IOSG Ventures: เหตุใด FHE จึงมีโอกาสประยุกต์ใช้งานใน Web3 ได้ดีกว่า?

ผู้เขียนต้นฉบับ: IOSG Ventures

ความเป็นส่วนตัวเป็นสิทธิพื้นฐานสำหรับมนุษย์และองค์กร สำหรับบุคคล ความเป็นส่วนตัวช่วยให้ผู้คนแสดงออกได้อย่างอิสระโดยไม่ต้องเปิดเผยข้อมูลใดๆ ที่พวกเขาไม่ต้องการแบ่งปันให้บุคคลภายนอก สำหรับองค์กรส่วนใหญ่ในปัจจุบัน ข้อมูลถือเป็นสินค้าหลัก และความเป็นส่วนตัวของข้อมูลมีความจำเป็นในการปกป้องสินค้าประเภทนี้ ขบวนการไซเฟอร์พังก์และการแปลงข้อมูลให้เป็นสินค้าได้เร่งการวิจัยและพัฒนาไพรมิทีฟการเข้ารหัส

การเข้ารหัสเป็นสาขาที่ค่อนข้างกว้าง และเมื่อเราพิจารณาการเข้ารหัสในบริบทของการประมวลผล เราจะเห็นรูปแบบต่างๆ มากมาย เช่น การพิสูจน์ความรู้เป็นศูนย์ การเข้ารหัสแบบโฮโมมอร์ฟิก การแบ่งปันความลับ เป็นต้น ซึ่งได้รับการปรับปรุงอย่างต่อเนื่องตั้งแต่เริ่มมีขึ้นในช่วงทศวรรษ 1960 รูปแบบเหล่านี้มีความจำเป็นต่อการปลดล็อกวิธีการคำนวณแบบส่วนตัว (ข้อมูลเป็นสินค้าหลักเนื่องจากผู้คนสามารถค้นพบข้อมูลเชิงลึกจากข้อมูลได้) จนถึงปัจจุบัน สาขาการประมวลผลแบบส่วนตัวได้พัฒนาก้าวหน้าอย่างมากในการคำนวณแบบหลายฝ่ายและการพิสูจน์ความรู้เป็นศูนย์ แต่ยังคงมีปัญหาเรื่องความเป็นส่วนตัวกับข้อมูลอินพุตอยู่เสมอ

เมื่อสินค้าที่สำคัญที่สุดเป็นของสาธารณะ เป็นเรื่องยากมากสำหรับเจ้าของข้อมูลใดๆ ที่จะจ้างบุคคลภายนอกให้ดำเนินการคำนวณข้อมูลนี้โดยไม่มีข้อตกลงทางกฎหมาย ปัจจุบัน ทุกคนต่างพึ่งพามาตรฐานการปฏิบัติตามกฎระเบียบสำหรับความเป็นส่วนตัวของข้อมูล เช่น HIPAA สำหรับข้อมูลด้านสุขภาพและ GDPR โดยเฉพาะสำหรับความเป็นส่วนตัวของข้อมูลในภูมิภาคยุโรป

ในพื้นที่ของบล็อคเชน เราเชื่อในความสมบูรณ์ของเทคโนโลยีมากกว่าความสมบูรณ์ของหน่วยงานกำกับดูแล ในฐานะผู้เชื่อในหลักการไม่ต้องขออนุญาตและเพิ่มความเป็นเจ้าของสูงสุด หากเราเชื่อในอนาคตที่ผู้ใช้เป็นเจ้าของข้อมูลของตนเอง เราจำเป็นต้องมีวิธีการที่ไม่ต้องไว้วางใจเพื่อดำเนินการคำนวณกับข้อมูลนั้น แนวคิดในการคำนวณกับข้อมูลที่เข้ารหัสนั้นเป็นสิ่งที่เข้าใจได้ยากจนกระทั่งมีผลงานของ Craig Gentry ในปี 2009 นี่เป็นครั้งแรกที่ใครก็ตามสามารถดำเนินการคำนวณ (การบวกและการคูณ) กับข้อความเข้ารหัส (หรือข้อมูลที่เข้ารหัส) ได้

1. การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) ทำงานอย่างไร

“คณิตศาสตร์มหัศจรรย์” ที่ทำให้คอมพิวเตอร์สามารถคำนวณได้โดยไม่เข้าใจข้อมูลอินพุตนั้นคืออะไรกันแน่?

การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) เป็นกลุ่มของโครงร่างการเข้ารหัสที่ให้สามารถดำเนินการคำนวณบนข้อมูลที่เข้ารหัส (ข้อความเข้ารหัส) ได้โดยไม่ต้องถอดรหัสข้อมูล เปิดโอกาสให้มีการใช้งานด้านความเป็นส่วนตัวและการปกป้องข้อมูลหลากหลาย

ในกระบวนการ FHE เมื่อข้อมูลได้รับการเข้ารหัส จะมีการเพิ่มข้อมูลเพิ่มเติมที่เรียกว่าสัญญาณรบกวนลงในข้อมูลต้นฉบับ นี่คือกระบวนการเข้ารหัสข้อมูล

ทุกครั้งที่คุณทำการคำนวณแบบโฮโมมอร์ฟิก (การบวกหรือการคูณ) จะมีการเพิ่มสัญญาณรบกวนเพิ่มเติมเข้ามา หากการคำนวณมีความซับซ้อนเกินไป การเพิ่มสัญญาณรบกวนแต่ละครั้งจะทำให้การถอดรหัสข้อความเข้ารหัสทำได้ยากในที่สุด (เนื่องจากต้องใช้การประมวลผลจำนวนมาก) กระบวนการนี้เหมาะสมกว่าสำหรับการบวก เนื่องจากสัญญาณรบกวนจะเพิ่มขึ้นแบบเชิงเส้น ในขณะที่การคูณ สัญญาณรบกวนจะเพิ่มขึ้นแบบเลขชี้กำลัง ดังนั้น หากมีการคูณพหุนามที่ซับซ้อน การถอดรหัสเอาต์พุตจะเป็นเรื่องยากมาก

หากสัญญาณรบกวนเป็นปัญหาหลักและการเติบโตของสัญญาณรบกวนทำให้ใช้งาน FHE ได้ยาก จะต้องมีการควบคุม ซึ่งทำให้เกิดกระบวนการใหม่ที่เรียกว่า Bootstrapping กระบวนการ Bootstrapping คือการเข้ารหัสข้อมูลที่เข้ารหัสด้วยคีย์ใหม่และถอดรหัสข้อมูลนั้นในกระบวนการเข้ารหัส ซึ่งมีความสำคัญมากเนื่องจากช่วยลดค่าใช้จ่ายในการคำนวณและค่าใช้จ่ายในการถอดรหัสของผลลัพธ์สุดท้ายได้อย่างมาก แม้ว่า Bootstrapping จะช่วยลดค่าใช้จ่ายในการถอดรหัสขั้นสุดท้ายได้ แต่กระบวนการดังกล่าวก็มีค่าใช้จ่ายในการดำเนินการจำนวนมาก ซึ่งอาจมีค่าใช้จ่ายสูงและใช้เวลานาน

ปัจจุบัน โครงการ FHE หลักๆ ได้แก่ BFV, BGV, CKKS, FHEW และ TFHE ยกเว้น TFHE ชื่อย่อของโครงการเหล่านี้คือชื่อของผู้เขียนเอกสาร

ลองนึกถึงโครงร่างเหล่านี้เป็นภาษาต่างๆ ที่พูดกันในประเทศเดียวกัน โดยแต่ละภาษาได้รับการปรับให้เหมาะสมสำหรับวัตถุประสงค์ที่แตกต่างกัน อุดมคติคือการมีประเทศที่เป็นหนึ่งเดียวซึ่งภาษาทั้งหมดเหล่านี้สามารถเข้าใจได้โดยเครื่องเดียวกัน กลุ่มงาน FHE จำนวนมากกำลังทำงานเพื่อให้โครงร่างต่างๆ เหล่านี้สามารถประกอบกันได้ ไลบรารีเช่น SEAL (รวมโครงร่าง BFV และ CKKS) และ HElib (BGV + CKKS โดยประมาณ) ช่วยในการนำโครงร่าง FHE หรือชุดโครงร่างต่างๆ มาใช้สำหรับการคำนวณที่แตกต่างกัน ตัวอย่างเช่น ไลบรารี Zamas Concrete เป็นคอมไพเลอร์ Rust สำหรับ TFHE

2. การเปรียบเทียบโครงการ FHE

ด้านล่างนี้คือการเปรียบเทียบประสิทธิภาพของไลบรารีต่างๆ โดย Charles Guter, Dimitris Mouris และ Nectarios George Tsousos ในเอกสาร SoK: New Insights into Fully Homomorphic Encryption Libraries via Standardized Benchmark (2022)

