在數位時代，資料隱私的保護比以往任何時候都顯得更加重要。隨著大數據、雲端運算和物聯網技術的快速發展，個人資訊的收集、儲存和分析變得日益普遍。
作者：ALEX REN，IOBC Capital
封面： Photo by Conny Schneider on Unsplash
在數位時代，資料隱私的保護比以往任何時候都顯得更加重要。隨著大數據、雲端運算和物聯網技術的快速發展，個人資訊的收集、儲存和分析變得日益普遍。然而，這也帶來了資料外洩和濫用的風險。
FHE 即全同態加密 (Fully Homomorphic Encryption)，它允許在加密資料上直接進行計算，並且得到的計算結果與在原始資料上進行相同計算的結果一致。這意味著我們可以在不暴露原始資料的情況下，對資料進行處理和分析，它為保護資料隱私和完整性提供了一種新的解決方案。
FHE 的理論基礎可以追溯到 1978 年，Rivest 等人提出了首個同態加密問題，直到 2009 年，Gentry 在其博士論文中首次建構出可實現的全同態加密方案，FHE 研究才真正開始蓬勃發展。早期的 FHE 方案計算效率極低，無法滿足實際應用需求，隨著研究人員不斷提出最佳化方案，顯著改善了 FHE 的性能，FHE 的研究正朝著提高效率、降低計算複雜度和拓展應用場景的方向發展。
FHE 的技術實現路徑
基於理想格的 FHE 方案
這是目前公認最實用和高效的 FHE 構造方式，主要想法是利用環運算的代數結構，透過模運算和分解環的理想因子來完成加密和解密操作。代表性方案有 BGV、BFV 和 CKKS 等，這類方案的優點是運算效率較高，缺點是需要較大的金鑰和密文空間。
基於矩陣的 FHE 方案
此方案將明文資訊編碼到矩陣中，透過矩陣運算實現同態性。代表方案有 GSW 和 HiNC 等，其特點是安全性很高，但效率較低。
基於 NTRU 的 FHE 方案
NTRU(Number Theory Research Unit) 具有良好代數結構和循環對稱性，可以建構高效的 FHE 方案，如 YASHE 和 NTRU-FHE 等，這類方案的優點是金鑰和密文大小較小，適合資源受限環境。
基於學習含雜訊算術電路 (LWE/LWR) 的 FHE 方案
利用在 LWE/LWR 難題基礎上構造的加密方案，例如 FHEW 和 TFHE 等，這類方案更注重理論創新, 可實現非常強的安全性，但實用性有限。
FHE vs. ZKP
FHE 和 ZKP 都是加密技術，但它們幾乎是互補的。
ZKP 允許證明者向驗證者證明一個資訊是正確的，而無需透露具體細節，驗證者無需重新執行計算，即可驗證資訊的正確性和計算完整性。雖然 ZKP 可以在不洩露資訊的情況下證明正確性，但其輸入通常為明文形式，這可能會導致隱私洩露。
FHE 的引入可以解決這個問題，FHE 能夠在加密資料上執行任意計算，而無需解密，從而保護資料隱私。但 FHE 存在的問題是，無法確保運算的正確性和可靠性，而這正是 ZKP 所解決的問題。
透過 FHE+ZKP 的技術組合，一方面 FHE 保護了輸入資料和計算過程的隱私性，另一方面 ZKP 為 FHE 計算提供了正確性、合法性和可審計性的加密證明，最終實現真正安全可信的隱私計算，這對於敏感資料處理、多方合作計算等隱私保護應用場景都是非常有價值的。
ZAMA：FHE 領航者
Zama 是一家開源密碼學公司，為區塊鏈和 AI 建立最先進的 FHE 解決方案。主要擁有四種開源方案：
TFHE-rs 是一個 Rust 實現的 Torus 上的全同態加密，用於在加密資料上執行布林和整數運算。 TFHE-rs 函式庫實現了 Zama 變體的 TFHE，它實現了所有所需的同態操作，例如透過可程式自舉（Programmable Bootstrapping）進行加法和函數評估。
Concrete 是一個開源的 FHE 框架，包含了一個 TFHE 編譯器作為框架的一部分，該編譯器將常規程式碼轉換為電腦可以使用 FHE 執行的可操作指令，使開發人員可以輕鬆編寫 FHE 程式。對 FHE 加密資料進行計算可能會引入大量噪音，從而導致錯誤，Concrete 的預設錯誤機率非常低，開發人員可以靈活地修改此錯誤機率的參數。
Concrete ML 是基於 Concrete 建構的隱私保護機器學習（PPML）開源工具，開發者可以無需密碼學知識，即可將 FHE 整合到機器學習模型中。
fhEVM 將 FHE 引入 EVM 生態，使開發人員可在鏈上執行加密的智能合約，保護鏈上資料隱私的前提下使智能合約仍然擁有可組合性。 fhEVM 在整合 TFHE-rs 的同時，引入新的 TFHE Solidity 庫，允許開發人員使用 Solidity 對加密資料進行計算。
Fhenix：首個 FHE-Rollup
Fhenix 是第一個基於 FHE 的 Layer2 Rollup，基於 Zama 的 TFHE-rs 構建了自己的加密計算庫——fheOS，它包含常見加密操作碼的預編譯，使智能合約能夠在鏈上使用 FHE 原語。 fheOS 也負責 rollup 與 Threshold 服務網路 (TSN) 之間的通訊和身分驗證，以進行解密和重新加密請求，同時證明解密請求是合法的。 fheOS 庫旨在作為擴展注入到任何現有的 EVM 版本中，與 EVM 完全相容。
