作者:Poopman,Ouro Research;翻译:0xjs@金色财经
FHE 开启了无需解密即可对加密数据进行计算的可能性。
当与区块链、MPC、ZKP(可扩展性)结合时,FHE 提供了必要的机密性并支持各种链上用例。
本文简单概述FHE 现状。
我将介绍:1、FHE 背景; 2、FHE 如何工作?3、FHE 生态系统中的 5 个领域;4、当前 FHE 的挑战和解决方案。
FHE 最早于 1978 年提出,但由于计算复杂度较高,在相当长的一段时间内,它并不实用,仅停留在理论层面。
直到 2009 年,Craig 才为 FHE 开发出可行的模型,从此,FHE 的研究兴趣便一路飙升。
2020 年,Zama推出TFHE 和 fhEVM 使 FHE 成为加密领域关注的焦点。
从那时起,我们看到了通用的 EVM 兼容 FHE L1/L2 例如Fhenix、Inco Network和 FHE 编译器Sunscreen Tech等的出现。
你可以想象有一个盲盒,里面有谜题。然而,盲盒无法了解你给它的谜题的任何信息,但它仍然可以用数学计算结果。
FHE 的一些用例包括:隐私链上计算、链上数据加密、公共网络上的私密智能合约、机密 ERC20、私密投票、NFT盲拍卖、更安全的 MPC、抢先交易保护、无需信任的桥等等。
总体而言,链上 FHE 的格局可以概括为 5 个领域:1、通用 FHE;2、特定用例(应用)的 FHE/HE;3、FHE 加速硬件;4、带有 AI 的 FHE;5、替代解决方案
它们是实现区块链机密性的支柱。这包括 SDK、协处理器、编译器、新执行环境、区块链、FHE 模块……
最具挑战性的是:将 FHE 引入 EVM,即 fhEVM。
包括:
fhEVM:Zama、Fhenix、Inco network、Fair Math
FHE工具/基础设施: Octra、Sunscreen Tech、Fairblock、Dero、Arcium(前Elusiv) 、Shibarium
下面是每个项目的一句话总结。
Penum:使用 tFHE 进行屏蔽交换/池的跨链 cosmos dex (appchain)。
zkHoldem:Manta Network上的扑克游戏,使用HE和ZKP来证明游戏的公平性。
每次使用 FHE 进行密集计算(如 FHE-ML)时,引导以减少噪声增长都至关重要。硬件加速等解决方案在促进引导方面发挥着重要作用,其中 ASIC 表现最佳。
每家公司都专门生产可以加速 FHE 引导/计算的硬件,例如芯片、ASIC 和半导体。
最近,人们对将 FHE 集成到 AI/ML 中的兴趣日益浓厚。其中,FHE 可以防止机器在处理敏感信息时学习任何敏感信息,并在整个过程中为数据、模型和输出提供机密性。
AI x FHE 的成员包括:Mind Network、Sight AI、BasedAI、Privasea
有的不使用 FHE,而是使用 MPC 来保护高价值数据并进行“盲计算”,而有的则使用 ZKSNARK 来保证加密数据上 FHE 计算的正确性。
它们是:Nillion network、Pado Labs
与 ZK 和 MPC 不同,FHE 仍处于早期阶段。
性能缓慢:目前,使用 fh-EVM 的私人智能合约只有 5 TPS。此外,与纯数据相比,TFHE 现在的性能要慢约 1000 倍。
对开发人员来说还不够友好:目前仍缺乏标准化算法和整体支持的 FHE 工具。
计算开销(成本)高:由于噪声管理和复杂计算的引导,可能导致节点中心化。
不安全的链上 FHE 风险:对于任何安全的门限解密系统来说,解密密钥都会在节点之间分配。然而,由于 FHE 的开销很大,这可能会导致验证者数量减少,因此串通的可能性更高。
可编程引导:它允许在引导期间应用计算,从而提高效率,同时又针对特定应用。
硬件加速:与OpenFHE 库一起开发 ASIC、GPU 和 FPGA,以加速 FHE 性能。
更好的阈值解密系统:简而言之,为了使链上 FHE 更安全,我们需要一个系统(可以是 MPC),以确保:低延迟、降低节点的去中心化进入门槛、容错。
来源:金色财经