กรณีการใช้งาน Web3

เมื่อเราใช้บล็อคเชนและแอปพลิเคชันในปัจจุบัน ข้อมูลทั้งหมดจะเป็นข้อมูลสาธารณะและทุกคนสามารถมองเห็นได้ ซึ่งถือเป็นเรื่องดีสำหรับกรณีการใช้งานส่วนใหญ่ แต่จะจำกัดกรณีการใช้งานจำนวนมากที่จำเป็นต้องมีความเป็นส่วนตัวตามค่าเริ่มต้นหรือความลับของข้อมูล (เช่น โมเดลการเรียนรู้ของเครื่อง ฐานข้อมูลทางการแพทย์ จีโนมิกส์ การเงินส่วนบุคคล เกมที่ไม่ได้ถูกควบคุม ฯลฯ) บล็อคเชนหรือเครื่องเสมือนที่ขับเคลื่อนด้วย FHE อนุญาตให้เข้ารหัสสถานะของห่วงโซ่ทั้งหมดตั้งแต่เริ่มต้น ซึ่งรับประกันความเป็นส่วนตัว ในขณะเดียวกันก็อนุญาตให้ทำการคำนวณตามอำเภอใจกับข้อมูลที่เข้ารหัส ข้อมูลทั้งหมดที่จัดเก็บหรือประมวลผลบนเครือข่ายบล็อคเชนที่ขับเคลื่อนด้วย FHE นั้นปลอดภัยโดยเนื้อแท้ Zama มีโครงร่าง fhEVM ที่ช่วยให้สามารถดำเนินการคำนวณ EVM ได้ในสภาพแวดล้อมโฮโมมอร์ฟิกอย่างสมบูรณ์ ซึ่งรับประกันความเป็นส่วนตัวในระดับการดำเนินการสำหรับโครงการ L1/L2 ใดๆ ที่สร้างขึ้นโดยใช้ไลบรารีนี้ แม้ว่าห่วงโซ่ความเป็นส่วนตัวจะเป็นเทคโนโลยีที่ยอดเยี่ยมมาโดยตลอด แต่อัตราการนำไปใช้และประสิทธิภาพของโทเค็นไม่ได้เพิ่มขึ้นอย่างมีนัยสำคัญ

เมื่อพูดถึงการเอาท์ซอร์สการประมวลผลทั่วไป FHE นั้นไม่ได้มีไว้เพื่อแทนที่ ZK และ MPC พวกมันสามารถเสริมซึ่งกันและกันเพื่อสร้างยักษ์ใหญ่ด้านการประมวลผลส่วนตัวที่ไม่ต้องไว้วางใจ ตัวอย่างเช่น Sunscreen กำลังสร้างกลไกความเป็นส่วนตัวที่อนุญาตให้แอปพลิเคชันบล็อคเชนใดๆ ก็ตามสามารถเอาท์ซอร์สการประมวลผลไปยังสภาพแวดล้อมการประมวลผล FHE ของตนเอง และสามารถป้อนผลลัพธ์กลับมาได้ การประมวลผลที่ได้นั้นสามารถตรวจยืนยันได้ผ่านการพิสูจน์ ZK Octra กำลังดำเนินการในลักษณะเดียวกัน แต่ใช้รูปแบบการเข้ารหัสที่แตกต่างกันที่เรียกว่า hFHE

การพิสูจน์ ZK นั้นดีสำหรับการพิสูจน์บางสิ่งบางอย่างโดยไม่ต้องเปิดเผยข้อมูล แต่ผู้พิสูจน์ยังคงสามารถเข้าถึงข้อมูลนั้นได้ในบางจุดในเวลา การพิสูจน์ ZK นั้นไม่สามารถใช้กับการคำนวณข้อมูลส่วนตัวได้ มันสามารถตรวจยืนยันได้ว่ามีการคำนวณบางอย่างอย่างถูกต้องเท่านั้น

MPC จะกระจายการคำนวณข้อมูลที่เข้ารหัสไปยังเครื่องต่างๆ หลายเครื่อง ทำการคำนวณแบบคู่ขนาน จากนั้นจึงต่อผลการคำนวณขั้นสุดท้ายเข้าด้วยกัน ตราบใดที่เครื่องส่วนใหญ่ที่ดำเนินการคำนวณนั้นทำงานอย่างซื่อสัตย์ ข้อมูลต้นฉบับก็ไม่สามารถดึงกลับมาได้ แต่นี่ก็ยังคงเป็นสมมติฐานของความน่าเชื่อถือ เนื่องจาก MPC จำเป็นต้องมีการสื่อสารอย่างต่อเนื่องระหว่างฝ่ายต่างๆ (ข้อมูลจะต้องถูกแบ่ง คำนวณ และเชื่อมต่อใหม่ตลอดเวลา) จึงทำให้การปรับขนาดผ่านฮาร์ดแวร์ทำได้ยาก

