IOSG Ventures: Muy elogiado por Vitalik, ¿cuál es el potencial de la encriptación completamente homomórfica FHE?

Original de Mustafa Hourani

Compilación original: Equipo del IOSG

Introducción

Presentamos el cifrado homomórfico completo (FHE): explore sus emocionantes aplicaciones, limitaciones y los últimos desarrollos que impulsan su popularidad. **

Cuando yo (Mustafa) escuché por primera vez sobre la “encriptación completamente homomórfica” (FHE), pensé en la tendencia del espacio de la cadena de bloques a dar nombres largos a conceptos populares. A lo largo de los años, nos hemos encontrado con palabras de moda más largas que han causado revuelo en la industria, siendo la más reciente “ZK-SNARKs” (ZKP).

Después de investigar un poco y explorar algunas de las nuevas empresas que crean productos con FHE, me di cuenta de un horizonte lleno de nuevas herramientas brillantes. En los próximos meses y años, es probable que FHE sea la próxima gran tecnología que tome por asalto la industria, al igual que ZKP. Las empresas están aprovechando los últimos avances en criptografía y computación en la nube para allanar el camino hacia un futuro sólido que preserve la privacidad de los datos. No es una cuestión de si, sino de cuándo, y creo que FHE podría ser un catalizador clave para hacer avanzar la privacidad y la propiedad de los datos.

• "FHE es el santo grial de la criptografía. Con el tiempo, FHE remodelará la estructura de toda la informática, ya sea web2 o web3. 」*

¿Qué es un homomorfismo?

Homomorfismo, entendamos primero el significado de la palabra “homomorfismo”. Remontándose a sus raíces, el homomorfismo se originó en las matemáticas y se define como un mapeo entre dos estructuras algebraicas del mismo tipo, que conserva un componente central entre ellas.

Si eres como yo y prefieres una definición práctica, la matemática detrás de esto es que dos grupos no necesitan ser exactamente iguales para tener las mismas propiedades básicas. Por ejemplo, imagina dos cajas de fruta, cada una correspondiente a un grupo diferente:

• La caja A contiene frutas pequeñas.
• La caja B contiene frutos grandes.

Aunque las frutas individuales son diferentes en tamaño, exprimir manzanas pequeñas y naranjas juntas en la caja A puede producir el mismo sabor a jugo mixto que exprimir manzanas grandes y naranjas juntas en la caja B. Hacer jugos para producir el mismo sabor es similar a mantener un componente central entre dos cajas. Suponiendo que el mismo sabor es nuestra principal preocupación, no importa de qué caja exprimamos el jugo, porque la larga del jugo no es nuestro enfoque. En un aspecto importante (el sabor), los dos grupos son equivalentes, por lo que las diferencias entre ellos (tamaño y cantidad) no afectan a su función principal según lo definido por nosotros, que es producir un sabor de zumo específico.

En contraste con la analogía homomórfica, captamos dos de sus principales características:

• Mapeado: Hicimos una conexión entre las frutas, donde cada fruta pequeña en la caja A corresponde a una versión más grande en la caja B. Por lo tanto, la manzana pequeña de la caja A corresponde a la manzana grande de la caja B, y así sucesivamente.
• Operación Hold: Si exprimir dos frutas pequeñas en la caja A produce un sabor específico, entonces exprimir su versión más grande correspondiente en la caja B también debería producir el mismo sabor. A pesar de las diferencias en el tamaño y la cantidad de jugo obtenido, el “perfil de sabor” se mantiene.

¿Qué es la encriptación completamente homomórfica?

Vinculando esto con el tema central de este artículo, la encriptación completamente homomórfica (FHE) es un método específico de encriptación de datos que permite a las personas realizar cálculos en datos de encriptación sin exponer los datos originales. Teóricamente, el análisis y los cálculos realizados en los datos de encriptación deberían producir los mismos resultados que los realizados en los datos originales. Con FHE, creamos una conexión uno a uno entre los datos del conjunto de datos de encriptación y los datos del conjunto de datos original. En este caso, la retención del componente principal es la capacidad de realizar cualquier cálculo en los datos de cualquiera de los conjuntos de datos y producir el mismo resultado.

