IOSG Ventures: Muito elogiado por Vitalik, qual é o potencial da FHE encriptação totalmente homomórfica?

Original por Mustafa Hourani

Compilação original: IOSG team

Introdução

Apresentando o Fully Criptografia homomórfica (FHE): Explore seus aplicativos empolgantes, limitações e os desenvolvimentos mais recentes que impulsionam sua popularidade. **

Quando eu (Mustafa) ouvi falar pela primeira vez de “encriptação totalmente homomórfica” (FHE), pensei na tendência do espaço Blockchain de dar nomes longo a conceitos populares. Ao longo dos anos, deparamo-nos com chavões mais longos que causaram agitação na indústria, sendo o mais recente “zk-SNARKs” (ZKP).

Depois de fazer algumas pesquisas e explorar algumas das novas empresas que constroem produtos com a FHE, notei um horizonte cheio de novas ferramentas brilhantes. Nos próximos meses e anos, a FHE provavelmente será a próxima grande tecnologia a conquistar a indústria, assim como a ZKP. As empresas estão aproveitando os mais recentes avanços em criptografia e computação em nuvem para abrir caminho para um futuro forte e que preserve a privacidade dos dados. Não é uma questão de se, mas quando, e acredito que a FHE pode ser um catalisador fundamental para levar a privacidade e a propriedade de dados adiante.

• "FHE é o Santo Graal da criptografia. Com o tempo, a FHE irá remodelar a estrutura de toda a computação, seja web2 ou web3. 」*

O que é um homomorfismo

Homomorfismo, vamos primeiro entender o significado da palavra “homomorfismo”. Traçando de volta às suas raízes, o homomorfismo originou-se na matemática e é definido como um mapeamento entre duas estruturas algébricas do mesmo tipo, que mantém um componente central entre elas.

Se você é como eu e prefere uma definição prática, a matemática por trás disso é que dois grupos não precisam ser exatamente iguais para ter as mesmas propriedades principais. Por exemplo, imagine duas caixas de frutas, cada uma correspondendo a um grupo diferente:

• A caixa A contém frutos pequenos.
• A caixa B contém frutos grandes.

Embora as frutas individuais sejam diferentes em tamanho, espremer maçãs pequenas e laranjas juntas na caixa A pode produzir o mesmo sabor de suco misto que espremer maçãs grandes e laranjas juntas na caixa B. Espremer para produzir o mesmo sabor é semelhante a manter um componente central entre duas caixas. Assumindo que o mesmo sabor é a nossa principal preocupação, não importa de qual caixa espremer o sumo, porque a longo do sumo não é o nosso foco. Num aspeto importante (sabor), os dois grupos são equivalentes, pelo que as diferenças entre eles (tamanho e quantidade) não afetam a sua principal função definida por nós, que é produzir um sabor específico de sumo.

Em contraste com a analogia homomórfica, capturamos duas de suas principais características:

• Mapeamento: Fizemos uma conexão entre os frutos, onde cada pequeno fruto na caixa A corresponde a uma versão maior na caixa B. Assim, a maçã pequena na caixa A corresponde à maçã grande na caixa B, e assim por diante.
• Operação Hold: Se espremer duas frutas pequenas na caixa A produz um sabor específico, então espremer sua versão maior correspondente na caixa B também deve produzir o mesmo sabor. Apesar das diferenças no tamanho e quantidade de suco obtido, o “perfil de sabor” é mantido.

O que é encriptação totalmente homomórfica

Vinculando isso ao tópico central deste artigo, encriptação totalmente homomórfica (FHE) é um método de encriptação de dados específico que permite que as pessoas realizem cálculos em encriptação dados sem expor os dados originais. Teoricamente, a análise e os cálculos realizados sobre os dados encriptação devem produzir os mesmos resultados que os realizados nos dados originais. Com FHE, criamos uma conexão um-para-um entre os dados no conjunto de dados encriptação e os dados no conjunto de dados original. Neste caso, a retenção do componente principal é a capacidade de executar qualquer cálculo nos dados em qualquer conjunto de dados e produzir o mesmo resultado.