ใน FHE การคำนวณทั้งหมดจะดำเนินการกับข้อมูลที่เข้ารหัสโดยไม่ต้องถอดรหัส และสามารถทำได้บนเซิร์ฟเวอร์เดียว ประสิทธิภาพของ FHE สามารถปรับขนาดได้ด้วยฮาร์ดแวร์ที่ดีขึ้น ทรัพยากรคอมพิวเตอร์ที่มากขึ้น และการเร่งความเร็วด้วยฮาร์ดแวร์

ปัจจุบัน กรณีการใช้งานที่ดีที่สุดสำหรับ FHE ในพื้นที่บล็อคเชนนั้นเกี่ยวกับการเอาท์ซอร์สการประมวลผลทั่วไปมากกว่าการสร้าง FHE L1/L2 ในตัว ต่อไปนี้คือกรณีการใช้งานที่น่าสนใจบางส่วนที่ FHE สามารถปลดล็อกได้:

• รุ่นแรก (ดั้งเดิมของการเข้ารหัส): DID บนเครือข่าย, คาสิโน, การพนัน, การลงคะแนนเสียง, เกม, DeFi ส่วนตัว, โทเค็นส่วนตัว, พูลมืด, 2FA, การสำรองข้อมูล, รหัสผ่าน

• รุ่นที่สอง (โมดูลาร์): “การเชื่อมโยงโซ่เพื่อความเป็นส่วนตัว” การประมวลผลส่วนตัวแบบเอาท์ซอร์ส การเข้ารหัสแบบครบวงจรระหว่างบล็อคเชนและสัญญา ความพร้อมใช้งานของข้อมูลที่เข้ารหัส การจัดเก็บข้อมูลที่ปลอดภัยที่ตรวจสอบได้

• รุ่นที่สาม (ระดับองค์กร): แอปพลิเคชันผู้บริโภคที่ซับซ้อน LLM แบบเข้ารหัสและกระจายอำนาจ ปัญญาประดิษฐ์ อุปกรณ์สวมใส่ การสื่อสาร การทหาร การแพทย์ โซลูชันการชำระเงินที่รักษาความเป็นส่วนตัว การชำระเงิน P2P ส่วนตัว

โครงการอุตสาหกรรมปัจจุบันตาม FHE

การพัฒนาการเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) ได้สร้างแรงบันดาลใจให้กับโครงการบล็อคเชนนวัตกรรมใหม่หลายโครงการที่ใช้ประโยชน์จากเทคโนโลยีนี้เพื่อปรับปรุงความเป็นส่วนตัวและความปลอดภัยของข้อมูล หัวข้อนี้จะเจาะลึกรายละเอียดทางเทคนิคและแนวทางเฉพาะของโครงการที่มีชื่อเสียง เช่น Inco, Fhenix และ Zama

อินโค

Inco เป็นผู้บุกเบิกการบูรณาการ FHE กับบล็อคเชน โดยสร้างแพลตฟอร์มที่ทำให้การคำนวณข้อมูลมีความปลอดภัยและเป็นส่วนตัว Inco ใช้การเข้ารหัสแบบแลตทิซเพื่อนำโครงการ FHE ไปใช้ เพื่อให้แน่ใจว่าสามารถดำเนินการกับข้อความเข้ารหัส (ข้อมูลที่เข้ารหัส) ได้โดยไม่เปิดเผยข้อความธรรมดาที่เป็นพื้นฐาน แพลตฟอร์มนี้รองรับสัญญาอัจฉริยะที่รักษาความเป็นส่วนตัว ซึ่งช่วยให้สามารถประมวลผลข้อมูลที่เข้ารหัสได้โดยตรงบนบล็อคเชน

• FHE ที่ใช้แลตทิซ: Inco ใช้การเข้ารหัสที่ใช้แลตทิซสำหรับการใช้งาน FHE ซึ่งเป็นที่รู้จักในด้านคุณสมบัติความปลอดภัยหลังควอนตัม ช่วยให้มั่นใจถึงความยืดหยุ่นต่อการโจมตีควอนตัมที่อาจเกิดขึ้นในอนาคต

• สัญญาอัจฉริยะที่รักษาความเป็นส่วนตัว: สัญญาอัจฉริยะของ Inco สามารถดำเนินการฟังก์ชันตามอำเภอใจในอินพุตที่เข้ารหัส ทำให้มั่นใจได้ว่าทั้งสัญญาและโหนดที่ดำเนินการตามสัญญาไม่สามารถเข้าถึงข้อมูลข้อความธรรมดาได้