En este sentido, Xu largo ha tomado precauciones para proteger los datos de los usuarios y mantener la privacidad diferencial. Las empresas rara vez almacenan datos sin cifrar en la nube o en sus bases de datos. Por lo tanto, incluso si un atacante toma el control de los servidores de una empresa, aún necesita eludir la encriptación para leer y acceder a los datos. Sin embargo, cuando los datos son solo encriptación y no se utilizan, no es interesante. Cuando las empresas quieren analizar datos para obtener información valiosa, no tienen más remedio que descifrarlos. Cuando se descifran los datos, se vuelven vulnerables. Sin embargo, con la encriptación de extremo a extremo, FHE se vuelve muy útil porque no necesitamos descifrar datos más largos para analizarlos; eso es solo la punta del iceberg.

Una consideración clave es si se debe permitir que las empresas lean y almacenen nuestra información personal en primer lugar. La respuesta estándar de Xu Largo a esto es que las empresas necesitan ver nuestros datos en orden para servirnos mejor.

Si YouTube no almacena datos como mi historial de reproducciones y búsqueda, el algoritmo no puede alcanzar su máximo potencial y mostrarme videos que me interesan. Como resultado, Xu largo cree que la compensación entre la privacidad de los datos y el acceso a mejores servicios vale la pena. Sin embargo, con FHE, no tenemos que hacer esta compensación más larga. Empresas como YouTube pueden entrenar sus algoritmos con datos de encriptación y producir los mismos resultados para los usuarios finales sin violar la privacidad de los datos. Específicamente, pueden cifrado homomórfico información como mi historial de visualización y búsqueda, analizarla sin verla y luego mostrarme los videos que me interesan en función del análisis.

FHE es un paso importante hacia la construcción de un futuro en el que nuestros datos no sean más largos un producto valioso que damos libremente a nuestras organizaciones.

Aplicaciones de la encriptación completamente homomórfica

La encriptación totalmente homomórfica (FHE), si se aplica correctamente, sería un gran avance para todas las industrias que almacenan datos de usuarios. Estamos ante una tecnología que podría cambiar nuestra actitud general hacia la privacidad de los datos y los límites de lo que es aceptable para las empresas.

Comencemos explorando cómo FHE puede transformar las prácticas de datos en la atención médica. Los hospitales más antiguos mantienen registros privados de pacientes en sus bases de datos, que deben mantenerse confidenciales por razones éticas y legales. Sin embargo, esta información es muy valiosa para los investigadores médicos externos que pueden analizar los datos para derivar información importante sobre la enfermedad y los posibles tratamientos. Un obstáculo importante para ralentizar el progreso de un estudio es mantener la confidencialidad total de los datos de los pacientes cuando se subcontratan los datos a los investigadores. Hay formas más largas de anonimizar o pseudoanonimizar los registros de pacientes, pero ninguna de ellas es perfecta y puede revelar la información de alguien demasiado larga para que sea identificable, o puede no revelar suficiente información de casos para dificultar la obtención de información precisa sobre la enfermedad.

Con FHE, los hospitales pueden cifrado homomórfico de los datos de los pacientes, lo que facilita la protección de la privacidad del paciente en la nube. Los investigadores médicos pueden realizar cálculos y ejecutar análisis de datos de encriptación sin comprometer la privacidad del paciente. Debido a que hay una asignación uno a uno entre los datos encriptación y los datos sin procesar, los resultados obtenidos del conjunto de datos encriptación proporcionan información del mundo real que se puede aplicar a escenarios del mundo real. FHE puede hacer avanzar rápidamente la industria de la salud.

