IOSG Ventures: Sangat dipuji oleh Vitalik, apa potensi FHE fully homomorphic encryption?

Asli oleh Mustafa Hourani

Kompilasi asli: Tim IOSG

Pendahuluan

Memperkenalkan Fully Enkripsi Homomorphic (FHE): Jelajahi aplikasinya yang menarik, keterbatasan, dan perkembangan terbaru yang mendorong popularitasnya. **

Ketika saya (Mustafa) pertama kali mendengar tentang “fully homomorphic encryption” (FHE), saya berpikir tentang kecenderungan ruang Blockchain untuk memberi nama long pada konsep populer. Selama bertahun-tahun, kami telah menemukan kata kunci terpanjang yang telah menyebabkan kegemparan di industri ini, yang terbaru adalah “zk-SNARKs” (ZKP).

Setelah melakukan penelitian dan menjelajahi beberapa perusahaan baru yang membangun produk dengan FHE, saya melihat cakrawala yang penuh dengan alat baru yang brilian. Dalam bulan-bulan dan tahun-tahun mendatang, FHE kemungkinan akan menjadi teknologi besar berikutnya untuk mengambil alih industri, seperti ZKP. Perusahaan memanfaatkan kemajuan terbaru dalam kriptografi dan komputasi awan untuk membuka jalan bagi masa depan yang kuat dan menjaga privasi data. Ini bukan pertanyaan jika, tetapi kapan, dan saya percaya FHE bisa menjadi katalisator utama untuk memajukan privasi dan kepemilikan data.

• "FHE adalah cawan suci kriptografi. Seiring waktu, FHE akan membentuk kembali struktur semua komputasi, baik web2 atau web3. 」*

Apa itu homomorfisme?

Homomorfisme, pertama-tama mari kita pahami arti kata “homomorfisme”. Menelusuri kembali ke akarnya, homomorfisme berasal dari matematika dan didefinisikan sebagai pemetaan antara dua struktur aljabar dari jenis yang sama, yang mempertahankan komponen inti di antara mereka.

Jika Anda seperti saya dan lebih suka definisi praktis, matematika di balik ini adalah bahwa dua kelompok tidak perlu persis sama untuk memiliki sifat inti yang sama. Misalnya, bayangkan dua kotak buah, masing-masing sesuai dengan kelompok yang berbeda:

• Kotak A berisi buah-buahan kecil.
• Kotak B berisi buah-buahan besar.

Meskipun masing-masing buah berbeda ukurannya, membuat jus apel kecil dan jeruk bersama-sama dalam kotak A dapat menghasilkan rasa jus campuran yang sama seperti membuat jus apel besar dan jeruk bersama-sama dalam kotak B. Membuat jus untuk menghasilkan rasa yang sama mirip dengan menjaga satu komponen inti di antara dua kotak. Dengan asumsi bahwa rasa yang sama adalah perhatian utama kita, tidak masalah dari kotak mana kita memeras jus, karena long jus bukanlah fokus kita. Dalam aspek penting (rasa), kedua kelompok itu setara, sehingga perbedaan di antara mereka (ukuran dan kuantitas) tidak mempengaruhi fungsi utama mereka seperti yang didefinisikan oleh kami, yaitu untuk menghasilkan rasa jus tertentu.

Berbeda dengan analogi homomorfik, kami menangkap dua karakteristik utamanya:

• Pemetaan: Kami membuat koneksi antara buah-buahan, di mana setiap buah kecil di kotak A sesuai dengan versi yang lebih besar di kotak B. Jadi, apel kecil di kotak A sesuai dengan apel besar di kotak B, dan seterusnya.
• Operasi Tahan: Jika memeras dua buah kecil di kotak A menghasilkan rasa tertentu, maka meremas versi yang lebih besar di kotak B juga harus menghasilkan rasa yang sama. Terlepas dari perbedaan ukuran dan jumlah jus yang diperoleh, “profil rasa” dipertahankan.

Apa itu fully homomorphic encryption

Menghubungkan ini ke topik sentral artikel ini, fully homomorphic encryption (FHE) adalah metode enkripsi data spesifik yang memungkinkan orang untuk melakukan perhitungan pada data enkripsi tanpa mengekspos data asli. Secara teoritis, analisis dan perhitungan yang dilakukan pada data enkripsi harus menghasilkan hasil yang sama seperti yang dilakukan pada data asli. Dengan FHE, kami membuat koneksi satu-ke-satu antara data dalam himpunan data enkripsi dan data dalam himpunan data asli. Dalam hal ini, retensi komponen inti adalah kemampuan untuk melakukan perhitungan apa pun pada data di kedua dataset dan menghasilkan hasil yang sama.

