Gate Ventures Research Institute: FHE, Mengenakan Mantel Invisibilitas ala Harry Potter

Apa itu FHE

Proses FHE, Sumber gambar: Data Privacy Made Easy

FHE (Fully homomorphic encryption) adalah teknologi enkripsi canggih yang mendukung komputasi langsung pada data yang dienkripsi. Ini berarti data dapat diproses sambil menjaga privasi. FHE memiliki beberapa skenario penyebaran yang dapat diimplementasikan, terutama dalam pemrosesan dan analisis data di bawah perlindungan privasi, seperti keuangan, kesehatan, komputasi awan, pembelajaran mesin, sistem pemungutan suara, internet of things, perlindungan privasi blockchain, dan bidang lainnya. Namun, komersialisasi masih memerlukan waktu yang cukup lama, terutama karena biaya komputasi dan memori yang sangat besar yang diperkenalkan oleh Algoritme-nya, serta skalabilitas yang kurang baik. Selanjutnya, kami akan secara singkat menjelaskan prinsip dasar Algoritme secara keseluruhan dan menekankan masalah yang dihadapi oleh Algoritme kriptografi ini.

Prinsip dasar

Gambar Enkripsi Homomorphic

Pertama, kami ingin mengenkripsi data dan mendapatkan hasil yang sama setelah dihitung. Ini direpresentasikan dalam gambar di atas. Ini adalah tujuan utama kami. Dalam kriptografi, polinomial biasanya digunakan untuk menyembunyikan informasi teks asli, karena polinomial dapat diubah menjadi masalah aljabar linear atau perhitungan vektor, yang memungkinkan pengoptimalan yang tinggi untuk komputer modern dalam perhitungan vektor (seperti perhitungan paralel). Sebagai contoh, 3x^2 + 2x + 1 dapat direpresentasikan sebagai vektor [1, 2, 3].

Misalkan, kita ingin melakukan enkripsi 2, dalam sebuah sistem HE yang disederhanakan, kita mungkin akan:

• Pilih polinom Kunci Rahasia, misalnya s(x) = 3 x 2 + 2 x + 1
• Membuat polinomial acak, misalnya a(x) = 2 x 2 + 5 x + 3
• Menghasilkan polinomial “kesalahan” kecil, misalnya e (x) = -1 x + 2 c(x) = 2 + a(x)*s(x) + e(x)

Mari kita bahas mengapa hal ini perlu dilakukan, sekarang kita asumsikan bahwa kita memiliki Ciphertext c(x). Jika kita ingin mendapatkan Plaintext m, maka rumusnya adalah c(x) - e(x) - a(x)*s(x) = 2. Di sini, kita asumsikan bahwa polinomial acak a(x) adalah publik, yang penting adalah menjaga Kunci Rahasia kita s(x) tetap rahasia. Jika kita mengetahui s(x), ditambah dengan c(x) sebagai kesalahan yang sangat kecil, secara teori dapat diabaikan, maka kita bisa mendapatkan Plaintext m.

Ini adalah pertanyaan pertama, dengan banyak polinomial, bagaimana memilih polinomialnya? Seberapa besar derajat polinomial yang lebih baik? Sebenarnya, derajat polinomial ditentukan oleh Algoritme Algoritme untuk melaksanakan HE. Biasanya merupakan kekuatan dari 2, seperti 1024/2048 dan sebagainya. Koefisien polinomial dipilih secara acak dari bidang terbatas q, seperti mod 10000, maka dipilih secara acak dari 0-9999, ada banyak Algoritme untuk memilih koefisien secara acak, seperti distribusi seragam, distribusi Gauss diskrit, dan sebagainya. Ada persyaratan pemilihan koefisien yang berbeda untuk skema yang berbeda, biasanya untuk memenuhi prinsip pemecahan cepat di bawah skema tersebut.

Pertanyaan kedua, apa itu noise? Noise digunakan untuk membingungkan penyerang, karena jika kita mengasumsikan semua angka kita diambil dari s(x), dan polinomial acak berada di dalam domain tertentu, maka akan ada pola tertentu, asalkan plaintext m dimasukkan cukup banyak kali, berdasarkan output c(x), kita dapat menentukan informasi dari s(x) dan c(x). Jika noise e(x) diperkenalkan, maka tidak mungkin untuk mendapatkan s(x) dan c(x) melalui enumerasi sederhana, karena ada kesalahan kecil yang benar-benar acak. Parameter ini juga disebut sebagai noise budget. Misalnya, q = 2 ^ 32, noise awal mungkin sekitar 2 ^ 3. Setelah beberapa operasi, noise dapat naik menjadi 2 ^ 20. Pada titik ini, masih ada cukup ruang untuk dekripsi, karena 2 ^ 20 << 2 ^ 32.