• การจัดการเสียงรบกวนและการบูตสแตรป: เพื่อจัดการกับปัญหาการเติบโตของเสียงรบกวนในระหว่างการดำเนินการโฮโมมอร์ฟิก Inco ได้นำเทคนิคบูตสแตรปที่มีประสิทธิภาพมาใช้เพื่อรีเฟรชข้อความเข้ารหัสและรักษาความสามารถในการถอดรหัสในขณะที่ดำเนินการคำนวณที่ซับซ้อน

ฟีนิกซ์

Fhenix มุ่งเน้นที่การจัดหาโครงสร้างพื้นฐานที่แข็งแกร่งสำหรับแอปพลิเคชันที่รักษาความเป็นส่วนตัว โดยใช้ FHE เพื่อจัดหาโซลูชันการเข้ารหัสแบบครบวงจรเพื่อปกป้องข้อมูลของผู้ใช้ แพลตฟอร์มของ Fhenix ได้รับการออกแบบมาเพื่อรองรับแอปพลิเคชันต่างๆ มากมาย ตั้งแต่ระบบส่งข้อความที่ปลอดภัยไปจนถึงธุรกรรมทางการเงินส่วนตัว ช่วยให้มั่นใจถึงความเป็นส่วนตัวของข้อมูลในระหว่างกระบวนการประมวลผลทั้งหมด

• การเข้ารหัสแบบ End-to-end: Fhenix รับประกันว่าข้อมูลจะยังคงเข้ารหัสตั้งแต่จุดเข้าใช้งานจนถึงการประมวลผลและการจัดเก็บ ซึ่งทำได้โดยการผสมผสานเทคโนโลยี FHE และการคำนวณแบบหลายฝ่ายที่ปลอดภัย (SMPC)

• การจัดการคีย์ที่มีประสิทธิภาพ: Fhenix บูรณาการระบบการจัดการคีย์ขั้นสูงเพื่ออำนวยความสะดวกในการแจกจ่ายและการหมุนเวียนคีย์ที่ปลอดภัย ซึ่งเป็นกุญแจสำคัญในการรักษาความปลอดภัยในระยะยาวในสภาพแวดล้อม FHE

• ความสามารถในการปรับขนาด: แพลตฟอร์มใช้การดำเนินการโฮโมมอร์ฟิกที่ได้รับการปรับให้เหมาะสมและการประมวลผลแบบขนานเพื่อจัดการการคำนวณขนาดใหญ่ได้อย่างมีประสิทธิภาพ ซึ่งเป็นการแก้ไขปัญหาหลักประการหนึ่งของ FHE

• โคโปรเซสเซอร์: Fhenix ยังเป็นผู้บุกเบิกการพัฒนาโคโปรเซสเซอร์เฉพาะทางที่ออกแบบมาเพื่อเร่งความเร็วในการคำนวณ FHE โคโปรเซสเซอร์เหล่านี้ได้รับการออกแบบมาโดยเฉพาะเพื่อจัดการกับการดำเนินการทางคณิตศาสตร์ที่เข้มข้นที่จำเป็นสำหรับ FHE โดยปรับปรุงประสิทธิภาพและความสามารถในการปรับขนาดของแอปพลิเคชันที่รักษาความเป็นส่วนตัวได้อย่างมีนัยสำคัญ

ซามะ

Zama เป็นผู้นำในพื้นที่ FHE และเป็นที่รู้จักดีจากรูปแบบ fhEVM ซึ่งช่วยให้สามารถคำนวณ Ethereum EVM ได้ในสภาพแวดล้อมแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ ช่วยให้มั่นใจถึงความเป็นส่วนตัวที่ระดับการดำเนินการสำหรับโครงการ L1/L2 ใดๆ ที่สร้างขึ้นโดยใช้ไลบรารี

• โซลูชัน fhEVM: โซลูชัน fhEVM ของ Zamas ผสานรวม FHE เข้ากับ Ethereum Virtual Machine เพื่อให้สามารถดำเนินการสัญญาอัจฉริยะแบบเข้ารหัสได้ ซึ่งช่วยให้สามารถทำธุรกรรมและการคำนวณที่เป็นความลับในระบบนิเวศ Ethereum ได้

• Concrete Library: ไลบรารี Zamas Concrete เป็นคอมไพเลอร์ Rust สำหรับ TFHE (ตัวแปรของ FHE) ไลบรารีนี้มอบการใช้งานที่มีประสิทธิภาพสูงของรูปแบบการเข้ารหัสแบบโฮโมมอร์ฟิก ทำให้การคำนวณทางเข้ารหัสมีประสิทธิภาพมากขึ้น

