Криптоактивы: еженедельный обзор рынка и анализ технологии гомоморфного шифрования

По состоянию на 13 октября, одна платформа данных провела статистический анализ частоты обсуждений основных Криптоактивы и изменений их цен:

Обсуждений о биткойне на прошлой неделе было 12,52K, что на 0,98% меньше, чем на предыдущей неделе. Закрывающее значение в воскресенье составило 63916 долларов, что на 1,62% выше, чем на прошлой неделе.

Количество обсуждений по Эфиру на прошлой неделе составило 3.63K, что на 3.45% больше по сравнению с предыдущей неделей. Закрытие в воскресенье составило 2530 долларов, что на 4% ниже по сравнению с прошлой неделей.

Обсуждений TON на прошлой неделе было 782, что на 12,63% меньше, чем на предыдущей неделе, цена закрытия в воскресенье составила 5,26 долларов, что на 0,25% ниже, чем на прошлой неделе.

Гомоморфное шифрование (Fully Homomorphic Encryption, FHE) является очень перспективной технологией в области криптографии. Его основное преимущество заключается в том, что оно позволяет выполнять вычисления непосредственно над зашифрованными данными без необходимости в процессе расшифровки, что предоставляет мощную поддержку для защиты конфиденциальности и обработки данных. FHE имеет широкий потенциал применения в таких областях, как финансы, медицина, облачные вычисления, машинное обучение, системы голосования, интернет вещей и защита конфиденциальности в блокчейне. Однако, несмотря на широкие перспективы применения, FHE все еще сталкивается с множеством вызовов на пути к коммерциализации.

Преимущества и сферы применения Гомоморфного шифрования

Гомоморфное шифрование имеет наибольшее преимущество в защите конфиденциальности. Например, когда одной компании необходимо использовать вычислительные мощности другой компании для анализа данных, но она не хочет, чтобы другая сторона имела доступ к конкретному содержимому, FHE может сыграть свою роль. Владелец данных может передать зашифрованные данные вычислительной стороне для анализа, и результаты вычислений останутся в зашифрованном состоянии. Владелец данных может расшифровать и получить результаты анализа, что защищает конфиденциальность данных и позволяет выполнить необходимые вычислительные задачи.

Этот механизм защиты конфиденциальности особенно важен для таких отраслей, как финансы и здравоохранение, где данные являются чувствительными. С развитием облачных вычислений и искусственного интеллекта безопасность данных становится все более актуальной. Гомоморфное шифрование (FHE) в этих сценариях может обеспечить защиту многопользовательских вычислений, позволяя сторонам сотрудничать без раскрытия конфиденциальной информации. В технологии блокчейн FHE через функции защиты конфиденциальности на цепочке и проверки конфиденциальных транзакций повышает прозрачность и безопасность обработки данных.

Сравнение FHE и других способов шифрования

В области Web3 основными методами защиты конфиденциальности являются Гомоморфное шифрование (FHE), нулевые доказательства (ZK), многопартитные вычисления (MPC) и доверенные среды выполнения (TEE). В отличие от ZK, FHE позволяет выполнять различные операции с зашифрованными данными без необходимости сначала расшифровывать данные. MPC позволяет сторонам проводить вычисления в условиях зашифрованных данных без необходимости делиться конфиденциальной информацией. TEE предоставляет вычисления в безопасной среде, но гибкость обработки данных относительно ограничена.

Эти криптографические технологии имеют свои преимущества, но в поддержке сложных вычислительных задач FHE особенно выделяется. Тем не менее, FHE в реальных приложениях всё ещё сталкивается с высокими вычислительными затратами и плохой масштабируемостью, что ограничивает его производительность в реальных приложениях.

Ограничения и вызовы FHE

Несмотря на то, что теоретические основы FHE сильны, в коммерческом применении возникли практические проблемы:

1. Большие вычислительные затраты: Гомоморфное шифрование требует значительных вычислительных ресурсов, и его вычислительные затраты значительно выше, чем у незащищенных вычислений. Для высоких полиномов время обработки увеличивается полиномиально, что затрудняет удовлетворение требований к вычислениям в реальном времени. Снижение затрат требует использования специализированного аппаратного ускорения, но это также увеличивает сложность развертывания.