Setelah kami memperoleh polinomial, sekarang kita ingin mengubah operasi c(x) * d(x) menjadi ‘rangkaian’, ini sering muncul dalam ZKP, terutama karena konsep abstrak rangkaian menyediakan model komputasi universal untuk merepresentasikan komputasi apa pun, dan model rangkaian memungkinkan untuk akurat melacak dan mengelola noise yang diperkenalkan oleh setiap operasi, serta memudahkan pengembangan ke perangkat keras khusus seperti ASIC, FPGA untuk percepatan komputasi, seperti model SIMD. Setiap operasi kompleks dapat dipetakan menjadi elemen rangkaian modular sederhana, seperti penambahan dan perkalian.

Representasi Sirkuit Aritmatika

Penjumlahan dan perkalian dapat digunakan untuk mengungkapkan pengurangan dan pembagian, sehingga dapat mengungkapkan perhitungan apa pun. Koefisien polinomial diwakili dalam representasi biner dan disebut sebagai masukan rangkaian. Setiap Node rangkaian mewakili operasi penjumlahan atau perkalian. Setiap (*) melambangkan gerbang perkalian, setiap (+) melambangkan gerbang penjumlahan. Ini adalah rangkaian Algoritme.

Ini mengarah pada satu masalah, yaitu agar informasi semantik tidak bocor, kami memperkenalkan e(x), yang disebut sebagai noise. Dalam perhitungan kami, penambahan akan membuat dua polinomial e(x) menjadi polinomial dengan homogennya. Dalam perkalian, perkalian dua polinomial noise akan membuat derajat e(x) dan ukuran teks meningkat secara eksponensial, jika noise terlalu besar, akan menyebabkan noise tidak dapat diabaikan dalam proses perhitungan hasil, dan ini akan mengakibatkan pesan asli m tidak dapat dipulihkan. Ini adalah alasan utama pembatasan Algoritme Enkripsi (HE) untuk mengekspresikan perhitungan apa pun, karena noise akan naik secara eksponensial, sehingga dengan cepat mencapai ambang batas yang tidak dapat digunakan. Dalam sirkuit, ini disebut sebagai Kedalaman sirkuit, jumlah perkalian dalam sirkuit juga merupakan nilai Kedalaman sirkuit.

Prinsip dasar Enkripsi Homomorfik HE seperti yang ditunjukkan dalam gambar di atas, untuk mengatasi masalah kebisingan yang membatasi Enkripsi Homomorfik, oleh karena itu beberapa solusi telah diajukan:

Di dalamnya, LHE adalah Algoritme yang sangat cocok karena di bawah Algoritme ini, asalkan Kedalaman ditentukan, fungsi apa pun dapat dieksekusi dalam Kedalaman tersebut, tetapi PHE dan SHE tidak dapat mencapai Turing Complete. Oleh karena itu, berdasarkan ini, para ahli kriptografi melakukan penelitian dan mengusulkan tiga teknologi untuk membangun FHE Enkripsi Homomorphic penuh, dengan harapan mewujudkan visi menjalankan fungsi apa pun pada Kedalaman tak terbatas.