También vale la pena prestar atención a otra aplicación emocionante de la encriptación completamente homomórfica (FHE) en el entrenamiento de inteligencia artificial (IA). Actualmente, el espacio de la IA se enfrenta a problemas de privacidad, lo que dificulta la capacidad de las empresas para acceder a conjuntos de datos grandes y extensos que son fundamentales para refinar los algoritmos de IA. Las empresas que entrenan la IA deben elegir entre usar un conjunto de datos público limitado, pagar mucho dinero para comprar un conjunto de datos privado o crear un conjunto de datos, lo que es especialmente desafiante para las empresas más pequeñas con menos usuarios. FHE debería ser capaz de abordar las preocupaciones de privacidad que impiden que los proveedores de conjuntos de datos largos entren en este mercado. Como resultado, es probable que las mejoras en FHE conduzcan a un aumento en el número de conjuntos de datos disponibles para entrenar la IA. Esto hará que el entrenamiento de IA sea más factible y refinado desde el punto de vista económico, dado el aumento de los conjuntos de datos disponibles.

Con FHE, las empresas pueden entrenar modelos de aprendizaje automático en datos de encriptación sin revelar los datos originales. Esto significa que los propietarios de datos pueden compartir de forma segura sus datos de encriptación sin preocuparse por violaciones de privacidad o uso indebido de datos. Al mismo tiempo, los entrenadores de modelos de IA pueden mejorar sus algoritmos con conjuntos de datos más largos y completos que pueden no estar disponibles sin FHE. Por lo tanto, la encriptación completamente homomórfica no solo mejora la seguridad de los datos, sino que también amplía las posibilidades de investigación y desarrollo de IA, haciendo que la aplicación de la tecnología de IA sea más amplia y eficiente.

Defectos de encriptación completamente homomórfica en el pasado

Si bien la encriptación completamente homomórfica (FHE) promete transformar el big data contemporáneo, ¿por qué no hemos visto aplicaciones prácticas más largas?

Si bien la FHE ha sido un tema de discusión e investigación durante muchos años, la realidad es que es muy difícil implementar la FHE en la práctica. El principal reto es la potencia de cálculo necesaria para realizar la FHE. Un conjunto de datos totalmente homomórficamente seguro puede producir los mismos resultados analíticos que en su forma de datos original. Esta es una hazaña desafiante que requiere mucha velocidad y potencia computacional, donde la larga no es práctica de implementar en las computadoras existentes. Las operaciones que normalmente tardan segundos en datos sin procesar pueden tardar horas o incluso días en conjuntos de datos de cifrado homomórfico. Este desafío computacional creó un ciclo que se perpetúa a sí mismo, con ingenieros largos retrasando la realización del proyecto FHE, ralentizando su desarrollo y limitando la plena realización de sus beneficios.

Un problema computacional específico al que se enfrentan los ingenieros en FHE es lidiar con “errores de ruido”. Al calcular conjuntos de datos de cifrado homomórfico, los ingenieros de largos Xu se han encontrado con situaciones en las que cada cálculo genera ruido o errores adicionales. Esto es tolerable cuando solo se requieren unos pocos cálculos, pero después de análisis prolongados, el ruido puede llegar a ser tan prominente que los datos en bruto se vuelven difíciles de entender. Los datos casi se pierden.

¿Por qué ahora?

Al igual que la IA generativa, que una vez se consideró limitada y primitiva, hasta que se convirtió en la corriente principal, la encriptación completamente homomórfica (FHE) estaba en una trayectoria similar de progreso. largos líderes de la industria, e incluso aquellos más allá de la cadena de bloques, se han unido para organizar una gran cantidad de investigación y desarrollo sobre FHE. Esto ha llevado a varios desarrollos recientes de la industria que han impulsado la narrativa convincente de este avance tecnológico.

PROYECTO DPRIVE

En marzo de 2021, Microsoft, Intel y la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) acordaron lanzar un programa más largo para acelerar el desarrollo de la encriptación completamente homomórfica (FHE). La iniciativa, denominada Protección de Datos en Entornos Virtuales (DPRIVE), supone un importante paso adelante para FHE. Muestra a dos gigantes de la industria centrados en la computación en la nube y el hardware informático que unen fuerzas para abordar los problemas de privacidad de datos. Iniciaron el programa para construir computadoras y software que pudieran administrar la velocidad de los cálculos de FHE, y para establecer largo mecha velas para implementar con precisión FHE para evitar violaciones de datos causadas por el uso indebido.