• ความสามารถในการทำงานร่วมกัน: Zama มุ่งมั่นที่จะสร้างโซลูชันที่ทำงานร่วมกับโครงสร้างพื้นฐานของบล็อคเชนที่มีอยู่ได้อย่างราบรื่น ซึ่งรวมถึงการสนับสนุนโปรโตคอลและไพรมิทีฟการเข้ารหัสที่หลากหลาย เพื่อให้แน่ใจว่ามีความเข้ากันได้อย่างกว้างขวางและบูรณาการได้ง่าย

3. บทบาทสำคัญของ FHE ในโครงสร้างพื้นฐานด้านการเข้ารหัสและ AI และแอปพลิเคชัน

ปัจจุบัน การเข้ารหัสและปัญญาประดิษฐ์กำลังดำเนินไปอย่างเต็มที่ โดยไม่ต้องเจาะลึกถึงเรื่องนี้ เราควรทราบว่านวัตกรรมในโมเดลและชุดข้อมูลใหม่ๆ จะถูกขับเคลื่อนโดยความร่วมมือของโอเพ่นซอร์สระหว่างหลายฝ่าย นอกเหนือจากการคำนวณแล้ว สิ่งที่สำคัญที่สุดก็คือข้อมูล และข้อมูลนี้เป็นส่วนที่สำคัญที่สุดในกระบวนการทำงานร่วมกันนี้ แอปพลิเคชันและโมเดลปัญญาประดิษฐ์จะมีประโยชน์ก็ต่อเมื่อได้ข้อมูลที่ใช้ในการฝึกเท่านั้น ไม่ว่าจะเป็นโมเดลพื้นฐาน โมเดลที่ปรับแต่งแล้ว หรือตัวแทนอัจฉริยะของปัญญาประดิษฐ์ การเก็บข้อมูลนี้ให้ปลอดภัยและเป็นส่วนตัวจะเปิดพื้นที่การออกแบบขนาดใหญ่สำหรับการทำงานร่วมกันของโอเพ่นซอร์ส ขณะเดียวกันก็ช่วยให้เจ้าของข้อมูลยังคงได้รับผลกำไรจากโมเดลการฝึกหรือแอปพลิเคชันขั้นสุดท้ายได้ หากข้อมูลนี้เป็นข้อมูลสาธารณะ การสร้างรายได้ก็จะทำได้ยาก (เพราะใครๆ ก็สามารถเข้าถึงชุดข้อมูลที่มีค่าได้) ดังนั้นข้อมูลนี้จึงมีแนวโน้มที่จะได้รับการปกป้องอย่างเข้มงวดมากขึ้น

ในบริบทนี้ FHE สามารถมีบทบาทสำคัญได้ โดยในทางอุดมคติแล้ว FHE สามารถฝึกโมเดลได้โดยไม่ต้องเปิดเผยชุดข้อมูลพื้นฐาน ซึ่งสามารถปลดล็อกการสร้างรายได้จากชุดข้อมูลและส่งเสริมการทำงานร่วมกันของโอเพนซอร์สระหว่างเจ้าของชุดข้อมูลได้อย่างมาก

ที่มา : Bagel Network

FHE ปรับปรุงการเรียนรู้ของเครื่องจักรที่รักษาความเป็นส่วนตัว (PPML) ได้อย่างไร

• ความเป็นส่วนตัวของข้อมูล: การใช้ FHE จะทำให้สามารถเข้ารหัสข้อมูลที่ละเอียดอ่อน เช่น บันทึกทางการแพทย์ ข้อมูลทางการเงิน หรือข้อมูลระบุตัวตนส่วนบุคคลได้ ก่อนที่จะป้อนเข้าสู่โมเดล ML วิธีนี้จะช่วยให้มั่นใจได้ว่าข้อมูลจะยังคงเป็นความลับ แม้ว่าสภาพแวดล้อมการประมวลผลจะถูกบุกรุกก็ตาม

• การฝึกโมเดลที่ปลอดภัย: การฝึกโมเดล ML มักต้องใช้ข้อมูลจำนวนมาก การใช้ FHE ช่วยให้สามารถเข้ารหัสข้อมูลได้ ทำให้สามารถฝึกโมเดลได้โดยไม่ต้องเปิดเผยข้อมูลต้นฉบับ ซึ่งถือเป็นสิ่งสำคัญสำหรับอุตสาหกรรมที่จัดการข้อมูลที่ละเอียดอ่อนและอยู่ภายใต้ข้อบังคับด้านความเป็นส่วนตัวของข้อมูลที่เข้มงวด