A este respeito, Xu longo tomou precauções para proteger os dados do usuário e manter a privacidade diferencial. As empresas raramente armazenam dados brutos e não criptografados na nuvem ou em seus bancos de dados. Portanto, mesmo que um invasor assuma o controle dos servidores de uma empresa, ele ainda precisa ignorar encriptação para ler e acessar os dados. No entanto, quando os dados são apenas encriptação e não são utilizados, não são interessantes. Quando as empresas querem analisar dados para obter informações valiosas, elas não têm escolha a não ser descriptografá-los. Quando os dados são desencriptados, tornam-se vulneráveis. No entanto, com encriptação de ponta a ponta, o FHE se torna muito útil porque não precisamos mais longo descriptografar dados para analisá-los, isso é apenas a ponta do iceberg.

Uma consideração fundamental é se as empresas devem ser autorizadas a ler e armazenar nossas informações pessoais em primeiro lugar. A resposta padrão da Xu longo a isso é que as empresas precisam ver nossos dados de ordem para nos servir melhor.

Se o YouTube não armazenar dados como o meu histórico de visualização e pesquisa, o Algoritmo não poderá atingir todo o seu potencial e mostrar-me vídeos que me interessam. Como resultado, Xu longo acredita que o trade-off entre privacidade de dados e acesso a melhores serviços vale a pena. No entanto, com a FHE, não temos mais longo de fazer este trade-off. Empresas como o YouTube podem treinar seus algoritmos em dados encriptação e produzir os mesmos resultados para os usuários finais sem violar a privacidade dos dados. Especificamente, eles podem Criptografia homomórfica informações como meu relógio e histórico de pesquisa, analisá-las sem visualizá-las e, em seguida, me mostrar os vídeos em que estou interessado com base na análise.

A FHE é um grande passo para a construção de um futuro onde os nossos dados não são mais longo uma mercadoria valiosa que damos gratuitamente às nossas organizações.

Aplicações de encriptação totalmente homomórfica

O encriptação totalmente homomórfico (FHE), se aplicado corretamente, seria um avanço para todas as indústrias que armazenam dados do usuário. Estamos a estudar uma tecnologia que possa mudar a nossa atitude geral em relação à privacidade de dados e aos limites do que é aceitável para as empresas.

Vamos começar explorando como a FHE pode transformar as práticas de dados na área da saúde. Os hospitais mais longos mantêm registos privados dos pacientes nas suas bases de dados, que devem ser mantidos confidenciais por razões éticas e legais. No entanto, essas informações são altamente valiosas para pesquisadores médicos externos que podem analisar os dados para derivar insights importantes sobre a doença e possíveis tratamentos. Um grande obstáculo para retardar o progresso de um estudo é manter a total confidencialidade dos dados dos pacientes ao terceirizar dados para pesquisadores. Existem mais longo maneiras de anonimizar ou pseudo-anonimizar os registros dos pacientes, mas nenhuma delas é perfeita e pode revelar as informações de alguém muito longo para torná-las identificáveis, ou pode não revelar informações de casos suficientes para dificultar a obtenção de insights precisos sobre a doença.

Com a FHE, os hospitais podem Criptografia homomórfica dados dos pacientes, facilitando a proteção da privacidade dos pacientes na nuvem. Os pesquisadores médicos podem realizar cálculos e executar análises em encriptação dados sem comprometer a privacidade do paciente. Como há um mapeamento um-para-um entre os dados encriptação e os dados brutos, os resultados obtidos do conjunto de dados encriptação fornecem insights do mundo real que podem ser aplicados a cenários do mundo real. A FHE pode avançar rapidamente no setor de saúde.