2. Ограниченные операционные возможности: хотя Гомоморфное шифрование может выполнять сложение и умножение зашифрованных данных, поддержка сложных нелинейных операций ограничена, что является узким местом для искусственного интеллекта, вовлеченного в такие приложения, как глубокие нейронные сети. В настоящее время схемы Гомоморфного шифрования в основном подходят для линейных и простых полиномиальных вычислений, применение нелинейных моделей значительно ограничено.

3. Сложность поддержки нескольких пользователей: Гомоморфное шифрование показывает хорошие результаты в сценариях с одним пользователем, но при работе с многопользовательскими наборами данных системная сложность резко возрастает. Многоключевая структура FHE, предложенная в 2013 году, хотя и позволяет выполнять операции с зашифрованными наборами данных, использующими разные ключи, но значительно увеличивает сложность управления ключами и архитектуры системы.

Сочетание Гомоморфного шифрования и искусственного интеллекта

В современную эпоху, управляемую данными, искусственный интеллект (ИИ) широко используется в различных областях, но опасения по поводу конфиденциальности данных часто заставляют пользователей не делиться чувствительной информацией. Гомоморфное шифрование (FHE) предоставляет решения для защиты конфиденциальности в области ИИ. В облачных вычислениях данные обычно шифруются во время передачи и хранения, но в процессе обработки часто находятся в открытом виде. С помощью FHE пользовательские данные могут обрабатываться в зашифрованном состоянии, что обеспечивает их конфиденциальность.

Это преимущество особенно важно в условиях требований таких регламентов, как GDPR, которые требуют от пользователей права знать, как осуществляется обработка данных, и гарантируют защиту данных в процессе передачи. Конечное шифрование FHE обеспечивает соблюдение нормативных требований и безопасность данных.

Текущие применения FHE в блокчейне и проекты

Применение гомоморфного шифрования (FHE) в блокчейне в основном сосредоточено на защите конфиденциальности данных, включая конфиденциальность на цепи, конфиденциальность данных для обучения ИИ, конфиденциальность голосования на цепи и конфиденциальность проверки транзакций на цепи. В настоящее время несколько проектов используют технологии FHE для содействия реализации защиты конфиденциальности:

1. Технология, разработанная одним из поставщиков решений FHE, широко используется в нескольких проектах по защите конфиденциальности.

2. Некоторый проект основан на технологии TFHE, сосредоточен на булевых операциях и операциях с низким размером целых чисел, а также разработал стек FHE для приложений блокчейна и ИИ.

3. Разработан новый язык смарт-контрактов и библиотека HyperghraphFHE, подходящие для блокчейн-сетей.

4. Некоторые проекты используют Гомоморфное шифрование для реализации защиты конфиденциальности в вычислительных сетях ИИ, поддерживают различные модели ИИ.

5. Другой проект сочетает Гомоморфное шифрование с искусственным интеллектом, предлагая децентрализованную и защищенную конфиденциальность среду для ИИ.

6. Также есть проекты как решение Layer 2 для Ethereum, поддерживающие FHE Rollups и FHE Coprocessors, совместимые с EVM и поддерживающие смарт-контракты, написанные на Solidity.

Вывод

FHE как продвинутая технология, способная выполнять вычисления на зашифрованных данных, обладает значительными преимуществами в защите конфиденциальности данных. Хотя текущие коммерческие применения FHE все еще сталкиваются с проблемами высокой вычислительной нагрузки и низкой масштабируемости, благодаря аппаратному ускорению и оптимизации алгоритмов эти проблемы могут быть постепенно решены. Кроме того, с развитием технологий блокчейн, FHE будет играть все более важную роль в области защиты конфиденциальности и безопасных вычислений. В будущем FHE может стать ключевой технологией, поддерживающей вычисления с защитой конфиденциальности, принося новые революционные прорывы в области безопасности данных.