IOSG Ventures: Високо оцінений Віталіком, який потенціал FHE повністю гомоморфне шифрування?

Оригінал Мустафа Хурані

Оригінальна добірка: команда IOSG

Вступ

Представляємо Fully Гомоморфне шифрування (FHE): ознайомтеся з його захоплюючими програмами, обмеженнями та останніми розробками, що сприяють його популярності. **

Коли я (Мустафа) вперше почув про «повністю гомоморфне шифрування» (FHE), я подумав про тенденцію простору Блокчейн давати лонг назви популярним концепціям. Протягом багатьох років ми стикалися з найдовшими модними словами, які викликали ажіотаж у галузі, останнім з яких було «zk-SNARKs» (ZKP).

Провівши невелике дослідження та вивчивши деякі нові компанії, які створюють продукти за допомогою FHE, я помітив горизонт, повний чудових нових інструментів. У найближчі місяці та роки FHE, ймовірно, стане наступною великою технологією, яка захопить галузь штурмом, як і ZKP. Компанії використовують останні досягнення в галузі криптографії та хмарних обчислень, щоб прокласти шлях до сильного майбутнього, що зберігає конфіденційність даних. Питання не в тому, чи це станеться, а в тому, коли, і я вважаю, що FHE може стати ключовим каталізатором для просування конфіденційності та права власності на дані.

• «FHE – це святий Грааль криптографії. З часом FHE змінить структуру всіх обчислень, будь то web2 або web3. 」*

Що таке гомоморфізм

Гомоморфізм, давайте спочатку розберемося в значенні слова «гомоморфізм». Простежуючи своє коріння, гомоморфізм виник у математиці і визначається як відображення між двома алгебраїчними структурами одного типу, яке зберігає основний компонент між ними.

Якщо ви, як і я, віддаєте перевагу практичному визначенню, математика полягає в тому, що дві групи не обов’язково повинні бути абсолютно однаковими, щоб мати однакові основні властивості. Наприклад, уявіть собі дві коробки з фруктами, кожна з яких відповідає окремій групі:

• Коробка А містить дрібні плоди.
• Коробка Б містить великі плоди.

Незважаючи на те, що окремі плоди відрізняються за розміром, вичавлювання соку з маленьких яблук і апельсинів разом у коробці А може отримати такий самий смак змішаного соку, як і вичавлювання соку з великих яблук і апельсинів разом у коробці В. Вичавлювання соку для отримання однакового смаку схоже на зберігання одного основного компонента між двома коробками. Якщо припустити, що один і той же смак є нашою головною турботою, не має значення, з якої коробки ми вичавлюємо сік, тому що лонг соку не є нашим фокусом. У важливому аспекті (смак) ці дві групи рівнозначні, тому відмінності між ними (розмір і кількість) не впливають на їх основну функцію, визначену нами, яка полягає у створенні специфічного смаку соку.

На противагу гомоморфній аналогії, ми фіксуємо дві її основні характеристики:

• Картографування: Ми встановили зв’язок між фруктами, де кожен маленький плід у коробці А відповідає більшій версії в коробці В. Так, маленьке яблуко в коробці А відповідає великому яблуку в коробці В і так далі.
• Утримання операції: Якщо стискання двох маленьких фруктів у коробці A дає певний смак, то стискання їх відповідної більшої версії в коробці B також має отримати такий самий смак. Незважаючи на відмінності в розмірі і кількості одержуваного соку, «смаковий профіль» зберігається.

Що таке повністю гомоморфне шифрування

Пов’язуючи це з центральною темою цієї статті, повністю гомоморфне шифрування (FHE) — це специфічний метод шифрування даних, який дозволяє людям виконувати обчислення на шифрування даних без розкриття вихідних даних. Теоретично аналіз і розрахунки, виконані на шифрування даних, повинні давати ті ж результати, що і ті, що виконуються на вихідних даних. За допомогою FHE ми створюємо зв’язок один до одного між даними в наборі даних шифрування та даними у вихідному наборі даних. У цьому випадку збереження основного компонента - це можливість виконувати будь-які обчислення над даними в будь-якому наборі даних і видавати один і той же результат.