Outra aplicação empolgante do encriptação totalmente homomórfica (FHE) no treinamento de inteligência artificial (IA) também merece atenção. Atualmente, o espaço de IA enfrenta preocupações de privacidade, o que dificulta a capacidade das empresas de acessar grandes e extensos conjuntos de dados que são críticos para refinar os algoritmos de IA. As empresas que treinam IA devem escolher entre usar um conjunto de dados público limitado, pagar muito dinheiro para comprar um conjunto de dados privado ou criar um conjunto de dados, o que é especialmente desafiador para empresas menores com menos usuários. A FHE deve ser capaz de resolver as preocupações de privacidade que impedem os fornecedores de conjuntos de dados longo de entrar neste mercado. Como resultado, as melhorias na FHE provavelmente levarão a um aumento no número de conjuntos de dados disponíveis para treinar IA. Tal tornará a formação em IA economicamente mais viável e aperfeiçoada, dado o aumento do maior número de conjuntos de dados disponíveis.

Com a FHE, as empresas podem treinar modelos de aprendizado de máquina em encriptação dados sem revelar os dados originais. Isso significa que os proprietários de dados podem compartilhar com segurança seus dados encriptação sem se preocupar com violações de privacidade ou uso indevido de dados. Ao mesmo tempo, os instrutores de modelos de IA podem melhorar seus Algoritmo com conjuntos de dados mais longo e abrangentes que podem não estar disponíveis sem FHE. Portanto, encriptação totalmente homomórfica não só melhora a segurança dos dados, mas também amplia as possibilidades de pesquisa e desenvolvimento de IA, tornando a aplicação da tecnologia de IA mais ampla e eficiente.

Defeitos de encriptação totalmente homomórfica no passado

Embora a encriptação totalmente homomórfica (FHE) prometa transformar o big data contemporâneo, por que não vimos mais longo aplicações práticas?

Embora a FHE seja um tema de discussão e pesquisa há mais anos, a realidade é que é muito difícil implementar a FHE na prática. O principal desafio é o poder de computação necessário para executar FHE. Um conjunto de dados totalmente homomorficamente seguro pode produzir os mesmos resultados analíticos que em sua forma de dados original. Este é um feito desafiador que requer muita velocidade computacional e poder, onde longo é impraticável de implementar em computadores existentes. Operações que normalmente levam segundos em dados brutos podem levar horas ou até dias em conjuntos de dados Criptografia homomórfica. Este desafio computacional criou um ciclo auto-perpetuante, com engenheiros longo atrasando a realização do projeto FHE, retardando o seu desenvolvimento e limitando a plena realização dos seus benefícios.

Um problema computacional específico que os engenheiros enfrentam na FHE é lidar com “erros de ruído”. Ao calcular Criptografia homomórfica conjuntos de dados, os engenheiros da Xu longo encontraram situações em que cada cálculo gera ruído ou erros adicionais. Isto é tolerável quando são necessários apenas alguns cálculos, mas depois de longas análises, o ruído pode tornar-se tão proeminente que os dados brutos se tornam difíceis de compreender. Os dados estão quase perdidos.

Porquê agora

Assim como a IA generativa, que já foi considerada limitada e primitiva, até se tornar mainstream, a encriptação totalmente homomórfica (FHE) estava em uma trajetória semelhante de progresso. longo líderes da indústria, e até mesmo aqueles além de Blockchain, se uniram para organizar muita pesquisa e desenvolvimento sobre FHE. Isso levou a vários desenvolvimentos recentes da indústria que impulsionaram a narrativa convincente desse avanço tecnológico.

PROJETO DPRIVE

Em março de 2021, a Microsoft, a Intel e a Defense Advanced Research Projects Agency (DARPA) concordaram em lançar um programa mais longo para acelerar o desenvolvimento de encriptação totalmente homomórfica (FHE). A iniciativa, denominada Proteção de Dados em Ambientes Virtuais (DPRIVE), marca um avanço significativo para a FHE. Ele mostra dois gigantes do setor focados em computação em nuvem e hardware de computador unindo forças para lidar com questões de privacidade de dados. Eles iniciaram o programa para construir computadores e software que pudessem gerenciar a velocidade dos cálculos FHE, e para estabelecer velas de longo pavio para implementar com precisão FHE para evitar violações de dados causadas pelo uso indevido.