• Pergantian kunci（密钥切换）：Setelah perkalian, ukuran Ciphertext akan naik secara eksponensial, ini akan membuat tuntutan besar terhadap sumber daya memori dan komputasi untuk operasi berikutnya, oleh karena itu, menerapkan Pergantian kunci setelah setiap perkalian dapat memampatkan Ciphertext, tetapi akan memasukkan sedikit noise.
• Modulus Switching（Pemutaran Modulus）: Baik perkalian maupun key switching akan meningkatkan secara eksponensial indeks kebisingan, modulus q adalah Mod 10000 yang telah kita bahas sebelumnya, hanya dapat mengambil parameter di dalam [ 0, 9999 ], semakin besar q maka kebisingan setelah beberapa perhitungan masih berada dalam q, maka dapat dipecahkan. Oleh karena itu, setelah beberapa operasi, untuk menghindari peningkatan eksponensial kebisingan melebihi ambang batas, maka perlu menggunakan Pemutaran Modulus, untuk mengurangi anggaran kebisingan, sehingga dapat menurunkan kebisingan. Di sini kita dapat memahami prinsip dasar, bahwa jika perhitungan kita sangat kompleks, kedalaman sirkuit besar, maka perlu anggaran kebisingan modulus q yang lebih besar untuk menampung ketersediaan setelah beberapa peningkatan eksponensial.
• Bootstrap：Tetapi untuk mencapai perhitungan Kedalaman tak terbatas, Modulus hanya dapat membatasi kenaikan kebisingan, tetapi setiap kali beralih akan membuat rentang q menjadi lebih kecil, kita tahu bahwa jika dikurangi, berarti kompleksitas perhitungan perlu Kedalaman. Bootstrap adalah teknologi penyegaran, yaitu mengatur ulang kebisingan ke tingkat awal, bukan mengurangi kebisingan, bootstrap tidak perlu mengurangi modulus, sehingga dapat mempertahankan kemampuan perhitungan sistem. Namun, kerugiannya adalah memerlukan sumber Daya Komputasi yang besar.

Secara umum, untuk perhitungan dengan jumlah langkah terbatas, penggunaan Modulus Switching dapat menurunkan noise, tetapi pada saat yang sama juga menurunkan modulus, yaitu anggaran noise, yang mengakibatkan kemampuan komputasi terkompresi. Oleh karena itu, ini hanya berlaku untuk perhitungan dengan jumlah langkah terbatas. Bootstrap dapat mencapai reset noise, sehingga di atas Algoritme LHE, dapat mencapai FHE yang sebenarnya, yaitu perhitungan tak terhingga dari fungsi mana pun, dan ini juga merupakan arti Fully dalam FHE.

Namun, kekurangannya juga jelas, yaitu membutuhkan sumber Daya Komputasi yang besar, sehingga dalam keadaan umum, kedua teknik pengurangan noise ini akan digunakan secara bersamaan, Modulus switching digunakan untuk pengelolaan noise sehari-hari, latensi membutuhkan waktu bootstrap. Ketika modulus switching tidak dapat mengontrol noise lebih lanjut secara efektif, baru kemudian menggunakan bootstrap yang memiliki biaya komputasi yang lebih tinggi.

Saat ini, ada implementasi konkret untuk skema FHE yang menggunakan teknologi inti Bootstrap seperti berikut ini:

Ini juga mengarah pada jenis sirkuit yang tidak pernah kita bahas, yaitu jenis sirkuit logika. Sirkuit aritmatika yang kita jelaskan sebelumnya adalah yang paling abstrak, seperti penambahan atau pembagian yang dilakukan oleh Node, sedangkan sirkuit logika mengubah semua angka menjadi sistem biner 01, dan setiap Node adalah operasi bool, termasuk NOT, OR, dan AND, mirip dengan implementasi sirkuit komputer kita. Sirkuit aritmatika jauh lebih abstrak.

Oleh karena itu, kita dapat dengan kasar menganggap operasi boolean sebagai pengolahan yang fleksibel yang tidak begitu padat data, sementara operasi aritmatika adalah solusi untuk aplikasi yang padat data.

Masalah yang Dihadapi oleh FHE

Karena perhitungan kami perlu dienkripsi dan dikonversi menjadi ‘sirkuit’, dan karena perhitungan sederhana hanya melibatkan 2 + 4, tetapi setelah dienkripsi, melibatkan proses perhitungan kriptografi yang kompleks dan teknologi terbaru seperti Bootstrap untuk mengatasi masalah kebisingan, yang mengakibatkan biaya perhitungannya menjadi sejumlah N kali lipat dari perhitungan biasa.

Kami menggunakan contoh dunia nyata untuk membuat pembaca merasakan biaya tambahan dari proses kriptografi ini terhadap sumber daya komputasi. Misalkan perhitungan biasa membutuhkan 200 siklus jam pada prosesor 3 GHz, maka dekripsi AES-128 biasa memerlukan sekitar 67 nanodetik (200/3 GHz). Versi FHE membutuhkan 35 detik, sekitar 522.388.060 kali lebih besar dari versi biasa (35/67 e-9). Dengan kata lain, dengan sumber daya komputasi yang sama, kebutuhan sumber daya dari algoritma biasa dan algoritma dalam perhitungan FHE sekitar 5 miliar kali lebih besar.

