FHE：データ・プライバシーの保護

出典：IOBCキャピタル

デジタル時代において、データプライバシー保護はこれまで以上に重要になっています。ビッグデータ、クラウドコンピューティング、モノのインターネット（IoT）技術の急速な発展により、個人情報の収集、保存、分析はますます一般的になっています。しかし、これはデータ漏洩や悪用のリスクももたらします。

FHE（Fully Homomorphic Encryption）は、暗号化されたデータに対して直接計算を実行することを可能にし、得られた結果は、元のデータに対して同じ計算を実行した場合と同じになります。これは、元のデータを公開することなくデータを処理・分析できることを意味し、データのプライバシーと完全性を保護するための新しいソリューションを提供します。

FHEの理論的基礎は、Rivestらによって最初の同相暗号化問題が提起された1978年まで遡ることができます。初期のFHEスキームは計算効率が極めて低く、実用的なアプリケーションの要求を満たすことができませんでした。 研究者がFHEの性能を大幅に向上させる最適化スキームを提案し続けているため、FHE研究は効率の向上、計算の複雑さの軽減、アプリケーション・シナリオの拡大に向かっています。

FHEの技術的実装経路

Ideal Lattice Based FHE Scheme

これは現在、FHEを構築する最も実用的で効率的な方法として認識されており、主なアイデアは、モジュロ演算によってリング演算の代数構造を利用することです。を行い、環の理想因子を分解することで暗号化・復号化を完成させるというものである。代表的な方式には、BGV、BFV、CKKSなどがある。この種の方式の利点は効率が良いことで、欠点は鍵と暗号文の空間が大きくなることである。

Matrix-based FHE schemes

このスキームは平文情報を行列に符号化し、行列演算によって同型性を実現します。代表的な方式にはGSWやHiNCがあり、安全性は高いが効率が低いという特徴があります。

NTRU ベースの FHE スキーム

NTRU (Number Theory Research Unit)は優れた代数的構造と巡回対称性を持っており、YASHE や NTRU -FHE などの効率的な FHE スキームを構築することができます。-これらのスキームの利点は、鍵と暗号文のサイズが小さいことであり、リソースに制約のある環境に適している。

FHE schemes based on learning noisy arithmetic circuits (LWE/LWR)

FHEWやTFHEなど、LWE/LWRパズルに基づいて構築された暗号化スキームを使用します。しかし、実用性は限られています。

FHE vs. ZKP

FHEとZKPはどちらも暗号技術ですが、ほぼ補完関係にあります。

ZKPは、特定の詳細を明らかにすることなく、メッセージが正しいことを検証者に証明することを可能にし、検証者は計算を再実行することなく、メッセージの正しさと計算の完全性を検証することができます。ZKPは情報を明らかにすることなく正しさを証明できるが、その入力は一般的に平文形式であるため、プライバシー侵害につながる可能性がある。

この問題は、暗号化されたデータに対して復号化の必要なく任意の計算を実行できるFHEを導入することで解決できる。しかし、FHEは計算の正しさと信頼性を保証できないという問題を抱えており、これはまさにZKPが対処している問題です。

FHE+ZKPの技術の組み合わせにより、一方でFHEは入力データと計算プロセスのプライバシーを保護し、他方でZKPはFHE計算の正しさ、合法性、監査可能性の暗号化された証明を提供し、最終的に真に安全で信頼できるプライバシー計算を実現します。は非常に価値のあるものです。

ZAMA: FHE Pilot

Zamaは、ブロックチェーンとAIのための最先端のFHEソリューションを構築するオープンソースの暗号会社です。

TFHE-rsは、暗号化されたデータ上でブール演算と整数演算を実行するためのトーラス上の完全同相暗号のRust実装です。TFHE-rsライブラリは、ZamaのTFHEの変種を実装しており、プログラム可能なブートストラッピング(プログラマブル・ブートストラッピング)などの必要な同型演算をすべて実装しています。

ConcreteはオープンソースのFHEフレームワークであり、フレームワークの一部としてTFHEコンパイラを含んでいます。これは、通常のプログラミングコードを、FHEを使用してコンピュータが実行できるアクション可能な命令に変換することで、開発者がFHEプログラムを簡単に書けるようにするものです。FHEで暗号化されたデータに対する計算では、多くのノイズが発生し、それがエラーにつながる可能性があります。 Concreteのデフォルトのエラー確率は非常に低く、開発者はこのエラー確率のパラメータを柔軟に変更することができます。

Concrete MLはConcrete上に構築されたプライバシー保持機械学習（PPML）のためのオープンソースツールで、開発者は暗号の知識がなくてもFHEを機械学習モデルに統合することができます。

fhEVM はEVMエコシステムにFHEを導入し、開発者が暗号化されたスマートコントラクトをチェーン上で実行できるようにします。ライブラリを導入し、開発者がSolidityを使って暗号化されたデータを計算できるようにしています。

Fhenix: the first FHE-Rollup

Fhenixは初のFHEベースのLayer2 Rollupで、ZamaのTFHE-rsに基づいて独自の暗号計算ライブラリを構築しています。-fheOSはまた、ロールアップと閾値サービス・ネットワーク（TSN）間の復号化および再暗号化要求の通信と認証、ならびに復号化要求が正当なものであることの証明も担っている。EVMと完全に互換性があります。

FhenixのコンセンサスメカニズムはArbitrumのNitroプローバーを使用している。不正な証明を選択する理由は、FHEとzkSNARKの基本的な構造は同じではなく、FHEの検証にZKPを使用するのは計算量が多く、現在の技術段階ではほとんど不可能だからです。