Como parte da iniciativa DPRIVE, os engenheiros assumiram a tarefa de mitigar os “erros de ruído” acima mencionados, explorando maneiras de reduzir o ruído ao nível dos dados originais. Uma solução promissora é projetar grandes representações de dados de tamanho aritmético de palavras (LAWS). Enquanto os processadores de computador tradicionais (CPUs) normalmente usam palavras de 64 bits, os engenheiros estão desenvolvendo um novo hardware LAWS capaz de lidar com palavras de 1024 bits ou mais de longo bits. Este método funciona porque estudos mostraram que mais longo palavras afetam diretamente a relação sinal-ruído. Simplificando, mais longo palavras produzem menos ruído para cada etapa adicional na FHE, permitindo que mais cálculos de longo sejam realizados até que o limite de perda de dados seja atingido. Ao construir um novo hardware para enfrentar esses desafios, os engenheiros envolvidos no programa DPRIVE reduziram significativamente a carga computacional necessária para executar o PHE.

Para acelerar os cálculos e se aproximar do objetivo de tornar a FHE 100.000 vezes mais rápida, a equipe DPRIVE embarcou em uma jornada contínua para projetar novos sistemas de processamento de dados que vão além das capacidades das unidades convencionais de processamento e plotagem. Eles desenvolveram um novo sistema de dados de saudade de instrução de saudade (MIMD) capaz de gerenciar instruções de saudade e conjuntos de dados simultaneamente. O MIMD é semelhante à construção de uma nova rodovia, em vez de usar uma estrada inadequada existente para acomodar o fluxo exigido pelos cálculos rápidos e em tempo real da FHE.

Uma das coisas interessantes sobre o programa DPRIVE é o seu uso extensivo de “paralelismo” em cálculos matemáticos computacionais. Isso permite que os desenvolvedores executem cálculos de números grandes mais longos ao mesmo tempo. Você pode pensar em paralelismo como implantar um grupo de matemáticos ao mesmo tempo para trabalhar em diferentes partes de um enorme problema matemático, em vez de fazê-los fazer seus respetivos trabalhos um após o outro. Embora os cálculos de saudade ao mesmo tempo possam ajudar a resolver problemas rapidamente, os computadores devem ser refrigerados por mais tempo para evitar o superaquecimento.

Em setembro de 2022, mais de um ano e meio após o lançamento do programa, Microsoft, Intel e DARPA anunciaram que haviam concluído com sucesso a primeira fase do programa DPRIVE. Estão atualmente a trabalhar na segunda fase do DPRIVE.

SDK e bibliotecas Código aberto

Como a mais longa das grandes empresas pioneiras encriptação totalmente homomórfica (FHE), o número de kits de desenvolvimento de software (SDKs) e bibliotecas Código aberto disponíveis tem proliferado, permitindo que os desenvolvedores desenvolvam o trabalho uns dos outros.

A Microsoft anunciou o Microsoft Seal, uma biblioteca de Código aberto que fornece aos desenvolvedores ferramentas para executar Criptografia homomórfica em conjuntos de dados. Isso permite que uma gama mais ampla de desenvolvedores explore a FHE, democratizando a encriptação de ponta a ponta e o acesso a serviços de computação. A biblioteca fornece exemplos de programas Criptografia homomórfica com notas detalhadas para orientar os desenvolvedores sobre o uso adequado e seguro.

A Intel também lançou seu próprio Criptografia homomórfica Toolkit para fornecer aos desenvolvedores ferramentas para implementar Criptografia homomórfica mais rápido na nuvem. A Intel projetou o kit de ferramentas para ser flexível e compatível com os mais recentes avanços em processamento de dados e computação. Ele inclui funções adaptadas especificamente para criptografia de rede, integração operacional perfeita com o Microsoft Seal, amostras de esquemas de Criptografia homomórfica e documentação técnica para orientar os usuários.