• การอนุมานที่เป็นความลับ: นอกจากการฝึกอบรมแล้ว FHE ยังสามารถใช้สำหรับการอนุมานแบบเข้ารหัสได้อีกด้วย ซึ่งหมายความว่า เมื่อฝึกอบรมโมเดลแล้ว ก็สามารถทำนายข้อมูลอินพุตที่เข้ารหัสได้ ทำให้มั่นใจได้ว่าข้อมูลของผู้ใช้จะยังคงเป็นส่วนตัวตลอดกระบวนการอนุมาน

• พื้นที่การประยุกต์ใช้ FHE PPML:

• การดูแลสุขภาพ: การฝึกอบรมโมเดล ML ในลักษณะที่รักษาความเป็นส่วนตัวสามารถนำไปสู่การรักษาที่เป็นส่วนตัวและมีประสิทธิภาพมากขึ้นโดยไม่ต้องเปิดเผยข้อมูลที่ละเอียดอ่อนของผู้ป่วย

• การเงิน: สถาบันการเงินสามารถใช้ FHE เพื่อวิเคราะห์ข้อมูลธุรกรรมที่เข้ารหัสเพื่อการตรวจจับการฉ้อโกงและการประเมินความเสี่ยงในขณะที่ยังคงรักษาความเป็นส่วนตัวของลูกค้า

• IoT และอุปกรณ์อัจฉริยะ: อุปกรณ์สามารถรวบรวมและประมวลผลข้อมูลในรูปแบบเข้ารหัส ช่วยให้มั่นใจได้ว่าข้อมูลที่ละเอียดอ่อน เช่น ข้อมูลตำแหน่งหรือรูปแบบการใช้งานยังคงเป็นความลับ

ปัญหาเกี่ยวกับ FHE:

ดังที่ได้กล่าวไปก่อนหน้านี้ ไม่มีเอกภาพระหว่างโครงร่าง FHE โครงร่างไม่สามารถประกอบกันได้ และหลายครั้ง โครงร่าง FHE ที่แตกต่างกันจะต้องรวมกันสำหรับการคำนวณประเภทต่างๆ กระบวนการทดลองกับโครงร่างที่แตกต่างกันสำหรับการคำนวณเดียวกันก็ค่อนข้างยุ่งยากเช่นกัน กรอบงาน CHIMERA ที่อยู่ระหว่างการพัฒนาช่วยให้สามารถสลับไปมาระหว่างโครงร่าง FHE ที่แตกต่างกัน เช่น TFHE, BFV และ HEAAN ได้ แต่ยังห่างไกลจากการใช้งานในขณะนี้ ซึ่งนำไปสู่ปัญหาต่อไป ซึ่งก็คือการขาดเกณฑ์มาตรฐาน เกณฑ์มาตรฐานมีความสำคัญมากสำหรับนักพัฒนาในการนำเทคโนโลยีนี้มาใช้ ซึ่งจะช่วยประหยัดเวลาของนักพัฒนาจำนวนมาก เมื่อพิจารณาจากค่าใช้จ่ายในการคำนวณ (การเข้ารหัส การถอดรหัส การบูตสแตรป การสร้างคีย์ ฯลฯ) ฮาร์ดแวร์เอนกประสงค์ที่มีอยู่จำนวนมากจึงไม่เหมาะสมนัก จำเป็นต้องมีการเร่งความเร็วฮาร์ดแวร์ในรูปแบบใดรูปแบบหนึ่ง หรืออาจต้องสร้างชิปเฉพาะ (FPGA และ/หรือ ASIC) เพื่อให้ได้แอปพลิเคชัน FHE ที่เป็นกระแสหลักมากขึ้น ปัญหาของโหมดเหล่านี้สามารถเปรียบเทียบได้กับปัญหาของอุตสาหกรรม ZK (ความรู้เป็นศูนย์) ตราบใดที่นักคณิตศาสตร์ นักวิทยาศาสตร์ประยุกต์ และวิศวกรที่ชาญฉลาดกลุ่มหนึ่งยังคงสนใจในสาขานี้ เราจะยังคงมีมุมมองบวกต่อทั้งสองสาขา นั่นคือ FHE สำหรับความเป็นส่วนตัวและ ZK สำหรับการตรวจสอบยืนยัน

4. อนาคตที่ขับเคลื่อนโดย FHE จะเป็นอย่างไร?