Como parte de la iniciativa DPRIVE, los ingenieros asumieron la tarea de mitigar los “errores de ruido” antes mencionados mediante la exploración de formas de reducir el ruido al nivel de los datos originales. Una solución prometedora es diseñar representaciones de datos de gran tamaño de palabras aritméticas (LAWS). Mientras que los procesadores de computadora tradicionales (CPU) generalmente usan palabras de 64 bits, los ingenieros están desarrollando un nuevo hardware LAWS capaz de manejar palabras de 1024 bits o más largas. Este método funciona porque los estudios han demostrado que las palabras más largas afectan directamente la relación señal-ruido. En pocas palabras, las palabras más largas producen menos ruido para cada paso adicional en el FHE, lo que permite realizar cálculos más largos hasta que se alcanza el umbral de pérdida de datos. Al construir un nuevo hardware para abordar estos desafíos, los ingenieros involucrados en el programa DPRIVE redujeron significativamente la carga computacional requerida para realizar el PHE.

Para acelerar los cálculos y acercarse al objetivo de hacer que FHE sea 100.000 veces más rápido, el equipo de DPRIVE se embarcó en un viaje continuo para diseñar nuevos sistemas de procesamiento de datos que vayan más allá de las capacidades de las unidades convencionales de procesamiento y trazado. Desarrollaron un nuevo sistema de datos de anhelo de instrucciones de anhelo (MIMD) capaz de administrar instrucciones de anhelo y conjuntos de datos simultáneamente. MIMD es similar a la construcción de una nueva carretera, en lugar de utilizar una carretera existente inadecuada para acomodar el flujo requerido por los cálculos rápidos y en tiempo real de FHE.

Una de las cosas interesantes del programa DPRIVE es su amplio uso del “paralelismo” en los cálculos matemáticos computacionales. Esto permite a los desarrolladores realizar cálculos de números grandes más largos al mismo tiempo. Se puede pensar en el paralelismo como el despliegue de un grupo de matemáticos al mismo tiempo para trabajar en diferentes partes de un gran problema matemático, en lugar de hacer que hagan sus respectivos trabajos uno tras otro. Aunque los cálculos de anhelo al mismo tiempo pueden ayudar a resolver problemas rápidamente, las computadoras deben enfriarse menos para evitar el sobrecalentamiento.

En septiembre de 2022, más de un año y medio después del lanzamiento del programa, Microsoft, Intel y DARPA anunciaron que habían completado con éxito la primera fase del programa DPRIVE. Actualmente están trabajando en la segunda fase de DPRIVE.

SDK y bibliotecas de código abierto

A medida que las grandes empresas son pioneras en la encriptación completamente homomórfica (FHE), el número de kits de desarrollo de software (SDK) y bibliotecas de código abierto disponibles ha proliferado, lo que permite a los desarrolladores construir sobre el trabajo de los demás.

Microsoft anunció Microsoft Seal, una biblioteca de código abierto que proporciona a los desarrolladores herramientas para realizar el cifrado homomórfico en conjuntos de datos. Esto permite a una gama más amplia de desarrolladores explorar FHE, democratizando la encriptación de extremo a extremo y el acceso a los servicios informáticos. La biblioteca proporciona ejemplos de programas de cifrado homomórfico con notas detalladas para guiar a los desarrolladores sobre el uso adecuado y seguro.

Intel también ha lanzado su propio kit de herramientas de cifrado homomórfico para proporcionar a los desarrolladores herramientas para implementar el cifrado homomórfico más rápido en la nube. Intel ha diseñado el kit de herramientas para que sea flexible y compatible con los últimos avances en procesamiento de datos y computación. Incluye funciones diseñadas específicamente para criptografía de celosía, integración operativa perfecta con Microsoft Seal, muestras de esquemas de cifrado homomórfico y documentación técnica para guiar a los usuarios.

