FHE現狀、生態格局及未來挑战
作者:Poopman,Ouro Research;翻譯:0xjs@金色財經
FHE 开啓了無需解密即可對加密數據進行計算的可能性。
當與區塊鏈、MPC、ZKP(可擴展性)結合時,FHE 提供了必要的機密性並支持各種鏈上用例。
本文簡單概述FHE 現狀。
我將介紹:1、FHE 背景; 2、FHE 如何工作?3、FHE 生態系統中的 5 個領域;4、當前 FHE 的挑战和解決方案。
一、背景
FHE 最早於 1978 年提出,但由於計算復雜度較高,在相當長的一段時間內,它並不實用,僅停留在理論層面。
直到 2009 年,Craig 才爲 FHE 开發出可行的模型,從此,FHE 的研究興趣便一路飆升。
2020 年,Zama推出TFHE 和 fhEVM 使 FHE 成爲加密領域關注的焦點。
從那時起,我們看到了通用的 EVM 兼容 FHE L1/L2 例如Fhenix、Inco Network和 FHE 編譯器Sunscreen Tech等的出現。
二、FHE 如何工作?
你可以想象有一個盲盒,裏面有謎題。然而,盲盒無法了解你給它的謎題的任何信息,但它仍然可以用數學計算結果。
FHE 的一些用例包括:隱私鏈上計算、鏈上數據加密、公共網絡上的私密智能合約、機密 ERC20、私密投票、NFT盲拍賣、更安全的 MPC、搶先交易保護、無需信任的橋等等。
三、FHE 生態系統
總體而言,鏈上 FHE 的格局可以概括爲 5 個領域:1、通用 FHE;2、特定用例(應用)的 FHE/HE;3、FHE 加速硬件;4、帶有 AI 的 FHE;5、替代解決方案
1、通用 FHE 區塊鏈和工具
它們是實現區塊鏈機密性的支柱。這包括 SDK、協處理器、編譯器、新執行環境、區塊鏈、FHE 模塊……
最具挑战性的是:將 FHE 引入 EVM,即 fhEVM。
包括:
fhEVM:Zama、Fhenix、Inco network、Fair Math
FHE工具/基礎設施: Octra、Sunscreen Tech、Fairblock、Dero、Arcium(前Elusiv) 、Shibarium
下面是每個項目的一句話總結。
2、適用於特殊用途應用的FHE/HE
Penum:使用 tFHE 進行屏蔽交換/池的跨鏈 cosmos dex (appchain)。
zkHoldem:Manta Network上的撲克遊戲,使用HE和ZKP來證明遊戲的公平性。
3、加速硬件
每次使用 FHE 進行密集計算(如 FHE-ML)時,引導以減少噪聲增長都至關重要。硬件加速等解決方案在促進引導方面發揮着重要作用,其中 ASIC 表現最佳。
硬件領域的成員包括:Optalysys、Chain Reaction、Ingonyama、Cysic
每家公司都專門生產可以加速 FHE 引導/計算的硬件,例如芯片、ASIC 和半導體。
4、AI X FHE
最近,人們對將 FHE 集成到 AI/ML 中的興趣日益濃厚。其中,FHE 可以防止機器在處理敏感信息時學習任何敏感信息,並在整個過程中爲數據、模型和輸出提供機密性。
AI x FHE 的成員包括:Mind Network、Sight AI、BasedAI、Privasea
5、“替代解決方案”
有的不使用 FHE,而是使用 MPC 來保護高價值數據並進行“盲計算”,而有的則使用 ZKSNARK 來保證加密數據上 FHE 計算的正確性。
它們是:Nillion network、Pado Labs
四、FHE 面臨的挑战和解決方案
與 ZK 和 MPC 不同,FHE 仍處於早期階段。
主要挑战包括:
性能緩慢:目前,使用 fh-EVM 的私人智能合約只有 5 TPS。此外,與純數據相比,TFHE 現在的性能要慢約 1000 倍。
對开發人員來說還不夠友好:目前仍缺乏標准化算法和整體支持的 FHE 工具。
計算开銷(成本)高:由於噪聲管理和復雜計算的引導,可能導致節點中心化。
不安全的鏈上 FHE 風險:對於任何安全的門限解密系統來說,解密密鑰都會在節點之間分配。然而,由於 FHE 的开銷很大,這可能會導致驗證者數量減少,因此串通的可能性更高。
解決方案:
可編程引導:它允許在引導期間應用計算,從而提高效率,同時又針對特定應用。
硬件加速:與OpenFHE 庫一起开發 ASIC、GPU 和 FPGA,以加速 FHE 性能。
更好的閾值解密系統:簡而言之,爲了使鏈上 FHE 更安全,我們需要一個系統(可以是 MPC),以確保:低延遲、降低節點的去中心化進入門檻、容錯。
鄭重聲明:本文版權歸原作者所有,轉載文章僅為傳播信息之目的,不構成任何投資建議,如有侵權行為,請第一時間聯絡我們修改或刪除,多謝。