У зв’язку з цим Сюй лонг вжив запобіжних заходів для захисту даних користувачів і збереження диференційованої конфіденційності. Компанії рідко зберігають необроблені, незашифровані дані в хмарі або у своїх базах даних. Таким чином, навіть якщо зловмисник візьме контроль над серверами компанії, йому все одно потрібно обійти шифрування для зчитування та доступу до даних. Однак, коли дані тільки шифрування і не використовуються, це не цікаво. Коли компанії хочуть проаналізувати дані, щоб отримати цінну інформацію, у них немає іншого вибору, окрім як розшифрувати їх. Коли дані розшифровуються, вони стають вразливими. Однак при наскрізному шифрування FHE стає дуже корисним, тому що нам не лонгуючий потрібно розшифровувати дані, щоб їх проаналізувати; це лише верхівка айсберга.

Ключовим фактором є те, чи слід взагалі дозволяти компаніям читати та зберігати нашу особисту інформацію. Стандартна відповідь Сюй лонг на це полягає в тому, що компанії повинні бачити наші дані в ордер, щоб краще обслуговувати нас.

Якщо YouTube не зберігає такі дані, як історія переглядів і пошуку, Алгоритм не зможе повністю розкрити свій потенціал і показувати відео, які мене цікавлять. Як наслідок, Сюй лонг вважає, що компроміс між конфіденційністю даних і доступом до кращих послуг того вартий. Однак з FHE нам не лонгуючий доведеться йти на цей компроміс. Такі компанії, як YouTube, можуть навчати свої алгоритми на шифрування даних і видавати однакові результати для кінцевих користувачів, не порушуючи конфіденційності даних. Зокрема, вони можуть Гомоморфне шифрування таку інформацію, як моя історія переглядів і пошуку, аналізувати її, не переглядаючи, а потім показувати мені відео, які мене цікавлять, на основі аналізу.

FHE – це важливий крок на шляху до побудови майбутнього, в якому наші дані не будуть лонгуючий цінним товаром, який ми вільно даруємо нашим організаціям.

Застосування повністю гомоморфне шифрування

Повністю гомоморфний шифрування (FHE), при правильному застосуванні, стане проривом для всіх галузей, які зберігають дані користувачів. Ми розглядаємо технологію, яка може змінити наше загальне ставлення до конфіденційності даних і меж того, що є прийнятним для компаній.

Давайте почнемо з вивчення того, як FHE може трансформувати практику роботи з даними в охороні здоров’я. Найдовше лікарні зберігають приватні записи пацієнтів у своїх базах даних, які повинні зберігатися конфіденційними з етичних та юридичних міркувань. Однак ця інформація є дуже цінною для зовнішніх медичних дослідників, які можуть проаналізувати дані, щоб отримання важливу інформацію про хворобу та потенційні методи лікування. Основною перешкодою для уповільнення прогресу дослідження є збереження повної конфіденційності даних пацієнтів при передачі даних на аутсорсинг дослідникам. Існує лонгуючий способів анонімізувати або псевдоанонімізувати записи пацієнтів, але жоден з них не є досконалим і може розкрити чиюсь інформацію занадто лонг, щоб її можна було ідентифікувати, або може розкрити недостатньо інформації про випадок, щоб ускладнити отримання точної інформації про хворобу.

За допомогою FHE лікарні можуть Гомоморфне шифрування дані пацієнтів, що полегшує захист конфіденційності пацієнтів у хмарі. Медичні дослідники можуть виконувати обчислення та проводити аналітику на основі шифрування даних без шкоди для конфіденційності пацієнтів. Оскільки існує індивідуальне зіставлення між шифрування даними та необробленими даними, результати, отримані з набору даних шифрування, надають реальну інформацію, яку можна застосувати до реальних сценаріїв. FHE може швидко просунути галузь охорони здоров’я.

