Криптоактивы: динамика рынка и развитие гомоморфного шифрования

Согласно последним данным, по состоянию на 13 октября, активность обсуждений и ценовые показатели основных криптоактивов следующие:

Частота обсуждений биткойна на прошлой неделе составила 12,52K раз, что на 0,98% ниже предыдущей недели. Его закрывающая цена в воскресенье составила 63916 долларов, что на 1,62% выше, чем на той же неделе в прошлом году.

Обсуждения по Эфириуму на прошлой неделе составили 3.63K, что на 3.45% больше, чем на предыдущей неделе. Однако в воскресенье его цена составила 2530 долларов, что на 4% ниже, чем за аналогичный период на прошлой неделе.

Обсуждения токена TON за прошлую неделю составили 782, что на 12,63% меньше, чем на предыдущей неделе. Его цена в воскресенье составила 5,26 доллара, что на 0,25% меньше, чем за аналогичный период прошлой недели.

Гомоморфное шифрование(FHE) как передовая технология в области криптографии демонстрирует огромный потенциал для применения. Его основное преимущество заключается в возможности выполнять вычисления непосредственно на зашифрованных данных без необходимости их расшифровки, что предоставляет мощную поддержку для защиты конфиденциальности и обработки данных. FHE может широко применяться в таких областях, как финансы, здравоохранение, облачные вычисления, машинное обучение, системы голосования, интернет вещей и защита конфиденциальности в блокчейне. Тем не менее, коммерциализация FHE все еще сталкивается с множеством вызовов.

Преимущества FHE и области применения

Главное преимущество гомоморфного шифрования заключается в защите конфиденциальности. Например, когда компании необходимо использовать внешние вычислительные мощности для анализа данных, но она не хочет, чтобы содержимое данных было доступно извне, FHE может оказать помощь. Компания может зашифровать данные и передать их, внешняя организация проводит вычисления в зашифрованном состоянии, а результат остается зашифрованным. После расшифровки оригинальная компания получает результаты анализа, защищая конфиденциальность данных и выполняя необходимые вычислительные задачи.

Эта механика защиты конфиденциальности особенно важна для таких чувствительных к данным отраслей, как финансы и здравоохранение. С развитием облачных вычислений и искусственного интеллекта безопасность данных становится все более актуальной. Гомоморфное шифрование может обеспечить защиту многопользовательских вычислений в этих областях, позволяя сторонам сотрудничать, не раскрывая конфиденциальную информацию. В технологии блокчейн Гомоморфное шифрование улучшает прозрачность и безопасность обработки данных благодаря таким функциям, как защита конфиденциальности в цепочке и проверка конфиденциальных транзакций.

Сравнение FHE с другими технологиями шифрования

В области Web3 FHE, доказательство нулевых знаний ( ZK ), многопартии вычисления ( MPC ) и доверенная среда выполнения ( TEE ) являются основными методами защиты конфиденциальности. В отличие от ZK, FHE может выполнять множество операций с зашифрованными данными без предварительного расшифрования данных. MPC позволяет сторонам выполнять вычисления в условиях зашифрованных данных, не делясь при этом конфиденциальной информацией. TEE предоставляет вычисления в безопасной среде, но относительная гибкость обработки данных ограничена.

Эти криптоактивы имеют свои преимущества, но в поддержке сложных вычислительных задач Гомоморфное шифрование особенно выделяется. Однако, Гомоморфное шифрование в реальных приложениях по-прежнему сталкивается с высокими вычислительными затратами и плохой масштабируемостью, что ограничивает его эффективность в реальных приложениях.

Ограничения и вызовы FHE

Хотя теоретическая основа FHE мощна, в коммерческих приложениях возникли реальные проблемы:

1. Масштабные вычислительные затраты: Гомоморфное шифрование требует больших вычислительных ресурсов, по сравнению с нешифрованными вычислениями, его вычислительные затраты значительно увеличиваются. Для высоких степеней полиномиальных вычислений время обработки возрастает полиномиально, что затрудняет удовлетворение требований к вычислениям в реальном времени. Снижение затрат требует зависимости от специализированного аппаратного ускорения, но это также увеличивает сложность развертывания.

2. Ограниченные операционные возможности: FHE может выполнять сложение и умножение зашифрованных данных, но поддержка сложных нелинейных операций ограничена, что создает瓶颈 для приложений искусственного интеллекта, таких как глубокие нейронные сети. В настоящее время схемы FHE в основном применимы к линейным и простым полиномиальным вычислениям, применение нелинейных моделей значительно ограничено.

3. Сложность поддержки нескольких пользователей: Гомоморфное шифрование хорошо работает в сценариях с одним пользователем, но при работе с наборами данных нескольких пользователей сложность системы резко возрастает. Хотя существуют многоключевые рамки Гомоморфного шифрования, которые позволяют обрабатывать зашифрованные наборы данных с разными ключами, управление ключами и архитектура системы значительно усложняются.

Сочетание Гомоморфного шифрования и искусственного интеллекта

В эпоху, когда данные имеют решающее значение, искусственный интеллект (AI) широко применяется 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 условиях облачных вычислений гомоморфное шифрование позволяет обрабатывать пользовательские данные в зашифрованном состоянии, обеспечивая конфиденциальность данных.

Это преимущество особенно важно в условиях требований таких регуляторов, как GDPR, поскольку эти правила требуют от пользователей права на информированность о способах обработки данных и обеспечения защиты данных в процессе их передачи. Энд-то-энд шифрование FHE обеспечивает соблюдение требований и безопасность данных.

Текущие применения FHE в блокчейне и проекты

Применение Гомоморфного шифрования (FHE) в блокчейне в основном сосредоточено на защите конфиденциальности данных, включая конфиденциальность на цепи, конфиденциальность данных для обучения ИИ, конфиденциальность голосования на цепи и конфиденциальность проверки транзакций на цепи и другие направления. В настоящее время несколько проектов используют технологии FHE для содействия реализации защиты конфиденциальности:

• Решение FHE, разработанное одной компанией, широко используется в нескольких проектах по защите конфиденциальности в блокчейне.
• Некоторый проект основан на технологии TFHE, сосредоточен на булевых операциях и операциях с целыми числами малого разряда, и построил стек разработки FHE для приложений на блокчейне и AI.
• Другой проект разработал новый язык смарт-контрактов и библиотеку HyperghraphFHE, подходящую для блокчейн-сетей.
• Некоторый проект использует Гомоморфное шифрование для реализации защиты конфиденциальности в вычислительных сетях AI, поддерживает множество моделей AI.
• Есть проекты, которые объединяют Гомоморфное шифрование и искусственный интеллект, обеспечивая децентрализованную и защищенную от конфиденциальности среду ИИ.
• Некоторое решение Layer 2 поддерживает FHE Rollups и FHE Coprocessors, совместимо с EVM и поддерживает смарт-контракты, написанные на Solidity.

Вывод

FHE как передовая технология, позволяющая выполнять вычисления на зашифрованных данных, обладает значительными преимуществами в защите конфиденциальности данных. Хотя в настоящее время коммерческому применению FHE по-прежнему ставятся перед трудностями, такими как большие вычислительные затраты и плохая масштабируемость, с помощью аппаратного ускорения и оптимизации алгоритмов эти проблемы могут постепенно решаться. Кроме того, с развитием технологий блокчейн, FHE будет играть все более важную роль в области защиты конфиденциальности и безопасных вычислений. В будущем FHE может стать ключевой технологией, поддерживающей вычисления с защитой конфиденциальности, что приведет к новым революционным прорывам в области безопасности данных.