首頁

社區

快訊深度數據

Search Extension

FHE概念受VC熱捧，值得關注的項目有哪些？

Poopman

2024-06-18 15:45

閱讀本文需 17 分鐘

FHE（全同態加密）生態系一覽。

原文作者：Poopman
編譯：Joyce，BlockBeats

編按：

「FHE」是近期加密社群的炙手可熱的技術主題。

兩週前，以太坊 Layer 2 Fhenix 宣布完成 Hack VC 領投的 1500 萬美元 A 輪融資，而早在去年，Fhenix 已經獲得了 Multicoin 領投的種子輪融資。 Fhenix 是一個由 FHE Rollups 與 FHE Coprocessors 提供支援的以太坊 L2，可以運行基於 FHE 的具有鏈上保密計算的智能合約。昨日，正在進行重大更新的 Arweave 創辦人 Sam Williams 也在社群媒體上發文，表示即將推出使用 FHE 在 AO 流程內進行隱私計算的功能。

FHE 生態項目眾多，社區KOL Poopman 的這篇長文對FHE 的概念以及生態項目做了基本梳理，並提出了FHE 面臨的技術挑戰和可能的解決方案，BlockBeats 編譯如下：

FHE 開啟了無需解密即可計算加密資料的可能性。當與區塊鏈、MPC、ZKP（可擴展性）結合時，FHE 提供必要的機密性並支援各種鏈上用例。

在本文中，我將介紹四個問題，分別是FHE 的背景、FHE 如何運作、FHE 生態系統的5 種景觀以及當前FHE 的挑戰與解決方案。

FHE 的背景

FHE 於1978 年首次提出，但由於其計算複雜性，在相當長的一段時間內它並不實用，而且相當理論化。直到 2009 年，Craig 為 FHE 開發了一個可行的模型，從此引發了人們對 FHE 的研究興趣。

2020 年，Zama 推出TFHE 和fhEVM，使FHE 成為加密貨幣領域的焦點。從那時起，我們就看到了通用EVM 相容的FHE L1/L2（例如Fhenix、 Inco 和FHE 編譯器（例如Sunscreen 等）的出現。

FHE 如何運作？

你可以想像有盲盒，裡面有拼圖。然而，盲盒無法了解您給它的謎題的任何信息，但它仍然可以用數學計算結果。

如果太抽象的話，可以從我對 FHE 的簡化解釋中了解更多。 FHE 是一種隱私技術，無需先解密即可計算加密資料。換句話說，任何第三方或雲端都可以處理敏感訊息，而無需存取內部任何數據。

那麼什麼是 FHE 的用例呢？透過 ZKP 和 MPC 增強機器學習、雲端運算、鏈上賭博的隱私性。私有鏈上交易/私有智慧合約/注重隱私的虛擬機，例如 FHEVM 等。

一些FHE 用例包括：私有鏈上計算、鏈上資料加密、公共網路上的私人智慧合約、機密ERC20、私人投票、NFT 盲目拍賣、更安全的MPC、搶先交易保護、無需信任的橋樑。

FHE 生態系

總的來說，鏈上FHE 的前景可以概括為5 個領域。分別是通用 FHE、針對特定用例（應用程式）的 FHE/HE、FHE 加速硬體、FHE Wif AI、「替代解決方案」。

通用FHE 區塊鍊與工具

它們是實現區塊鏈保密性的支柱。這包括 SDK、協處理器、編譯器、新的執行環境、區塊鏈、FHE 模組...... 最具挑戰性的一項是將 FHE 引入 EVM，即 fhEVM。