Dalam hal ini, Xu long telah mengambil tindakan pencegahan untuk melindungi data pengguna dan menjaga privasi diferensial. Perusahaan jarang menyimpan data mentah dan tidak terenkripsi di cloud atau di database mereka. Jadi, bahkan jika penyerang mengendalikan server perusahaan, mereka masih perlu melewati enkripsi untuk membaca dan mengakses data. Namun, ketika data hanya enkripsi dan tidak digunakan, itu tidak menarik. Ketika perusahaan ingin menganalisis data untuk mendapatkan wawasan berharga, mereka tidak punya pilihan selain mendekripsinya. Ketika data didekripsi, itu menjadi rentan. Namun, dengan enkripsi end-to-end, FHE menjadi sangat berguna karena kita tidak perlu lebih lama mendekripsi data untuk menganalisisnya; itu hanya puncak gunung es.

Pertimbangan utama adalah apakah perusahaan harus diizinkan untuk membaca dan menyimpan informasi pribadi kami di tempat pertama. Tanggapan standar Xu long untuk ini adalah bahwa perusahaan perlu melihat data kami di pesanan untuk melayani kami dengan lebih baik.

Jika YouTube tidak menyimpan data seperti histori tontonan dan penelusuran saya, Algoritme tidak dapat mencapai potensi penuhnya dan menampilkan video yang menarik minat saya. Akibatnya, Xu long percaya bahwa trade-off antara privasi data dan akses ke layanan yang lebih baik sangat berharga. Namun, dengan FHE, kita tidak lebih lama harus melakukan trade-off ini. Perusahaan seperti YouTube dapat melatih algoritme mereka pada data enkripsi dan menghasilkan hasil yang sama untuk pengguna akhir tanpa melanggar privasi data. Secara khusus, mereka dapat Enkripsi Homomorphic informasi seperti riwayat tontonan dan penelusuran saya, menganalisisnya tanpa melihatnya, lalu menunjukkan video yang saya minati berdasarkan analisis.

FHE adalah langkah besar untuk membangun masa depan di mana data kami tidak lebih lama komoditas berharga yang kami berikan secara bebas kepada organisasi kami.

Aplikasi fully homomorphic encryption

Fully homomorphic enkripsi (FHE), jika diterapkan dengan benar, akan menjadi terobosan bagi semua industri yang menyimpan data pengguna. Kami melihat teknologi yang dapat mengubah sikap kami secara keseluruhan terhadap privasi data dan batas-batas apa yang dapat diterima oleh perusahaan.

Mari kita mulai dengan mengeksplorasi bagaimana FHE dapat mengubah praktik data dalam perawatan kesehatan. Rumah sakit terpanjang menyimpan catatan pribadi pasien dalam database mereka, yang harus dijaga kerahasiaannya karena alasan etika dan hukum. Namun, informasi ini sangat berharga bagi peneliti medis luar yang dapat menganalisis data untuk deriv wawasan penting tentang penyakit dan perawatan potensial. Hambatan utama untuk memperlambat kemajuan penelitian adalah menjaga kerahasiaan lengkap data pasien saat melakukan outsourcing data kepada peneliti. Ada lebih lama cara untuk menganonimkan atau pseudo-menganonimkan catatan pasien, tetapi tidak ada yang sempurna dan dapat mengungkapkan informasi seseorang terlalu long untuk membuatnya dapat diidentifikasi, atau mungkin tidak mengungkapkan informasi kasus yang cukup untuk membuatnya sulit untuk mendapatkan wawasan yang akurat tentang penyakit ini.

Dengan FHE, rumah sakit dapat Enkripsi Homomorphic data pasien, sehingga lebih mudah untuk melindungi privasi pasien di cloud. Peneliti medis dapat melakukan perhitungan dan menjalankan analitik pada data enkripsi tanpa mengorbankan privasi pasien. Karena ada pemetaan satu-ke-satu antara data enkripsi dan data mentah, hasil yang diperoleh dari dataset enkripsi memberikan wawasan dunia nyata yang dapat diterapkan pada skenario dunia nyata. FHE dapat dengan cepat memajukan industri perawatan kesehatan.