Також варто звернути увагу на ще одне захоплююче застосування повністю гомоморфне шифрування (FHE) у навчанні штучного інтелекту (ШІ). Наразі простір штучного інтелекту стикається з проблемами конфіденційності, які перешкоджають здатності компаній отримувати доступ до великих і великих наборів даних, які мають вирішальне значення для вдосконалення алгоритмів штучного інтелекту. Компанії, які навчають штучний інтелект, повинні вибирати між використанням обмеженого загальнодоступного набору даних, сплатою великих грошей за купівлю приватного набору даних або створенням набору даних, що особливо складно для невеликих компаній з меншою кількістю користувачів. FHE повинна бути в змозі вирішити проблеми конфіденційності, які заважають постачальникам лонг наборів даних вийти на цей ринок. Як наслідок, удосконалення FHE, ймовірно, призведе до збільшення кількості наборів даних, доступних для навчання ШІ. Це зробить навчання ШІ більш економічно доцільним і досконалим, враховуючи збільшення тривалості доступних наборів даних.

За допомогою FHE компанії можуть навчати моделі машинного навчання на шифрування даних, не розкриваючи вихідні дані. Це означає, що власники даних можуть безпечно ділитися своїми шифрування даними, не турбуючись про порушення конфіденційності або неправомірне використання даних. У той же час тренери моделей штучного інтелекту можуть покращити свої Алгоритм за допомогою більшої кількості лонг та вичерпних наборів даних, які можуть бути недоступними без FHE. Таким чином, повністю гомоморфне шифрування не тільки підвищує безпеку даних, але й розширює можливості досліджень і розробок штучного інтелекту, роблячи застосування технології штучного інтелекту більш широким і ефективним.

Дефекти повністю гомоморфне шифрування в минулому

Хоча повністю гомоморфне шифрування (FHE) обіцяє трансформувати сучасні великі дані, чому ми не побачили більше лонг практичних застосувань?

Незважаючи на те, що FHE є темою для обговорення та досліджень протягом найдовших років, реальність така, що дуже важко впровадити FHE на практиці. Основною проблемою є обчислювальна потужність, необхідна для виконання FHE. Повністю гомоморфно безпечний набір даних може давати ті ж аналітичні результати, що і в його вихідній формі даних. Це складний подвиг, який вимагає великої обчислювальної швидкості та потужності, лонг недоцільно реалізувати на існуючих комп’ютерах. Операції, які зазвичай займають лічені секунди з необробленими даними, можуть тривати години або навіть дні для Гомоморфне шифрування наборів даних. Цей обчислювальний виклик створив цикл, що самовідтворюється, коли лонг інженери відкладали реалізацію проекту PHE, сповільнюючи його розробку та обмежуючи повну реалізацію його переваг.

Специфічна обчислювальна проблема, з якою стикаються інженери на FHE, полягає в тому, щоб мати справу з «шумовими помилками». Під час обчислення Гомоморфне шифрування наборів даних інженери Xu лонг стикалися з ситуаціями, коли кожне обчислення генерує додатковий шум або помилки. Це допустимо, коли потрібно лише кілька обчислень, але після тривалого аналізу шум може стати настільки помітним, що необроблені дані стане важко зрозуміти. Дані майже втрачені.

Чому саме зараз

Так само, як і генеративний ШІ, який колись вважався обмеженим і примітивним, поки не став мейнстрімом, повністю гомоморфне шифрування (FHE) перебував на аналогічній траєкторії прогресу. лонг лідери галузі, і навіть ті, хто виходить за межі Блокчейн, зібралися разом, щоб організувати багато досліджень і розробок у сфері FHE. Це призвело до кількох нещодавніх подій у галузі, які зумовили переконливий наратив цього технологічного прогресу.

ПРОЕКТ DPRIVE

У березні 2021 року Microsoft, Intel та Агентство передових оборонних дослідницьких проєктів (DARPA) домовилися про запуск найтривалішої програми для прискорення розробки повністю гомоморфне шифрування (FHE). Ініціатива під назвою «Захист даних у віртуальних середовищах» (DPRIVE) знаменує собою значний крок вперед для FHE. Він демонструє двох гігантів галузі, орієнтованих на хмарні обчислення та комп’ютерне обладнання, які об’єднують зусилля для вирішення проблем конфіденційності даних. Вони запустили програму для створення комп’ютерів і програмного забезпечення, які могли б керувати швидкістю обчислень PHE, а також для створення лонг ґніт свічок для точного впровадження FHE для запобігання витоку даних, спричиненого неправильним використанням.