A biblioteca Private Join and Compute Código aberto do Google fornece aos desenvolvedores ferramentas de computação mais longo (MPC). Esse método de computação permite que as partes combinem seus conjuntos de dados díspares para obter insights compartilhados sem expor os dados brutos uns aos outros. Private Join and Compute combina tecnologia criptográfica da FHE com Private set Intersection (PSI) para otimizar as práticas de privacidade de dados. PSI é outro método criptográfico que permite que partes com diferentes conjuntos de dados identifiquem elementos ou pontos de dados comuns sem revelar seus dados. A abordagem do Google para promover a privacidade de dados não se concentra apenas na FHE, ela prioriza o conceito mais amplo de MPC integrando a FHE com outras práticas de dados influentes.

Notavelmente, a disponibilidade da respeitável biblioteca de Código aberto de Longo pavio vela para a FHE está aumentando. No entanto, isso se torna ainda mais notável quando empresas conhecidas são observadas experimentando essas bibliotecas em suas operações. Em abril de 2021, a Nasdaq, uma entidade global de tecnologia proeminente para bolsas de valores e Mercado de capitais, incorporou a FHE em suas operações. A Nasdaq aproveita as ferramentas FHE e os processadores de alta velocidade da Intel para combater o crime financeiro por meio de esforços de AML e deteção de fraudes. Isto é conseguido usando Criptografia homomórfica para identificar informações valiosas e atividades potencialmente ilegais em conjuntos de dados que contêm informações confidenciais.

Recente angariação de capital

Além da pesquisa e desenvolvimento realizados pelas empresas acima mencionadas, várias outras empresas receberam recentemente financiamento significativas para iniciativas focadas em encriptação totalmente homomórfica (FHE).

A Cornami é uma grande empresa de tecnologia conhecida por desenvolver tecnologias escaláveis de computação em nuvem projetadas especificamente para Criptografia homomórfica. Eles têm estado envolvidos em esforços de longa duração destinados a criar sistemas de computação que suporte FHE de forma mais eficiente do que as CPUs tradicionais. Eles também orientam iniciativas destinadas a proteger encriptação dados contra ameaças da computação quântica. Em maio de 2022, a Cornami anunciou a conclusão bem-sucedida de sua rodada Série C financiamento, levantando US$ 68 milhões liderados pelo SoftBank, elevando seu capital total para US$ 150 milhões.

A Zama, outra empresa do setor de Blockchain, está construindo ferramentas Código aberto Criptografia homomórfica que os desenvolvedores podem aproveitar para criar aplicativos interessantes usando FHE, Blockchain e IA. A Zama construiu um Máquina Virtual Ethereum totalmente homomórfico (fhEVM) como parte de sua oferta de produtos. Esse contratos inteligentes protocolo mantém na cadeia dados de transação encriptação durante o processamento. Os desenvolvedores de vários aplicativos que exploram a biblioteca Zama ficaram impressionados com seu desempenho, mesmo em casos de uso complexos. A Zama fechou com sucesso uma rodada de financiamento Série A de US$ 42 milhões liderada pela Protocol Labs em fevereiro de 2022, elevando seu capital total para US$ 50 milhões.

Fhenix também é um projeto emergente que está trazendo a FHE para o Blockchain. O seu objetivo é expandir as aplicações FHE para além dos pagamentos privados, abrindo a porta a casos de uso interessantes para a FHE em áreas como DeFi (Finanças Descentralizadas), ponte, votação de governação e jogos Web3. Em setembro de 2023, a Fhenix anunciou o fechamento de uma rodada seed de US$ 7 milhões liderada pela Multicoin Capital e Collider Ventures.