La biblioteca de código abierto Private Join and Compute de Google proporciona a los desarrolladores herramientas informáticas más largas (MPC). Este método de cálculo permite a las partes combinar sus conjuntos de datos dispares para obtener información compartida sin exponer los datos sin procesar entre sí. Private Join and Compute combina la tecnología criptográfica de FHE con Private Set Intersection (PSI) para optimizar las prácticas de privacidad de datos. PSI es otro método criptográfico que permite a las partes con diferentes conjuntos de datos identificar elementos comunes o puntos de datos sin revelar sus datos. El enfoque de Google para avanzar en la privacidad de los datos no solo se centra en FHE; prioriza el concepto más amplio de MPC al integrar FHE con otras prácticas de datos influyentes.

En particular, la disponibilidad de la reputada biblioteca de Código abierto de Largo mecha vela para FHE está aumentando. Sin embargo, esto se vuelve aún más notable cuando se observa a empresas conocidas experimentando con estas bibliotecas en sus operaciones. En abril de 2021, Nasdaq, una destacada entidad tecnológica global para bolsas de valores y mercado de capitales, incorporó FHE a sus operaciones. Nasdaq aprovecha las herramientas FHE y los procesadores de alta velocidad de Intel para abordar los delitos financieros a través de los esfuerzos de AML y la detección de fraudes. Esto se logra mediante el uso del cifrado homomórfico para identificar información valiosa y actividad potencialmente ilegal en conjuntos de datos que contienen información confidencial.

Levantamiento de capital reciente

Además de la investigación y el desarrollo llevados a cabo por las empresas mencionadas, varias otras empresas han recibido recientemente una financiación significativa para iniciativas centradas en la encriptación completamente homomórfica (FHE).

Cornami es una gran empresa de tecnología conocida por desarrollar tecnologías escalables de computación en la nube diseñadas específicamente para el cifrado homomórfico. Han estado involucrados en esfuerzos anhelantes destinados a crear sistemas informáticos que soporte FHE de manera más eficiente que las CPU tradicionales. También guían las iniciativas destinadas a proteger los datos de encriptación de las amenazas de la computación cuántica. En mayo de 2022, Cornami anunció la finalización exitosa de su ronda de financiación de la Serie C, recaudando $ 68 millones liderados por SoftBank, lo que eleva su capital total a $ 150 millones.

Zama, otra empresa del sector Cadena de bloques, está creando herramientas Código abierto Cifrado homomórfico que los desarrolladores pueden aprovechar para crear aplicaciones interesantes utilizando FHE, Cadena de bloques e IA. Zama ha construido una máquina virtual de Ethereum totalmente homomórfica (fhEVM) como parte de su oferta de productos. Esta contratos inteligentes protocolo mantiene on-chain datos de transacciones encriptación durante el procesamiento. Los desarrolladores de varias aplicaciones que exploran la biblioteca Zama han quedado impresionados con su rendimiento, incluso en casos de uso complejos. Zama cerró con éxito una ronda de financiación Serie A de $ 42 millones liderada por Protocol Labs en febrero de 2022, elevando su capital total a $ 50 millones.

Fhenix también es un proyecto emergente que está llevando FHE a la cadena de bloques. Su objetivo es expandir las aplicaciones de FHE más allá de los pagos privados, abriendo la puerta a interesantes casos de uso para FHE en áreas como DeFi (finanzas descentralizadas), puentes, votación de gobernanza y juegos Web3. En septiembre de 2023, Fhenix anunció el cierre de una ronda semilla de 7 millones de dólares liderada por Multicoin Capital y Collider Ventures.

Lo que sucede después

Durante años, la encriptación completamente homomórfica (FHE) ha sido una idea que promete una fuerte encriptación de extremo a extremo, anunciando un futuro de fuerte privacidad de datos. Los desarrollos recientes están empezando a hacer que la FHE pase de ser un sueño teórico a una aplicación en el mundo real. Mientras que las empresas compiten para ser las primeras en implementar una versión potente y con todas las funciones de FHE, las largas empresas de Xu están colaborando para navegar por las complejidades de esta poderosa tecnología. Este espíritu de colaboración es evidente a través de la implementación de varios proyectos entre equipos y el desarrollo de bibliotecas de código abierto que se integran con otras bibliotecas.