В рамках ініціативи DPRIVE інженери взяли на себе завдання пом’якшити вищезгадані «шумові помилки», досліджуючи способи зниження шуму до рівня вихідних даних. Одним з перспективних рішень є розробка представлень даних з великим розміром арифметичного розміру (LAWS). У той час як традиційні комп’ютерні процесори (CPU) зазвичай використовують 64-бітні слова, інженери розробляють нове апаратне забезпечення LAWS, здатне обробляти 1024-бітні або більше лонг-бітні слова. Цей метод працює, тому що дослідження показали, що лонгуючий слів безпосередньо впливають на співвідношення сигнал/шум. Простіше кажучи, лонгуючий слова створюють менше шуму на кожному додатковому кроці в FHE, дозволяючи виконувати більше лонг обчислень, поки не буде досягнуто порогу втрати даних. Створивши нове обладнання для вирішення цих завдань, інженери, які беруть участь у програмі DPRIVE, значно зменшили обчислювальне навантаження, необхідне для виконання PHE.

Щоб прискорити розрахунки та наблизитися до мети зробити FHE у 100 000 разів швидшим, команда DPRIVE розпочала постійний шлях до розробки нових систем обробки даних, які виходять за рамки можливостей звичайних пристроїв обробки та побудови графіків. Вони розробили нову систему longing instruction longing data (MIMD), здатну одночасно керувати інструкціями та наборами даних. MIMD схожий на будівництво нової автомагістралі, а не на використання існуючої непридатної дороги для розміщення потоку, необхідного швидкими розрахунками FHE в режимі реального часу.

Однією з цікавих особливостей програми DPRIVE є широке використання «паралелізму» в обчислювальних математичних розрахунках. Це дозволяє розробникам виконувати найдовші обчислення великої кількості одночасно. Ви можете думати про паралелізм як про розгортання групи математиків одночасно для роботи над різними частинами величезної математичної проблеми, замість того, щоб змушувати їх виконувати свою роботу одну за одною. Незважаючи на те, що обчислення можуть допомогти швидко вирішити проблеми, комп’ютери повинні мати коротше охолодження, щоб запобігти перегріву.

У вересні 2022 року, через півтора року після запуску програми, Microsoft, Intel і DARPA оголосили, що успішно завершили перший етап програми DPRIVE. Наразі вони працюють над другою чергою ДПРІВ.

SDK та Відкритий вихідний код бібліотеки

У міру того, як найдовша з великих компаній є піонерами повністю гомоморфне шифрування (FHE), кількість доступних комплектів для розробки програмного забезпечення (SDK) і Відкритий вихідний код бібліотек зросла, що дозволяє розробникам розвивати роботу один одного.

Корпорація Майкрософт анонсувала Microsoft Seal, бібліотеку Відкритий вихідний код, яка надає розробникам інструменти для виконання Гомоморфне шифрування на наборах даних. Це дозволяє більш широкому колу розробників досліджувати FHE, демократизуючи наскрізні шифрування та доступ до обчислювальних послуг. Бібліотека надає приклади Гомоморфне шифрування програм з детальними примітками, щоб допомогти розробникам щодо правильного та безпечного використання.

Intel також запустила власний Гомоморфне шифрування Toolkit, щоб надати розробникам інструменти для швидшого впровадження Гомоморфне шифрування у хмарі. Intel розробила інструментарій таким чином, щоб він був гнучким і сумісним з останніми досягненнями в галузі обробки даних та обчислень. Він включає функції, розроблені спеціально для решітчастої криптографії, безшовну операційну інтеграцію з Microsoft Seal, зразки Гомоморфне шифрування схем і технічну документацію для керівництва користувачами.