จะมีโซลูชัน FHE เพียงหนึ่งเดียวที่จะควบคุมโซลูชันทั้งหมดหรือไม่ การอภิปรายนี้ยังคงดำเนินต่อไปในอุตสาหกรรม แม้ว่าอุดมคติคือการมีโซลูชันแบบรวมศูนย์ แต่ความต้องการที่หลากหลายของแอปพลิเคชันที่แตกต่างกันอาจต้องใช้โซลูชันเฉพาะที่ปรับให้เหมาะสมสำหรับงานเฉพาะเสมอ การทำงานร่วมกันระหว่างโซลูชันเป็นโซลูชันที่ดีที่สุดหรือไม่ การทำงานร่วมกันอาจเป็นแนวทางที่ใช้งานได้จริง ช่วยให้มีความยืดหยุ่นในการจัดการความต้องการการประมวลผลที่หลากหลายในขณะที่ใช้ประโยชน์จากจุดแข็งของโซลูชันต่างๆ

FHE จะพร้อมใช้งานเมื่อใด ความพร้อมใช้งานนั้นมีความเกี่ยวข้องอย่างใกล้ชิดกับความก้าวหน้าในการลดค่าใช้จ่ายด้านการคำนวณ การปรับปรุงมาตรฐานการเปรียบเทียบ และการพัฒนาฮาร์ดแวร์เฉพาะทาง เมื่อมีความก้าวหน้าในด้านเหล่านี้ FHE ก็จะเข้าถึงได้ง่ายขึ้นและใช้งานได้จริงมากขึ้น

โดยสรุปแล้ว FHE เป็นเครื่องมืออันทรงพลังสำหรับการปกป้องความเป็นส่วนตัวของข้อมูลและการประมวลผลที่ปลอดภัย แม้ว่าจะยังมีความท้าทายในด้านการทำงานร่วมกัน ค่าใช้จ่ายในการประมวลผล และการสนับสนุนฮาร์ดแวร์ แต่ไม่สามารถละเลยศักยภาพของ FHE ในบล็อคเชน การเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัว และแอปพลิเคชัน Web3 ที่กว้างขึ้นได้ ด้วยการพัฒนาอย่างต่อเนื่องและนวัตกรรมทางเทคโนโลยี คาดว่า FHE จะมีบทบาทสำคัญในอนาคตของการปกป้องความเป็นส่วนตัวและการประมวลผลที่ปลอดภัย

บทความนี้มีที่มาจากอินเทอร์เน็ต: IOSG Ventures: เหตุใด FHE จึงมีโอกาสนำไปประยุกต์ใช้งานใน Web3 ได้ดีกว่า?

ที่เกี่ยวข้อง: Shibarium เสร็จสิ้นการ Hard Fork สัญญาการทำธุรกรรมที่รวดเร็วและน่าประทับใจ: ผลกระทบต่อราคา

โดยสรุป Shibarium ได้ทำการ hard fork สำเร็จแล้ว สัญญาว่าจะทำธุรกรรมได้อย่างรวดเร็ว การอัปเดตนี้มุ่งเป้าไปที่เครือข่าย Shibarium ที่ราคาไม่แพงและเข้าถึงได้ ราคาของ SHIB อาจพุ่งสูงขึ้นหากทะลุ $0.00002349 Shibarium เครือข่ายเลเยอร์ 2 จากระบบนิเวศของ Shiba Inu (SHIB) ได้ทำการ hard fork สำเร็จเมื่อวันที่ 2 พฤษภาคม การอัปเดตนี้สัญญาว่าจะส่งมอบธุรกรรมที่รวดเร็วและค่าธรรมเนียมก๊าซที่คาดเดาได้มากขึ้น ช่วยเพิ่มการโต้ตอบของผู้ใช้กับเครือข่าย Shiba Inu พร้อมที่จะฝ่าวงล้อมหลังจาก Shibarium Hard Fork หรือไม่ เครือข่าย Shibarium ประกาศบน X (เดิมคือ Twitter) ว่าได้ทำการ hard fork สำเร็จแล้วที่ความสูงของบล็อก 4,504,576 การ hard fork ในเทคโนโลยีบล็อคเชนเกี่ยวข้องกับการอัปเกรดครั้งใหญ่ซึ่งส่งผลให้เครือข่ายถูกแยกออกเป็นสองเชน กระบวนการนี้เปิดตัวเมื่อวันที่ 24 เมษายน ซึ่งทำให้เกิดการเปลี่ยนแปลงพื้นฐานที่ไม่เข้ากันกับซอฟต์แวร์รุ่นก่อน...