Fhenix 的共識機制採用了 Arbitrum 的 Nitro 證明器。之所以選擇詐欺的證明方式，是因為 FHE 和 zkSNARK 的底層結構不一樣，採用 ZKP 的方式驗證 FHE 運算量非常大，在目前技術階段幾乎不可能做到。
Fhenix 也於近期與 EigenLayer 合作開發了 FHE coprocessors，把 FHE 計算引入其他公鏈、L2、L3 等。由於 Fhenix 採用詐欺證明，存在 7 天挑戰期，EigenLayer 的服務能夠幫助協處理器實現快速交易確認，顯著提升效能。
Inco Network: Confidentiality as a Service
Inco 是一個模組化的可信任運算 Layer1，可作為 Web3 的通用隱私層。支援 fhEVM，使開發人員能夠使用 Solidity 語言及以太坊生態中的開發工具快速建立隱私 Dapp。同時，Inco 透過橋接及 IBC 協議，將 CaaS 服務提供給缺乏原生加密的 EVM 和 Cosmos 鏈。 CaaS 服務主要包含三個功能：
鏈上加密狀態：直接將加密資料儲存在鏈上，而無需鏈下儲存；
可組合加密狀態：完全在鏈上對加密資料執行狀態轉換，無需解密；
鏈上隨機性：為應用程式在鏈上產生隨機數，無需外部隨機性服務，能夠直接在鏈上建立應用。
目前，Inco 已有一些用例，如遊戲、NFT、RWA、投票治理、DID 等。
Mind Network: FHE Restaking Layer
Mind 是專為 AI 和 POS 網路量身定制的第一個的 FHE Restaking 層。作為 Restaking 層，它接受來自 ETH、BTC 和 AI 藍籌公司的 restaking 代幣進行質押；同時作為 FHE 驗證網絡，利用 FHE 技術來驗證各節點數據達成共識，確保數據完整性和安全性。 Mind 為去中心化 AI、Depin、EigenLayer AVS、Babylon AVS 及關鍵 POS 網路提供經濟安全保障，維護整個系統的共識和可信度。
Restaking 層：與 EigenLayer、StakeStone、Renzo、Babylon、Ankr 等合作，從以太坊和比特幣網路中獲取安全性；與 Chainlink CCIP 、Connext 等合作，實現跨鏈遠端 restaking。
安全層：引進 FHE 增強驗證器，確保驗證和共識計算過程端對端加密，透過整合 Fhenix 和 Inco 的 fhEVM 模組，進一步增強安全性。
共識層：引進專為 AI 任務設計的 Proof of Intelligence（POI）共識機制，確保 FHE 驗證者之間公平、安全的獎勵分配。此外，Mind Network 正在與 AltLayer、EigenDA 和 Arbitrum Orbit 合作推出 Rollup 鏈，以更低成本和更快效能增強共識運算。
Privasea: Proof of Human
Privasea 是一個用於 FHE 機器學習的 Depin+AI 網絡，技術架構包括以下幾個核心元件：HESea 庫：這是一個先進的 FHE 庫，提供了對加密資料進行安全計算的功能。該庫支援多種 FHE 方案，例如 TFHE、CKKS、BGV/BFV 等。Privasea API：這是 Privasea AI 網路的應用程式接口，提供了一系列功能和端點，簡化資料提交、模型訓練和預測的操作，並確保資料在傳輸和處理過程中的加密。Privanetix：這是一個去中心化的運算網絡，由多個高效能運算節點組成，能夠有效率地處理加密資料。每個節點都整合了 HESea 庫，以確保資料隱私和運算效能。Privasea 智慧合約套件：基於區塊鏈技術的激勵機制，透過智慧合約追蹤 Privanetix 節點的註冊和貢獻，驗證計算並分發獎勵，確保參與者的積極性和公平性。
Privasea 推出了 ImHuman 應用，基於 FHE 開發了 Proof of Human，旨在證明用戶是人類，以保護其數位身分不受機器人和人工智慧仿冒的威脅。使用者可以透過臉部生物辨識技術驗證其為真實人類，產生一個獨特的 NFT，作為個人人類身分的證明。使用 ImHuman 應用，使用者可以在不洩露個人詳細資料的情況下，在 Web3 和 Web2 平台上安全地確認個人身分。
寫在最後
在 Defi 領域，FHE 使交易和資金流動能夠在不洩露敏感財務資訊的情況下進行，從而保護用戶隱私並降低市場風險，也可能成為有效解決 MEV 問題的方式之一；在全鏈遊戲中，FHE 確保玩家的得分和遊戲進度等數據在加密狀態下得到保護，同時允許遊戲邏輯在不暴露數據的前提下在鏈上運行，增強了遊戲的公平性和安全性；在 AI 領域，FHE 允許對加密資料進行分析和模型訓練，這不僅保護了資料隱私，還促進了跨機構的資料共享和合作，推動了更安全、更合規的人工智慧應用的發展。
FHE 在實用性和效率上仍面臨許多挑戰，但其獨特理論基礎為克服瓶頸帶來希望。未來，FHE 可望藉由演算法最佳化、硬體加速等途徑，大幅提升效能，擴大應用場景，為資料隱私保護和安全運算提供更堅實的基礎。
免責聲明：作為區塊鏈資訊平台，本站所發布文章僅代表作者及來賓個人觀點，與 Web3Caff 立場無關。文章內的資訊僅供參考，均不構成任何投資建議及要約，並請您遵守所在國家或地區的相關法律法規。