Бібліотека Google Private Join and Compute Відкритий вихідний код надає розробникам інструменти для лонгуючий обчислень (MPC). Цей метод обчислень дозволяє сторонам об’єднувати свої розрізнені набори даних для отримання спільної інформації, не розкриваючи необроблені дані один одному. Private Join and Compute поєднує криптографічну технологію FHE з Private Set Intersection (PSI) для оптимізації практики конфіденційності даних. PSI – це ще один криптографічний метод, який дозволяє сторонам з різними наборами даних ідентифікувати спільні елементи або точки даних, не розкриваючи свої дані. Підхід Google до підвищення конфіденційності даних зосереджений не лише на FHE, а й на ширшій концепції MPC, інтегруючи FHE з іншими впливовими практиками обробки даних.

Примітно, що доступність авторитетної бібліотеки Відкритий вихідний код Лонг ґніт свічки для FHE зростає. Однак це стає ще більш помітним, коли можна побачити, як відомі компанії експериментують з цими бібліотеками у своїй діяльності. У квітні 2021 року Nasdaq, відома світова технологічна компанія для фондових бірж і Ринок капіталу, включила FHE у свою діяльність. Nasdaq використовує інструменти Intel FHE та високошвидкісні процесори для боротьби з фінансовими злочинами за допомогою AML зусиль та виявлення шахрайства. Це досягається за допомогою Гомоморфне шифрування для виявлення цінної інформації та потенційно незаконної діяльності в наборах даних, що містять конфіденційну інформацію.

Нещодавнє залучення капіталу

На додаток до досліджень і розробок, що проводяться вищезазначеними компаніями, кілька інших компаній нещодавно отримали значні фінансування за ініціативи, орієнтовані на повністю гомоморфне шифрування (FHE).

Cornami — це велика технологічна компанія, відома розробкою масштабованих технологій хмарних обчислень, розроблених спеціально для Гомоморфне шифрування. Вони брали участь у прагнучих зусиллях, спрямованих на створення обчислювальних систем, які підтримка FHE ефективніше, ніж традиційні процесори. Вони також керують ініціативами, спрямованими на захист шифрування даних від загроз квантових обчислень. У травні 2022 року Cornami оголосила про успішне завершення раунду серії C фінансування, залучивши $68 млн на чолі з SoftBank, довівши свій загальний капітал до $150 млн.

Zama, ще одна компанія в галузі Блокчейн, створює Відкритий вихідний код Гомоморфне шифрування інструменти, які розробники можуть використовувати для створення захоплюючих додатків з використанням FHE, Блокчейн та штучного інтелекту. Zama створила повністю гомоморфний Віртуальна машина Ethereum (fhEVM) як частину своєї продуктової пропозиції. Ця смартконтракти протокол зберігає у блокчейні дані про транзакції шифрування під час обробки. Розробники різних додатків, які досліджують бібліотеку Zama, були вражені її продуктивністю навіть у складних сценаріях використання. У лютому 2022 року Zama успішно закрила раунд фінансування серії A на суму 42 мільйони доларів США під керівництвом Protocol Labs, довівши свій загальний капітал до 50 мільйонів доларів.

Fhenix також є новим проектом, який виводить FHE на Блокчейн. Їхня мета — розширити програми FHE за межі приватних платежів, відкриваючи двері для захоплюючих варіантів використання FHE у таких сферах, як DeFi (Децентралізоване фінансування), міст, голосування за управління та ігри Web3. У вересні 2023 року Fhenix оголосила про закриття початкового раунду на суму $7 млн під керівництвом Multicoin Capital і Collider Ventures.

Що буде далі

Протягом багатьох років повністю гомоморфне шифрування (FHE) була ідеєю, яка обіцяє сильні наскрізні шифрування, провіщаючи майбутнє надійної конфіденційності даних. Останні розробки починають переводити FHE з теоретичної мрії в реальне застосування. У той час як компанії змагаються за те, щоб першими впровадити потужну, повнофункціональну версію FHE, компанії Сюй лонг співпрацюють, щоб зорієнтуватися в складнощах цієї потужної технології. Цей дух співпраці проявляється в реалізації ними різноманітних міжкомандних проектів та розробці Відкритий вихідний код бібліотек, які інтегруються з іншими бібліотеками.

