FHE全同态加密简析：技术原理、应用场景及相关项目

原作者：昊天

Vitaliks 关于 FHE（完全同态加密）的文章曾经人工智能激发了大家对新型加密技术的探索和想象。在我看来，FHE在想象力上确实比ZKP技术高了一个台阶，能够帮助AI+Crypto在更多的应用场景落地。这个该怎么理解呢？

1）定义：FHE全同态加密可以实现对特定形式的加密数据进行操作，不用担心数据暴露和隐私泄露。相比之下，ZKP只能解决加密状态下数据的一致性传输问题，数据接收方只能验证数据方提交的数据真实性，是点对点的加密传输方案；而全同态加密不限制操作主体的范围，因此可以看作是多对多的加密操作方案。

2）工作原理：传统计算机运算都是对明文数据进行，如果数据是加密的，则需要先解密后才能进行计算，这样势必会暴露隐私数据。同态加密构造了一种特殊的加密方案，可以对密文进行同态变换，使得运算结果与明文运算结果保持一致。在同态加密系统中，明文的加法等价于密文的乘法（一条规则），因此如果要对明文数据进行加法，只需要乘以密文即可（等价）。

简单来说，同态加密就是利用特殊的同态变化，使得密文状态下的数据产生与明文相同的结果，只需保证运算规则的同态对应特性即可。

3）应用场景：在传统互联网领域，FHE全同态加密可以广泛应用于云存储、生物识别、医疗健康、金融、广告、基因测序等诸多领域。以生物识别为例，个人指纹、虹膜、人脸等生物特征数据均属于敏感数据，利用FHE技术可以实现这些数据在服务器密文状态下的比对验证；同样，医疗健康领域多年的数据碎片化现象也可以被FHE打破，让不同的医疗架构在不共享原始数据的情况下进行联合分析建模。

在Crypto领域，FHE的应用空间还可以涉及到多个需要隐私的场景，比如游戏、DAO投票治理、MEV保护、隐私交易、监管合规等。以游戏场景为例：平台进行计算来推广游戏，而无需窥探玩家手中的牌，使游戏更加公平；

以 DAO 投票为例，巨鲸可以在不暴露地址和投票数的情况下参与投票治理，协议通过计算产生投票结果。此外，用户可以将加密交易传递给 Mempool，避免暴露目标地址、转账金额等隐私信息。再比如，在监管场景下，政府可以在不检查合法交易隐私数据的情况下，对资金池进行监控，剥离涉黑地址的资产。

4）缺点：值得注意的是，计算机对明文进行常规运算的计算环境往往比较复杂，除了加减乘除之外，还有条件循环、逻辑门判断等，而半同态加密和全同态加密只能在加法和乘法上快速进行，更复杂的运算需要组合和叠加，这会相应增加计算能力需求。

因此，理论上全同态加密可以支持任意计算，但由于性能瓶颈和算法特性，能够高效执行的同态计算种类和复杂度非常有限，一般来说，复杂的计算会需要大量的算力，因此全同态加密的技术实现过程其实是一个 发展 算法优化和算力成本控制优化的过程，尤其注重硬件加速和算力提升之后的性能。

多于

在我看来，虽然FHE全同态加密短时间内难以成熟和应用，但作为ZKP技术的扩展和补充，可以为AI大模型隐私计算、AI数据联合建模、AI协同训练、加密隐私合规交易、加密场景扩展等提供巨大的支撑价值。

本文来源于网络：FHE全同态加密浅析：技术原理、应用场景及相关项目

相关：Fantom（FTM）价格预测：这种看涨模式能否阻止 31% 下跌？

简而言之，Fantom 价格正在形成抛物线曲线模式，这表明可能出现 31% 修正。山寨币与比特币的正相关性表明 FTM 即将下跌。活跃存款也处于数月高位，表明出售动机很高。Fantom (FTM) 价格正处于看涨模式之中，但尽管出现反弹，但仍在观察看跌信号。山寨币能否抵抗这种情绪并继续其潜在的 102% 增长，还是会很快面临 31% 修正？加密货币市场看跌线索对 Fantom 价格造成沉重压力自本周初以来，Fantom 价格一直保持在 $1 关口上方。考虑到历史走势，山寨币似乎可能会继续这种反弹，但更广泛的……