原作者:浩天
Vitaliks關於FHE(全同態加密)的文章曾經有過ag人工智慧n 激發了大家對新加密技術的探索與想像。在我看來,FHE在想像力方面確實比ZKP技術高了一步,能夠幫助AI+加密在更多的應用場景落地。我們該如何理解這一點呢?
1)定義:FHE全同態加密可以實現對加密資料以特定形式的操作,而不用擔心暴露資料和隱私。相較之下,ZKP只能解決加密狀態下資料的一致性傳輸問題。資料接收方只能驗證資料方提交的資料是否真實。是一種點對點的加密傳輸方案;而全同態加密不限制運算主體的範圍,因此可以看作是一種多對多的加密運算方案。
2)工作原理:傳統的電腦操作是對明文資料執行的。如果資料是加密的,在計算之前需要解密,這必然會暴露隱私資料。同態加密建構了一個特殊的加密方案,可以對密文進行同態變換,使得運算結果保持與明文運算相同。在同態加密系統中,明文的相加相當於密文的相乘(一個規則),所以如果要添加明文數據,只需要與密文相乘(等價)即可。
簡而言之,同態加密利用特殊的同態變化,使密文狀態的資料產生與明文相同的結果。只需要確保運算規則的同態對應特性即可。
3)應用場景:在傳統網路領域,FHE全同態加密可應用於雲端儲存、生物辨識、醫療保健、金融、廣告、基因定序等廣泛領域。等生物特徵資料均屬於敏感資料。利用FHE技術可以實現這些資料在伺服器的密文狀態下的比較和驗證;同樣,醫療保健領域多年來的數據碎片化也可以被FHE打破,讓不同的醫療機構在不共享原始數據的情況下進行聯合分析和建模。
在加密領域,FHE應用空間還可以涉及多個需要隱私的場景,例如遊戲、DAO投票治理、MEV保護、隱私交易、監管合規等。手中的牌,讓遊戲更公平;
以 DAO 投票為例,鯨魚可以在不暴露地址和投票數量的情況下參與投票治理,協議可以透過計算產生投票結果。此外,使用者可以將加密交易傳遞給Mempool,避免目標地址、轉帳金額等私人資訊外露。再例如,在監管場景下,政府可以監控資金池,剝離黑相關地址的資產,而無需檢查合法交易的隱私資料。
4)缺點:值得注意的是,電腦以純文字方式執行日常操作的運算環境往往較為複雜。除了加法、減法、乘法和除法之外,還有條件循環、邏輯閘判斷等,而半同態加密和全同態加密只能在加法和乘法上快速進行。更複雜的運算需要組合和疊加,這會相應增加運算能力的需求。
因此,理論上,完全同態加密可以支援任何計算,但由於效能瓶頸和演算法特性,能夠高效執行的同態計算類型和複雜度非常有限。一般來說,複雜的計算需要大量的運算能力。因此,全同態加密的技術實現過程實際上是一個 發展 演算法優化和算力成本控制優化的過程,特別關注硬體加速和算力增強後的效能。
多於
在我看來,雖然FHE全同態加密很難在短時間內成熟和應用,但作為ZKP技術的延伸和補充,它可以為AI大模型隱私計算、AI數據聯合建模、 AI協同訓練、加密隱私合規交易、加密場景擴充。
本文源自網路:FHE全同態加密簡析:技術原理、應用場景及相關項目
相關:Fantom (FTM) 價格預測:這種看漲模式能否阻止 31% 下跌?
簡而言之,Fantom 價格正在建立拋物線曲線模式,這表明可能存在潛在的 31% 修正。山寨幣與比特幣的正相關性表明 FTM 將會下跌。活躍存款也處於數月高位,顯示拋售動機很高。 Fantom (FTM) 價格正處於看漲模式之中,但儘管出現反彈,但仍觀察到看跌訊號。山寨幣能否對抗這種情緒並繼續其潛在的 102% 上漲,還是很快就會面臨 31% 回調?加密貨幣市場看跌訊號嚴重影響 Fantom 價格 Fantom 價格自本周初以來一直保持在 $1 上方。考慮到歷史走勢,山寨幣似乎可能會繼續這種反彈,但更廣泛的...