Aplikasi lain yang menarik dari fully homomorphic encryption (FHE) dalam pelatihan kecerdasan buatan (AI) juga patut diperhatikan. Saat ini, ruang AI menghadapi masalah privasi, yang menghambat kemampuan perusahaan untuk mengakses kumpulan data besar dan ekstensif yang sangat penting untuk menyempurnakan algoritma AI. Perusahaan yang melatih AI harus memilih antara menggunakan dataset publik terbatas, membayar banyak uang untuk membeli dataset pribadi, atau membuat dataset, yang sangat menantang bagi perusahaan kecil dengan lebih sedikit pengguna. FHE harus dapat mengatasi masalah privasi yang mencegah penyedia dataset long memasuki pasar ini. Akibatnya, peningkatan FHE cenderung mengarah pada peningkatan jumlah kumpulan data yang tersedia untuk melatih AI. Ini akan membuat pelatihan AI lebih layak secara ekonomi dan disempurnakan, mengingat peningkatan kumpulan data terpanjang yang tersedia.

Dengan FHE, perusahaan dapat melatih model pembelajaran mesin pada data enkripsi tanpa mengungkapkan data aslinya. Ini berarti bahwa pemilik data dapat dengan aman membagikan data enkripsi mereka tanpa khawatir tentang pelanggaran privasi atau penyalahgunaan data. Pada saat yang sama, pelatih model AI dapat meningkatkan Algoritme mereka dengan kumpulan data yang lebih long dan komprehensif yang mungkin tidak tersedia tanpa FHE. Oleh karena itu, fully homomorphic encryption tidak hanya meningkatkan keamanan data, tetapi juga memperluas kemungkinan penelitian dan pengembangan AI, membuat penerapan teknologi AI lebih luas dan efisien.

Cacat fully homomorphic encryption di masa lalu

Sementara fully homomorphic encryption (FHE) berjanji untuk mengubah data besar kontemporer, mengapa kita tidak melihat aplikasi yang lebih long praktis?

Sementara FHE telah menjadi topik diskusi dan penelitian selama bertahun-tahun yang lama, kenyataannya adalah bahwa sangat sulit untuk menerapkan FHE dalam praktik. Tantangan intinya adalah daya komputasi yang diperlukan untuk melakukan FHE. Dataset yang sepenuhnya aman secara homomorfis dapat menghasilkan hasil analitik yang sama seperti dalam bentuk data aslinya. Ini adalah prestasi yang menantang yang membutuhkan banyak kecepatan dan daya komputasi, di mana long tidak praktis untuk diterapkan pada komputer yang ada. Operasi yang biasanya memakan waktu beberapa detik pada data mentah dapat memakan waktu berjam-jam atau bahkan berhari-hari pada himpunan data Enkripsi Homomorphic. Tantangan komputasi ini menciptakan siklus yang mengabadikan diri, dengan insinyur long menunda pelaksanaan proyek FHE, memperlambat pengembangannya dan membatasi realisasi penuh manfaatnya.

Masalah komputasi khusus yang dihadapi para insinyur di FHE adalah berurusan dengan “kesalahan kebisingan”. Saat menghitung himpunan data Enkripsi Homomorphic, insinyur Xu long mengalami situasi di mana setiap perhitungan menghasilkan kebisingan atau kesalahan tambahan. Ini dapat ditoleransi ketika hanya beberapa perhitungan yang diperlukan, tetapi setelah analisis kerinduan, kebisingan bisa menjadi sangat menonjol sehingga data mentah menjadi sulit dipahami. Datanya hampir hilang.

Mengapa sekarang

Sama seperti AI generatif, yang pernah dianggap terbatas dan primitif, sampai menjadi arus utama, fully homomorphic encryption (FHE) berada pada lintasan kemajuan yang sama. long pemimpin industri, dan bahkan mereka yang berada di luar Blockchain, telah berkumpul untuk mengatur banyak penelitian dan pengembangan tentang FHE. Hal ini telah menyebabkan beberapa perkembangan industri baru-baru ini yang telah mendorong narasi menarik dari kemajuan teknologi ini.

PROYEK DPRIF

Pada Maret 2021, Microsoft, Intel, dan Defense Advanced Research Projects Agency (DARPA) sepakat untuk meluncurkan program terpanjang untuk mempercepat pengembangan fully homomorphic encryption (FHE). Inisiatif ini, yang disebut Data Protection in Virtual Environments (DPRIVE), menandai langkah maju yang signifikan bagi FHE. Ini menampilkan dua raksasa industri yang berfokus pada komputasi awan dan perangkat keras komputer yang bergabung untuk mengatasi masalah privasi data. Mereka memulai program untuk membangun komputer dan perangkat lunak yang dapat mengatur kecepatan perhitungan FHE, dan untuk membangun lilin long sumbu untuk menerapkan FHE secara akurat untuk mencegah pelanggaran data yang disebabkan oleh penyalahgunaan.

