Криптоактивы: еженедельный обзор рынка и исследование гомоморфного шифрования

По состоянию на 13 октября, одна из платформ данных провела статистический анализ обсуждения основных Криптоактивы и изменения их цен.

Обсуждений биткойна на прошлой неделе было 12.52K, что на 0.98% меньше, чем на предыдущей неделе. Его цена закрытия в воскресенье составила 63916 долларов, что на 1.62% больше, чем на той же неделе прошлого месяца.

Обсуждения по эфириуму на прошлой неделе достигли 3,63K, увеличившись на 3,45% по сравнению с предыдущей неделей. Однако в воскресенье его цена составила 2530 долларов, что на 4% ниже, чем за аналогичный период на прошлой неделе.

Токен TON обсуждался 782 раза на прошлой неделе, что на 12.63% меньше по сравнению с предыдущей неделей. Его цена в воскресенье составила 5.26 долларов, что на 0.25% ниже, чем на той же неделе в прошлом году.

Гомоморфное шифрование(FHE) является перспективной технологией в области криптографии, которая позволяет выполнять вычисления непосредственно над зашифрованными данными без необходимости их расшифровки. Эта особенность предоставляет мощную поддержку для защиты конфиденциальности и обработки данных. FHE имеет широкие перспективы применения в различных областях, таких как финансы, здравоохранение, облачные вычисления, машинное обучение, системы голосования, интернет вещей и защита конфиденциальности в блокчейне. Тем не менее, путь коммерциализации FHE по-прежнему сталкивается с множеством вызовов.

Потенциал и области применения FHE

最大优势 Гомоморфное шифрование заключается в защите конфиденциальности. Например, когда компания нуждается в вычислительных мощностях другой компании для анализа данных, но не хочет, чтобы содержимое данных было раскрыто, FHE может сыграть свою роль. Владельцы данных могут отправить зашифрованные данные для обработки тому, кто производит расчеты, а результаты вычислений остаются зашифрованными, и владельцы данных могут получить результаты анализа после расшифровки. Этот механизм защищает конфиденциальность данных и одновременно выполняет необходимые вычислительные задачи.

Этот механизм защиты конфиденциальности особенно важен для чувствительных к данным отраслей, таких как финансы и здравоохранение. С развитием облачных вычислений и искусственного интеллекта безопасность данных становится все более актуальной. Гомоморфное шифрование в этих сценариях может обеспечить защиту многопартийных вычислений, позволяя всем сторонам сотрудничать без раскрытия конфиденциальной информации. В технологии блокчейн гомоморфное шифрование повышает прозрачность и безопасность обработки данных с помощью функций защиты конфиденциальности на блокчейне и проверки приватных транзакций.

Сравнение FHE и других способов шифрования

В области Web3 основными методами защиты конфиденциальности являются Гомоморфное шифрование, нулевые знания ( ZK ), многопартийные вычисления ( MPC ) и доверенная вычислительная среда ( TEE ). В отличие от ZK, FHE может выполнять различные операции над зашифрованными данными без их расшифровки. MPC позволяет сторонам выполнять вычисления в условиях шифрования данных, не делясь конфиденциальной информацией. TEE предоставляет вычисления в безопасной среде, но имеет ограниченную гибкость в обработке данных.

Эти криптографические технологии имеют свои преимущества, но в поддержке сложных вычислительных задач FHE особенно выделяется. Тем не менее, FHE все еще сталкивается с проблемами высокой вычислительной нагрузки и плохой масштабируемости в реальных приложениях, что ограничивает его производительность в режиме реального времени.

Ограничения и вызовы FHE

Хотя теоретические основы FHE сильны, в коммерческом применении возникли реальные проблемы:

1. Большие вычислительные затраты: FHE требует значительных вычислительных ресурсов, и по сравнению с нешифрованными вычислениями его вычислительные затраты значительно увеличиваются. Для высоких многочленов время обработки растет полиномиально, что затрудняет удовлетворение требований к вычислениям в реальном времени. Снижение затрат зависит от специализированного аппаратного ускорения, но это также увеличивает сложность развертывания.