fhEVM：

Zama (@zama_fhe )，作為fhEVM 的代表- 首個提供TFHE（全同態加密）+ fhEVM（全同態虛擬機器）解決方案的提供者。

Fhenix(@FhenixIO )，在ETH 上實現FHE L2（第二層）+FHE 協處理器。

Inco network (@inconetwork )，專注於遊戲/RWA（現實世界資產）/DID（去中心化身分）/社交等領域的EVM 相容FHE L1。

FairMath (@FairMath )，一個與openFHE合作的全同態虛擬機器(FHE-(E)VM) 研究組織，致力於促進FHE 的實施與採用。

FHE 基礎設施工具：

Octra network (@octra )，支援HFHE（高階全同態加密）隔離執行環境的區塊鏈。

Sunscreen (@SunscreenTech )，基於Rust 的全同態編譯器，依賴微軟的SEAL 函式庫。

Fairblock (@0xfairblock )，提供可編程加密和條件解密服務的供應商，也支援tFHE（閾值全同態加密）。

Dero (@DeroProject )，支援HE（同態加密）的L1，用於私人交易（不是FHE）。

Arcium (@ArciumHQ )，由@elusivprivacy 團隊開發的結合HE（同態加密）+MPC（多方計算）+ZK（零知識證明）隱私的L1 。

Shibraum FHE chain，使用 zama TFHE 解決方案製作的 FHE L1。

FHE/HE 適用於特定用途的應用

Penumbrazone（@penumbrazone）：一個跨鏈Cosmos dex（appchain），使用tFHE 作為其屏蔽交換/池。

zkHold-em（@zkHoldem）：是Manta 上的撲克遊戲，使用HE 和ZKP 來證明遊戲的公平性。

硬體加速FHE

每次將FHE 用於FHE-ML 等密集計算時，引導以減少噪音增長至關重要。硬體加速等解決方案在促進引導方面發揮重要作用，其中 ASIC 的性能最佳。

Optalysys（@Optalysys），一家硬體公司，專注於透過光學運算加速所有與TEE 相關的軟體，包括FHE。

Chain Reaction（@chainreactioni0），一家硬件公司，生產有助於提高挖礦效率的晶片。他們計劃在 2024 年底推出一款 FHE 晶片。

Ingonyama（@Ingo_zk），是一家專注於ZKP/FHE 硬體加速的半導體公司。現有產品包含 ZPU。

Cysic（@cysic_xyz）是一家硬體加速公司，現有產品包括自主研發的FPGA 硬件，以及即將推出的ZK DePiN 晶片、ZK Air 和ZK Pro 等。

每家公司都專門生產晶片、ASIC 和半導體等硬件，這些硬體可以加速 FHE 的引導/運算。

AI X FHE

最近，人們對將FHE 整合到AI/ML 中的興趣日益濃厚。其中，FHE 可以防止機器在處理任何敏感資訊時學習任何敏感資訊，並在整個過程中為資料、模型和輸出提供機密性。

Ai x FHE 成員包含：

Mind network(@mindnetwork_xyz )，一個FHE重新質押層，用於透過高價值資料加密和私有投票來保護權益證明（PoS）和 AI 網絡，減少節點合謀和操縱的機會。

SightAl（@theSightAI），一個可驗證的FHE AI 推理區塊鏈，具有可驗證的FHE-ML。區塊鏈由三個主要部分組成：視覺鏈（Sight Chain）、資料聚合層（DA 層）和一個視覺推理網路（Sight Inference Network），其中執行 FHE-ML 任務。

Based AI(@getbasedai )，Based AI是一個L1 區塊鏈，它使用一種名為"Cerberus Squeezing"（地獄犬壓縮）的機制將FHE 與大型語言模型（LLM）集成，這種機制可以將任何LLM轉換為加密的零知識大型語言模型（ZL-LLM）。

Privasea Al(@Privasea_ai )，Privasea AI是一個AI 網絡，允許用戶使用HESea 庫中的FHE 方案加密他們的數據或模型，然後上傳到Privasea-AI 網絡，在該網絡中區塊鏈以加密狀態處理數據。

HESea 函式庫是全面的，包含 TFHE、CKKS 和 BGV/BFV 的不同函式庫，並且與一系列方案相容。

「替代解決方案」MPC/ZKFHE

有的不使用FHE，而是使用MPC 來保護高價值資料並進行“盲計算”，而另一些則使用ZKSNARK 來保證FHE 對加密資料計算的正確性。他們是：

Nillion Network (@nillionnetwork ) ，一個使用MPC 去中心化和儲存高價值資料的運算網絡，同時允許使用者編寫程式並進行盲計算。 Nillion 由兩個主要組成部分構成：協調層和 Petnet。協調層充當支付管道，而 Petnet 則進行盲運算和高價值資料的儲存。

Padolabs (@padolabs），Pado 是一個使用FHE 處理敏感資料的計算網絡，同時利用MPC-TLS 和ZKP 保證計算的正確性。

FHE 的挑戰及解決方案

與ZK 和MPC 不同，FHE 仍處於早期階段。現在 FHE 的瓶頸是什麼？為了增強計算的安全性，加密時在密文中加入一些「噪音」。當密文中累積了太多“噪音”時，它就會變得太“嘈雜”，最終影響輸出的準確性。不同的解決方案正在探索如何有效消除雜訊而不對設計施加太多限制，包括 TFHE、CKKS、BGV 等。

FHE 的主要挑戰包括：

表現緩慢：目前，使用fh-EVM 的私有智能合約只有5 TPS。與純資料相比，TFHE 現在的效能大約慢 1000 倍。

尚不適合開發人員：目前仍缺乏標準化演算法和整體支援的 FHE 工具。

高運算開銷（成本）：由於雜訊管理和複雜運算的引導，這可能會導致節點中心化。

無擔保鏈上 FHE 的風險：為了確保任何閾值解密系統的安全，解密金鑰在節點之間分配。然而，由於 FHE 的開銷較高，這可能會導致驗證器數量較少，因此共謀的可能性較高。

解決方案包括：

可程式升壓：它允許在引導期間應用計算，從而在特定於應用程式的同時提高效率。

硬體加速：開發 ASIC、GPU 和 FPGA 以及 OpenFHE 函式庫，以加速 FHE 效能。