Sebagai bagian dari inisiatif DPRIVE, para insinyur mengambil tugas untuk mengurangi “kesalahan kebisingan” yang disebutkan di atas dengan mengeksplorasi cara-cara untuk mengurangi kebisingan ke tingkat data asli. Salah satu solusi yang menjanjikan adalah merancang representasi data ukuran kata aritmatika besar (LAWS). Sementara prosesor komputer tradisional (CPU) biasanya menggunakan kata-kata 64-bit, para insinyur sedang mengembangkan perangkat keras LAWS baru yang mampu menangani kata-kata long-bit 1024-bit atau lebih. Metode ini berhasil karena penelitian telah menunjukkan bahwa kata-kata lebih lama secara langsung mempengaruhi rasio signal-to-noise. Sederhananya, kata-kata lebih lama menghasilkan lebih sedikit noise untuk setiap langkah tambahan dalam FHE, memungkinkan lebih banyak perhitungan long dilakukan hingga ambang kehilangan data tercapai. Dengan membangun perangkat keras baru untuk mengatasi tantangan ini, para insinyur yang terlibat dalam program DPRIVE secara signifikan mengurangi beban komputasi yang diperlukan untuk melakukan PHE.

Untuk mempercepat perhitungan dan lebih dekat dengan tujuan membuat FHE 100.000 kali lebih cepat, tim DPRIVE memulai perjalanan berkelanjutan untuk merancang sistem pemrosesan data baru yang melampaui kemampuan unit pemrosesan dan plot konvensional. Mereka mengembangkan sistem longing instruction longing data (MIMD) baru yang mampu mengelola instruksi longing dan kumpulan data secara bersamaan. MIMD mirip dengan membangun jalan raya baru, daripada menggunakan jalan yang tidak sesuai yang ada untuk mengakomodasi aliran yang dibutuhkan oleh perhitungan FHE yang cepat dan real-time.

Salah satu hal yang menarik tentang program DPRIVE adalah penggunaan “paralelisme” yang ekstensif dalam perhitungan matematika komputasi. Ini memungkinkan pengembang untuk melakukan perhitungan angka besar terpanjang pada saat yang bersamaan. Anda dapat menganggap paralelisme sebagai mengerahkan sekelompok matematikawan pada saat yang sama untuk bekerja pada bagian yang berbeda dari masalah matematika besar, daripada meminta mereka melakukan pekerjaan masing-masing satu demi satu. Meskipun perhitungan kerinduan pada saat yang sama dapat membantu menyelesaikan masalah dengan cepat, komputer harus didinginkan lebih pendek untuk mencegah panas berlebih.

Pada September 2022, paling lama satu setengah tahun setelah meluncurkan program tersebut, Microsoft, Intel, dan DARPA mengumumkan bahwa mereka telah berhasil menyelesaikan program DPRIVE tahap pertama. Mereka saat ini sedang mengerjakan DPRIVE tahap kedua.

SDK dan Perpustakaan Sumber Terbuka

Sebagai pelopor perusahaan besar terpanjang fully homomorphic encryption (FHE), jumlah kit pengembangan perangkat lunak (SDK) dan perpustakaan Sumber Terbuka tersedia telah berkembang biak, memungkinkan pengembang untuk membangun pekerjaan satu sama lain.

Microsoft mengumumkan Microsoft Seal, perpustakaan Sumber Terbuka yang menyediakan pengembang dengan alat untuk melakukan Enkripsi Homomorphic pada dataset. Hal ini memungkinkan pengembang yang lebih luas untuk mengeksplorasi FHE, mendemokratisasikan enkripsi end-to-end dan akses ke layanan komputasi. Perpustakaan menyediakan contoh program Enkripsi Homomorphic dengan catatan terperinci untuk memandu pengembang tentang penggunaan yang tepat dan aman.

Intel juga telah meluncurkan Enkripsi Homomorphic Toolkit sendiri untuk menyediakan pengembang dengan alat untuk menerapkan Enkripsi Homomorphic lebih cepat di cloud. Intel telah merancang toolkit agar fleksibel dan kompatibel dengan kemajuan terbaru dalam pemrosesan data dan komputasi. Ini mencakup fungsi yang dirancang khusus untuk kriptografi kisi, integrasi operasional tanpa batas dengan Microsoft Seal, sampel skema Enkripsi Homomorphic, dan dokumentasi teknis untuk memandu pengguna.