Fhenixはまた、最近EigenLayerと共同でFHEコプロセッサを開発し、他のパブリックチェーン、L2、L3などにFHE計算を導入しました。Fhenixは7日間のチャレンジ期間を持つProof-of-Fraudを使用しているため、EigenLayerのサービスはコプロセッサが高速なトランザクション確認を達成し、パフォーマンスを大幅に向上させるのに役立ちます。

インコ・ネットワーク：サービスとしての機密性

Incoはモジュール式のTrusted Computing Layer1であり、Web3の共通プライバシー・レイヤーとして機能する。fhEVMのサポートにより、開発者はSolidity言語とEthernetエコシステムの開発ツールを使用してプライバシーDappsを迅速に構築できます。同時に、IncoはブリッジングとIBCプロトコルを介して、ネイティブの暗号化を持たないEVMとCosmosチェーンにCaaSサービスを提供します。

暗号化された状態：暗号化されたデータを、オフチェーンのストレージを必要とせずに直接オンチェーンに保存します。

結合可能な暗号化された状態：暗号化されたデータの状態遷移を、復号化することなく完全にオンチェーンで実行します。

オンチェーンのランダム性：外部のランダム性サービスを必要とせずに、アプリ用にオンチェーンで乱数を生成し、アプリを直接オンチェーンで構築できるようにします。

現在、Incoはゲーム、NFT、RWA、投票ガバナンス、DIDなど、多くのユースケースを持っています。

マインド・ネットワーク：FHEレイヤーを再構築する

マインドは最初のFHEレイヤーです。Mindは、AIとPOSネットワーク用に調整された最初のFHEレイヤー・リステイキングです。リステーキング・レイヤーとして、ETH、BTC、AIブルーチップ企業からのリステーキング・トークンを受け入れて誓約します。FHE検証ネットワークとして、FHE技術を使用して各ノードのデータを検証し、コンセンサスを得ることで、データの完全性とセキュリティを確保します。Mindは分散型AI、Depin、EigenLayer AVS、バビロンAVSとキーPOSネットワークにより、経済的セキュリティを提供し、システム全体のコンセンサスと信頼性を維持する。

レイヤーの再構築： EigenLayerと共に、StakeStone、Renzo、Babylon、Ankrなどとともに、イーサとビットコインのネットワークからセキュリティを導きます。

Security layer:セキュリティレイヤー。FHE Enhanced Validatorを導入することで、検証およびコンセンサス計算プロセスのエンドツーエンドの暗号化を保証し、FhenixとIncoのfhEVMモジュールを統合することでセキュリティをさらに強化します。

Consensus Layer:AIタスクのために特別に設計されたProof of Intelligence (POI)コンセンサスメカニズムを導入し、FHEバリデーター間の公平で安全な報酬分配を確保する。さらに、マインドネットワークはAltLayer、EigenDA、Arbitrum Orbitと協力し、低コストかつ高速なパフォーマンスでコンセンサスコンピューティングを強化するロールアップチェーンを立ち上げる。

Privasea: Proof of Human

Privaseaは、FHE機械学習のためのDepin+AIネットワークであり、以下のコアコンポーネントを含む技術アーキテクチャを備えています。暗号化されたデータに対して安全な計算を提供する高度なFHEライブラリです。このライブラリは、TFHE、CKKS、BGV/BFVなどのさまざまなFHEスキームをサポートしています。

Privasea API: これはPrivasea AIネットワーク用のAPIで、データ送信、モデル学習、予測などの操作を簡素化し、送信中や処理中のデータの暗号化を保証する一連の関数とエンドポイントを提供します。

Privanetix: これは、暗号化されたデータを効率的に処理できる複数の高性能コンピューティング・ノードで構成される分散型計算ネットワークです。各ノードはHESeaライブラリを統合し、データのプライバシーと計算性能を保証します。

Privasea Smart Contract Suite: スマートコントラクトを通じてPrivanetixノードの登録と貢献を追跡し、計算を検証して報酬を分配し、参加者のモチベーションと公平性を確保する、ブロックチェーン技術に基づくインセンティブメカニズム。

Privaseaは、FHEに基づくImHumanアプリを立ち上げ、ユーザーが人間であることを証明するProof of Humanを開発しました。これは、ボットやAIによるなりすましの脅威からデジタルIDを保護するために、ユーザーが人間であることを証明するためのものです。このアプリは、ボットやAIによるなりすましの脅威からユーザーを守るために、ユーザーが人間であることを証明するためのものである。ImHumanアプリを使用することで、ユーザーは個人情報を明かすことなく、Web3とWeb2の両方のプラットフォームで安全に個人の身元を確認することができる。

最後に

Defi空間では、FHEは機密性の高い金融情報を明かすことなく取引や資金の流れを可能にし、それによってユーザーのプライバシーを保護し、市場リスクを低減します。AIの分野では、FHEは暗号化されたデータの分析とモデル学習を可能にし、データプライバシーを保護するだけでなく、省庁を超えたデータ共有と協力を促進し、より安全でコンプライアンスに準拠したAIを促進します。安全でコンプライアンスに準拠したAIアプリケーション

FHEは、実用性と効率性の面でまだ多くの課題に直面していますが、そのユニークな理論的基盤は、ボトルネックを克服するための有望性を秘めています。将来的には、FHEはアルゴリズムの最適化とハードウェアアクセラレーションによって性能を大幅に向上させ、アプリケーションシナリオを拡大し、データプライバシー保護とセキュアコンピューティングのためのより強固な基盤を提供することが期待されています。