2. Ограниченные операционные возможности: Хотя Гомоморфное шифрование (FHE) может выполнять сложение и умножение зашифрованных данных, поддержка сложных нелинейных операций ограничена, что является узким местом для приложений искусственного интеллекта, таких как глубокие нейронные сети. В настоящее время схемы FHE в основном применимы для линейных и простых полиномиальных вычислений, а применение нелинейных моделей значительно ограничено.

3. Сложность поддержки нескольких пользователей: Гомоморфное шифрование показывает хорошие результаты в сценариях с одним пользователем, но при работе с многопользовательскими наборами данных системная сложность резко возрастает. Многоключевая схема Гомоморфного шифрования, предложенная в 2013 году, хотя и позволяет выполнять операции с зашифрованными наборами данных с разными ключами, но значительно увеличивает сложность управления ключами и архитектуры системы.

Сочетание Gомоморфного шифрования и искусственного интеллекта

В эпоху, когда данные играют важную роль, искусственный интеллект широко используется в различных областях, но опасения по поводу конфиденциальности данных часто заставляют пользователей не желать делиться чувствительной информацией. Гомоморфное шифрование предоставляет решения для защиты конфиденциальности в области ИИ. В сценариях облачных вычислений передача и хранение данных обычно шифруются, но процесс обработки часто происходит в открытом виде. С помощью Гомоморфного шифрования пользовательские данные могут обрабатываться в зашифрованном состоянии, что обеспечивает конфиденциальность.

Это преимущество особенно важно в условиях требований таких регуляторов, как GDPR, которые требуют от пользователей права на информирование о способах обработки данных и гарантируют защиту данных в процессе передачи. Конечное шифрование FHE обеспечивает соблюдение норм и безопасность данных.

Текущее применение FHE в блокчейне и проекты

FHE в блокчейне в основном используется для защиты конфиденциальности данных, включая конфиденциальность на цепочке, конфиденциальность данных для обучения ИИ, конфиденциальность голосования на цепочке и проверку конфиденциальных транзакций на цепочке. В настоящее время несколько проектов используют технологию FHE для продвижения реализации защиты конфиденциальности.

Некоторые технологии, разработанные поставщиком решений FHE, широко используются в различных проектах по защите конфиденциальности. Эти проекты включают:

• Основанный на технологии TFHE, проект сосредоточен на булевых операциях и операциях с целыми числами низкой длины, а также разработал стек FHE для приложений блокчейна и ИИ.

• Разработан новый язык смарт-контрактов и библиотека FHE, подходящие для проектов в блокчейн-сетях.

• Использование Гомоморфного шифрования для реализации защиты конфиденциальности в вычислительных сетях ИИ, поддерживающих различные модели ИИ.

• Проект, сочетающий Гомоморфное шифрование и искусственный интеллект, предлагающий децентрализованную и защищённую конфиденциальность среду для AI.

• В качестве решения второго уровня для Ethereum, поддерживающего FHE Rollups и FHE Coprocessors, совместимого с EVM и поддерживающего написание смарт-контрактов на Solidity.

Заключение

FHE как передовая технология, способная выполнять вычисления на зашифрованных данных, имеет значительные преимущества в защите конфиденциальности данных. Хотя текущие коммерческие приложения FHE сталкиваются с проблемами больших вычислительных затрат и низкой масштабируемости, эти проблемы могут быть постепенно решены благодаря аппаратному ускорению и оптимизации алгоритмов. С развитием технологий блокчейна FHE будет играть все более важную роль в защите конфиденциальности и безопасных вычислениях. В будущем FHE имеет потенциал стать核心技术, поддерживающей вычисления с защитой конфиденциальности, что приведет к революционным прорывам в области безопасности данных.