Судячи з того, що я з’ясував, дискусія навколо FHE здається далекосяжною. Протягом наступних кількох тижнів я з нетерпінням чекаю можливості зануритися глибше та поділитися своїми знаннями про дослідження PHE. Зокрема, я прагну досліджувати найдовший контент на такі теми:

Нові сфери застосування FHE:

• Взаємодія між zk-SNARKs (ЗКП) і ФГЕ.
• Інтегруйте FHE з Private Collection Intersection (PSI) для полегшення безпечних обчислень лонгуючий (MPC).
• Нові компанії, такі як Zama та Fhenix, провідний шлях у сфері FHE.

Посилання:

Арампаціс, Анастасіос. «Останні події в Гомоморфне шифрування». Венафі, 1 лютого 2022 р., venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

Арампаціс, Анастасіос. «Що таке Гомоморфне шифрування і як його використовують». Венафі, 28 квітня 2023 р., venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.

«Створення апаратного забезпечення для забезпечення безперервного захисту даних». DARPA, 2 березня 2020 р., www.darpa.mil/news-events/2020-03-02.

Крістобаль, Самуїл. «Повністю Гомоморфне шифрування: Святий Грааль Криптографія» Datascience.Aero, 7 січня 2021 р., datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

— Гомоморфне шифрування: Що це таке і чому це важливо? Інтернет-суспільство, 9 березня 2023 р., www.internetsociety.org/resources/doc/2023/homomorphic-шифрування/.

Хант, Джеймс. «FHENIX залучає $ 7 млн в Сід раунд на чолі з Multicoin Capital». The Блок, The Блок, 26 вересня 2023 р., www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

«Intel® Гомоморфне шифрування Інструментарій». Intel, станом на 8 жовтня 2023 р.www.intel.com/content/www/us/en/developer/tools/homomorphic-шифрування/overview.html#gs.fu 55 ім.

«Intel співпрацюватиме з Microsoft над програмою DARPA». Intel, 8 березня 2021 р., www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

«Intel Xeon просуває Гомоморфне шифрування досліджень і розробок NASDAQ». Intel, 6 квітня 2021 р.www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-шифрування-rd.html#gs.6 mpgme.

Джонсон, Рік. «Intel завершує етап першої фази DARPA DPRIVE для повністю Гомоморфне шифрування платформи». Intel, 14 вересня 2022 р., community.intel.com/t 5/Блоги/Продукти-та рішення/HPC/Intel-Completes-DARPA-DPRIVE-Phase-One-Milestone-for-a-Fullly/post/1411021.

«Microsoft Seal: швидка та проста у використанні бібліотека Гомоморфне шифрування». Microsoft Research, 4 січня 2023 р.www.microsoft.com/en-us/research/project/microsoft-seal/.

Пайє, д-р Паскаль. «Повністю Гомоморфне шифрування: Святий Грааль Криптографія». Business Age, 9 березня 2023 р., www.businessage.com/post/повністю-гомоморфний-шифрування-святий-Грааль-криптографії.

Самані, Кайл. «Світанок ончейн FHE». Multicoin Capital, 26 вересня 2023 р., multicoin.capital/2023/09/26/the-dawn-of-у блокчейні-fhe/.

Уокер, Аманда та ін. «Допомагати організаціям робити більше, не збираючи більше даних». Блог про безпеку в Інтернеті Google, 19 червня 2019 р. security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more-data.html.

«Що таке повна Гомоморфне шифрування?» Інфер, 11 квітня 2021 р., inpher.io/technology/what-is-fully-homomorphic-encryption/.

Уайт, Метт «Коротка історія генеративного ШІ». Середній, 8 липня 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Хоча% 20 найбільш%20 осіб% 20 визнає 20% 20 визнає, оф% 20 Стабільність% 20 ШІ% 20 Стабільний% 20 Дифузія.