Por lo que he encontrado, la discusión en torno a la FHE parece ser de gran alcance. Durante las próximas semanas, estoy emocionado de profundizar y compartir el anhelo de mis conocimientos sobre la investigación de FHE. Específicamente, estoy ansioso por explorar el contenido más largo sobre los siguientes temas:

Nuevas aplicaciones de la FHE:

• Interacción entre ZK-SNARKs (ZKPs) y FHE.
• Integrar FHE con Private Collection Intersection (PSI) para facilitar el cálculo más largo seguro (MPC).
• Nuevas compañías como Zama y Fhenix son líderes en el espacio FHE.

Referencia:

Arampatzis, Anastasios. “Últimos desarrollos en cifrado homomórfico”. Venafi, 1 de febrero de 2022, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

Arampatzis, Anastasios. “¿Qué es el cifrado homomórfico y cómo se utiliza?” Venafi, 28 de abril de 2023, venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.

“Creación de hardware para permitir la protección continua de datos”. DARPA, 2 de marzo de 2020, www.darpa.mil/news-events/2020-03-02.

Cristóbal, Samuel. “Fully Cifrado homomórfico: The Holy Grail of Criptografía.” Datascience.Aero, 7 de enero de 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

“Cifrado homomórfico: ¿Qué es y por qué es importante?” Internet Society, 9 de marzo de 2023,www.internetsociety.org/resources/doc/2023/homomorphic-encriptation/.

Hunt, James. “FHENIX recauda $ 7 millones en Ronda Semilla liderada por Multicoin Capital.” The Bloquear, The Bloquear, 26 de septiembre de 2023, www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

“Kit® de herramientas de cifrado homomórfico Intel”. Intel, consultado el 8 de octubre de 2023,www.intel.com/content/www/us/en/developer/tools/homomorphic-encriptación/overview.html#gs.fu 55 im.

“Intel colaborará con Microsoft en el programa DARPA”. Intel, 8 de marzo de 2021,www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

“Intel Xeon avanza en la investigación y desarrollo de cifrado homomórfico de NASDAQ”. Intel, 6 de abril de 2021,www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-encriptación-rd.html#gs.6 mpgme.

Johnson, Rick. “Intel completa el hito de la fase uno de DARPA DPRIVE para una plataforma de cifrado homomórfico completo”. Intel, 14 de septiembre de 2022, community.intel.com/t 5/Blogs/Products-and-Solutions/HPC/Intel-Completes-DARPA-DPRIVE-Phase-One-Milestone-for-a-Fully/post/1411021.

“Microsoft Seal: Biblioteca de cifrado homomórfico rápida y fácil de usar”. Microsoft Research, 4 de enero de 2023, www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr. Pascal. “Cifrado homomórfico completo: el Santo Grial de la criptografía”. Business Age, 9 de marzo de 2023, www.businessage.com/post/fully-homomorphic-encriptación-the-santy-grail-of-cryptography.

Samani, Kyle. “El amanecer de la FHE en cadena”. Multicoin Capital, 26 de septiembre de 2023, multicoin.capital/2023/09/26/the-dawn-of-on-chain-fhe/.

Walker, Amanda, et al. “Ayudar a las organizaciones a hacer más sin recopilar más datos”. Blog de seguridad en línea de Google, 19 de junio de 2019, security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more-data.html.

“¿Qué es el cifrado homomórfico completo?” Inpher, 11 de abril de 2021, inpher.io/technology/what-is-fully-homomorphic-encryption/.

White, Matt. “Una breve historia de la IA generativa”. Medio, 8 de julio de 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Aunque% 20 más% 20 personas% 20 voluntad% 20 admitir, of% 20 Estabilidad% 20 IA’s% 20 Estable% 20 Difusión.