏感信息并受严格数据隐私法规约束的行业至关重要。

• 機密推論：トレーニングに加えて、暗号化の推論にも使用できます。这意味着一旦模型训练完成，可以在加密输入上进行预测，确保用户数据在整个推理过程中保持隐私。

FHEのPPMLアプリケーションフィールド：

• ヘルスケア：プライバシーを保護するという前提に関するMLモデルのトレーニングは、敏感な患者情報を公開することなく、よりパーソナライズされた効果的な治療につながる可能性があります。

• 金融：金融機関は、FHEを使用して暗号化されたトランザクションデータを分析して、顧客のプライバシーを維持しながら、詐欺検査とリスク評価を達成できます。

• モノのインターネットとスマートデバイス：機器は、暗号化されたデータを収集および処理して、位置データや使用モードなどの機密情報が機密を維持することを保証できます。

FHEの質問：

前述のように、FHEスキームの間に「統一」はありません。スキームを組み合わせることはできず、さまざまなタイプのコンピューティングの組み合わせに対して別のFHEソリューションである必要があります。同じ計算実験における異なるスキームのプロセスも非常に面倒です。Chimraフレームワークの開発は、TFHE、BFV、HEANなどのさまざまなFHEスキームを切り替えることができますが、現在は利用できません。これは、次の問題、つまりベンチマークテストの欠如につながります。ベンチマークテストは、開発者がこのテクノロジーを使用するために非常に重要です。これは、多くの開発者の時間を節約するのに役立ちます。計算オーバーヘッド（暗号化、復号化、ブートストラップ、キー生成など）を考慮すると、多くの既存の一般的なハードウェアはあまり適用できません。何らかの形のハードウェアを加速する必要があります。または、より主流のアプリケーションを実現するには、特定のチップ（FPGAおよび/またはASIC）を作成する必要があります。これらのモデルは、ZK（Zero -Knowledge）業界の問題と比較できます。賢い数学者のグループである限り、アプリケーションの科学者とエンジニアがこの分野に興味を持っている限り、これら2つの分野を最適化し続けます。FHEはプライバシーに使用され、ZKは検証に使用されます。

>

4。4..fheドライブの未来はどのようになりますか

FHEスキームルールが所有されていますか？業界はまだそのような議論を行っています。理想的な状態は統一されたソリューションですが、さまざまなアプリケーションの多様なニーズは、特定のタスクに常に最適化する必要がある場合があります。スキーム間の相互運用性は最良の解決策ですか？相互性は、実際には、さまざまなスキームの利点を使用しながら、多様なコンピューティングのニーズを柔軟に処理できる実用的な方法かもしれません。

いつFHEが利用可能になりますか？可用性は、計算オーバーヘッドの進捗状況、改善のための標準テスト基準、および特別なハードウェアの開発の進行と密接に関連しています。これらの領域の進行により、FHEはよりアクセスしやすく実用的になります。

要約すると、FHEはデータプライバシー保護とセキュリティコンピューティングのための強力なツールを提供します。相互運用性、コンピューティングコスト、ハードウェアサポートという点では依然として課題がありますが、ブロックチェーンの可能性、プライバシー保護機械学習、およびより広いWeb3アプリケーションを無視することはできません。テクノロジーの継続的な開発と革新により、FHEは将来のプライバシー保護とセキュリティコンピューティング分野で重要な役割を果たすことが期待されています。