Library Private Join and Compute Sumber Terbuka Google menyediakan alat komputasi lebih lama (MPC) kepada developer. Metode perhitungan ini memungkinkan para pihak untuk menggabungkan kumpulan data mereka yang berbeda untuk mendapatkan wawasan bersama tanpa mengekspos data mentah satu sama lain. Private Join and Compute menggabungkan teknologi kriptografi dari FHE dengan Private Set Intersection (PSI) untuk mengoptimalkan praktik privasi data. PSI adalah metode kriptografi lain yang memungkinkan pihak-pihak dengan kumpulan data yang berbeda untuk mengidentifikasi elemen umum atau titik data tanpa mengungkapkan data mereka. Pendekatan Google untuk memajukan privasi data tidak hanya berfokus pada FHE; itu memprioritaskan konsep MPC yang lebih luas dengan mengintegrasikan FHE dengan praktik data berpengaruh lainnya.

Khususnya, ketersediaan perpustakaan Sumber Terbuka terkemuka lilin Long sumbu untuk FHE meningkat. Namun, ini menjadi lebih luar biasa ketika perusahaan terkenal diamati bereksperimen dengan perpustakaan ini dalam operasi mereka. Pada April 2021, Nasdaq, entitas teknologi global terkemuka untuk bursa saham dan Pasar Kapital, memasukkan FHE ke dalam operasinya. Nasdaq memanfaatkan alat FHE Intel dan prosesor berkecepatan tinggi untuk mengatasi kejahatan keuangan melalui upaya AML dan deteksi penipuan. Ini dicapai dengan menggunakan Enkripsi Homomorphic untuk mengidentifikasi wawasan berharga dan aktivitas yang berpotensi ilegal dalam kumpulan data yang berisi informasi sensitif.

Peningkatan modal baru-baru ini

Selain penelitian dan pengembangan yang dilakukan oleh perusahaan-perusahaan tersebut, beberapa perusahaan lain baru-baru ini menerima funding yang signifikan untuk inisiatif yang berfokus pada fully homomorphic encryption (FHE).

Cornami adalah perusahaan teknologi besar yang dikenal karena mengembangkan teknologi komputasi awan terukur yang dirancang khusus untuk Enkripsi Homomorphic. Mereka telah terlibat dalam upaya kerinduan yang bertujuan menciptakan sistem komputasi yang dukungan FHE lebih efisien daripada CPU tradisional. Mereka juga memandu inisiatif yang bertujuan melindungi data enkripsi dari ancaman komputasi kuantum. Pada Mei 2022, Cornami mengumumkan keberhasilan penyelesaian putaran funding Seri C-nya, mengumpulkan $68 juta yang dipimpin oleh SoftBank, sehingga total modalnya menjadi $150 juta.

Zama, perusahaan lain di industri Blockchain, sedang membangun alat Sumber Terbuka Enkripsi Homomorphic yang dapat dimanfaatkan pengembang untuk membangun aplikasi menarik menggunakan FHE, Blockchain, dan AI. Zama telah membangun Ethereum Virtual Machine homomorfik sepenuhnya (fhEVM) sebagai bagian dari penawaran produknya. Ini smart contract protokol menyimpan data transaksi on-chain enkripsi selama pemrosesan. Pengembang berbagai aplikasi yang menjelajahi perpustakaan Zama terkesan dengan kinerjanya, bahkan dalam kasus penggunaan yang kompleks. Zama berhasil menutup putaran funding Seri A senilai $42 juta yang dipimpin oleh Protocol Labs pada Februari 2022, sehingga total modalnya menjadi $50 juta.

Fhenix juga merupakan proyek baru yang membawa FHE ke Blockchain. Tujuan mereka adalah untuk memperluas aplikasi FHE di luar pembayaran pribadi, membuka pintu untuk kasus penggunaan yang menarik untuk FHE di berbagai bidang seperti DeFi (Keuangan Desentralisasi), bridge, pemungutan suara tata kelola, dan game Web3. Pada September 2023, Fhenix mengumumkan penutupan putaran benih senilai $7 juta yang dipimpin oleh Multicoin Capital dan Collider Ventures.