O que acontece a seguir

Por longos anos, encriptação totalmente homomórfica (FHE) tem sido uma ideia que promete fortes encriptação de ponta a ponta, anunciando um futuro de forte privacidade de dados. Os desenvolvimentos recentes estão a começar a mover a FHE de um sonho teórico para uma aplicação no mundo real. Enquanto as empresas estão competindo para serem as primeiras a implementar uma versão poderosa e completa do FHE, Xu longo empresas estão colaborando para navegar pelas complexidades dessa poderosa tecnologia. Este espírito colaborativo é evidente através da implementação de vários projetos entre equipas e do desenvolvimento de bibliotecas Código aberto que se integram com outras bibliotecas.

Pelo que descobri, a discussão em torno da FHE parece ser de longo alcance. Ao longo das próximas semanas, estou animado para mergulhar mais fundo e compartilhar minhas perceções sobre a pesquisa FHE. Especificamente, estou ansioso para explorar o conteúdo mais longo sobre os seguintes tópicos:

Aplicações emergentes da FHE:

• Interação entre zk-SNARKs (ZKPs) e FHE.
• Integrar FHE com Private Collection Intersection (PSI) para facilitar a computação segura mais longo (MPC).
• Novas empresas como Zama e Fhenix estão principal caminho no espaço FHE.

Referência:

Arampatzis, Anastácio. “Últimos desenvolvimentos em Criptografia homomórfica.” Venafi, 1 fev 2022, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

Arampatzis, Anastácio. “O que é Criptografia homomórfica ou como é usado.” Venafi, 28 abr. 2023, venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.

“Criação de hardware para permitir proteções contínuas de dados.” DARPA, 2 de março de 2020, www.darpa.mil/news-events/2020-03-02.

Cristóbal, Samuel. “Totalmente Criptografia homomórfica: O Santo Graal da Criptografia.” Datascience.Aero, 7 de janeiro de 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

“Criptografia homomórfica: O que é e por que é importante?” Internet Society, 9 de março de 2023, www.internetsociety.org/resources/doc/2023/homomorphic-encriptação/.

Caça, Tiago. “FHENIX levanta US$ 7 milhões em Ronda de semente liderada pela Multicoin Capital.” The Bloco, The Bloco, 26 de setembro de 2023, www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

“Kit de ferramentas Criptografia homomórfica Intel®.” Intel, acessado em 8 de outubro de 2023,www.intel.com/content/www/us/en/developer/tools/homomorphic-encriptação/overview.html#gs.fu 55 im.

“Intel colaborará com a Microsoft no PROGRAMA DARPA.” Intel, 8 de março de 2021,www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

“Intel Xeon avança Criptografia homomórfica P&D da NASDAQ.” Intel, 6 de abril de 2021,www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-encriptação-rd.html#gs.6 mpgme.

Johnson, Rick. “A Intel conclui o marco da primeira fase do DARPA DPRIVE para uma plataforma totalmente Criptografia homomórfica.” Intel, 14 de setembro 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 Criptografia homomórfica rápida e fácil de usar.” Microsoft Research, 4 de janeiro de 2023,www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr. Pascal. “Totalmente Criptografia homomórfica: O Santo Graal de Criptografia.” Business Age, 9 de março de 2023,www.businessage.com/post/fully homomorphic-encriptação-the-holy-grail-of-cryptography.

Samani, Kyle. “O Alvorecer da FHE On-Chain.” Multicoin Capital, 26 de setembro de 2023, multicoin.capital/2023/09/26/the-dawn-of-na cadeia-fhe/.

“Ajudar as organizações a fazer mais sem coletar mais dados.” Google Online Security Blog, 19 de junho de 2019, security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more-data.html.

“O que é totalmente Criptografia homomórfica?” Inpher, 11 abr. 2021, inpher.io/technology/what-is-fully-homomorphic-encryption/.

White, Matt. “Uma Breve História da IA Generativa.” Medium, 8 de julho de 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Embora% 20 most% 20 pessoas% 20 will% 20 admit, of% 20 Estabilidade% 20 AI’s % 20 Estável% 20 Difusão.