Apa yang terjadi selanjutnya

Selama bertahun-tahun, fully homomorphic encryption (FHE) telah menjadi ide yang menjanjikan enkripsi end-to-end yang kuat, menggembar-gemborkan masa depan privasi data yang kuat. Perkembangan terakhir mulai memindahkan FHE dari mimpi teoritis ke aplikasi dunia nyata. Sementara perusahaan bersaing untuk menjadi yang pertama menerapkan versi FHE yang kuat dan berfitur lengkap, perusahaan Xu long berkolaborasi untuk menavigasi kompleksitas teknologi yang kuat ini. Semangat kolaboratif ini terbukti melalui implementasi berbagai proyek lintas tim dan pengembangan perpustakaan Sumber Terbuka yang terintegrasi dengan perpustakaan lain.

Dari apa yang saya temukan, diskusi seputar FHE tampaknya jauh jangkauannya. Selama beberapa minggu ke depan, saya bersemangat untuk menyelam lebih dalam dan berbagi kerinduan wawasan saya tentang penelitian FHE. Secara khusus, saya ingin menjelajahi konten terpanjang tentang topik-topik berikut:

Aplikasi FHE yang muncul:

• Interaksi antara zk-SNARKs (ZKP) dan FHE.
• Mengintegrasikan FHE dengan Private Collection Intersection (PSI) untuk memfasilitasi komputasi lebih lama yang aman (MPC).
• Perusahaan baru seperti Zama dan Fhenix utama jalan di ruang FHE.

Referensi:

Arampatzis, Anastasios. “Perkembangan Terbaru di Enkripsi Homomorphic.” Venafi, 1 Februari 2022, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

Arampatzis, Anastasios. “Apa itu Enkripsi Homomorphic & bagaimana cara menggunakannya.” Venafi, 28 April 2023, venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.

“Membangun Perangkat Keras untuk Memungkinkan Perlindungan Data Berkelanjutan.” DARPA, 2 Maret 2020,www.darpa.mil/news-events/2020-03-02.

Cristobal, Samuel. “Sepenuhnya Enkripsi Homomorphic: Cawan Suci Kriptografi.” Datascience.Aero, 7 Januari 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

“Enkripsi Homomorphic: Apa itu, dan mengapa itu penting?” Internet Society, 9 Maret 2023,www.internetsociety.org/resources/doc/2023/homomorphic-enkripsi/.

Berburu, James. “FHENIX mengumpulkan $ 7 juta pada tahun Seed Round dipimpin oleh Multicoin Capital.” The Blok, The Blok, 26 September 2023,www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

“Perangkat Enkripsi Homomorphic Intel®.” Intel, diakses 8 Oktober 2023,www.intel.com/content/www/us/en/developer/tools/homomorphic-enkripsi/overview.html#gs.fu 55 im.

“Intel akan berkolaborasi dengan Microsoft pada PROGRAM DARPA.” Intel, 8 Maret 2021,www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

“Intel Xeon Memajukan R&D Enkripsi Homomorphic NASDAQ.” Intel, 6 April 2021,www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-enkripsi-rd.html#gs.6 mpgme.

Johnson, Rick. “Intel Menyelesaikan DARPA DPRIVE Fase Satu Milestone untuk Platform Enkripsi Homomorphic Sepenuhnya.” Intel, 14 September 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: Perpustakaan Enkripsi Homomorphic yang Cepat dan Mudah Digunakan.” Microsoft Research, 4 Januari 2023,www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr. Pascal. “Sepenuhnya Enkripsi Homomorphic: Cawan Suci Kriptografi.” Business Age, 9 Mar. 2023,www.businessage.com/post/fully-homomorphic-enkripsi-the-holy-grail-of-cryptography.

Samani, Kyle. “Fajar FHE On-Chain.” Multicoin Capital, 26 September 2023, multicoin.capital/2023/09/26/the-dawn-of-on-chain-fhe/.

Walker, Amanda, et al. “Membantu Organisasi Melakukan Lebih Banyak Tanpa Mengumpulkan Lebih Banyak Data.” Blog Keamanan Online Google, 19 Juni 2019, security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more-data.html.

“Apa yang sepenuhnya Enkripsi Homomorphic?” Inpher, 11 April 2021, inpher.io/technology/what-is-fully-homomorphic-encryption/.

White, Matt. “Sejarah Singkat AI Generatif.” Sedang, 8 Juli 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Meskipun% 20 paling% 20 orang% 20 akan% 20 mengakui, dari% 20 Stabilitas% 20 AI% 20 Stabil% 20 Difusi.