Program DARPA dprive, sumber gambar: DARPA

DARPA Amerika Serikat membangun program Dprive khusus pada tahun 2021 untuk keamanan data, dan mengundang beberapa tim peneliti termasuk Microsoft, Intel, dll. Mereka bertujuan untuk membuat akselerator FHE dan tumpukan perangkat lunak yang sesuai, sehingga kecepatan komputasi FHE lebih sesuai dengan operasi mirip data tidak terenkripsi, dengan tujuan mencapai kecepatan komputasi FHE sekitar 1/10 dari komputasi normal. Manajer proyek DARPA Tom Rondeau mengatakan: “Diperkirakan, dalam dunia FHE, kecepatan komputasi kita sekitar satu juta kali lebih lambat daripada di dunia teks murni”.

Dprive utamanya berfokus pada beberapa aspek berikut:

• Memperbesar Panjang Kata Processor: Sistem komputer modern menggunakan panjang kata 64 bit, yang berarti sebuah angka dapat memiliki maksimum 64 bit. Namun, dalam kenyataannya, q seringkali memiliki panjang 1024 bit. Jika ingin mencapainya, kita harus membagi q kita, yang akan mengorbankan sumber daya memori dan kecepatan. Oleh karena itu, untuk mencapai q yang lebih besar, diperlukan pembangunan processor dengan panjang kata 1024 bit atau lebih. Lapangan terbatas q sangat penting, seperti yang telah disebutkan sebelumnya, semakin besar, semakin banyak langkah yang dapat dihitung, sehingga operasi bootstrap dapat ditunda sebanyak mungkin, sehingga konsumsi sumber daya komputasi secara keseluruhan akan berkurang. q memainkan peran inti dalam FHE, yang memengaruhi hampir semua aspek solusi, termasuk keamanan, performa, jumlah komputasi yang dapat dilakukan, dan sumber daya memori yang diperlukan.
• Membangun prosesor ASIC: Sebelumnya kita telah membahas bahwa karena kemudahan paralelisasi dan alasan lainnya, kita membangun polinomial, dan dengan polinomial tersebut kita membangun rangkaian listrik, ini mirip dengan ZK. CPU dan GPU saat ini tidak memiliki kemampuan (sumber Daya Komputasi dan sumber daya memori) untuk menjalankan rangkaian listrik, perlu membangun prosesor ASIC khusus untuk mengizinkan FHE Algoritme.
• Membangun arsitektur paralel MIMD, berbeda dengan arsitektur paralel SIMD, SIMD hanya dapat menjalankan instruksi tunggal pada beberapa data, yaitu memecah data dan pemrosesan paralel, namun MIMD dapat memecah data menggunakan instruksi yang berbeda untuk perhitungan. SIMD terutama digunakan untuk paralel data, ini juga merupakan arsitektur utama untuk pemrosesan paralel transaksi dalam sebagian besar proyek Blockchain. Sedangkan MIMD mampu menangani berbagai jenis tugas paralel. MIMD secara teknis lebih kompleks, memerlukan penanganan yang lebih fokus pada masalah sinkronisasi dan komunikasi.

DEPRIVE, program yang dikembangkan oleh DARPA, hanya tinggal satu bulan lagi sebelum berakhir. Awalnya, program DEPRIVE direncanakan berlangsung dalam tiga tahap, dimulai dari tahun 2021 dan berakhir pada bulan September 2024. Namun, perkembangannya terlihat lambat dan belum mencapai target efisiensi 1/10 dari komputasi biasa seperti yang diharapkan.

Meskipun perkembangan teknologi FHE lambat, seperti teknologi ZK, menghadapi masalah serius dari kebutuhan perangkat keras untuk mendaratkan teknologi. Namun, kami masih percaya bahwa dalam jangka panjang, teknologi FHE masih memiliki arti yang unik, terutama dalam melindungi data sensitif yang kami sebutkan dalam bagian pertama. Bagi Departemen Pertahanan DARPA, memiliki sejumlah besar data sensitif, jika ingin melepaskan kemampuan generik AI ke militer, perlu melatih AI dalam bentuk keamanan data. Tidak hanya itu, hal ini juga berlaku untuk data sensitif kesehatan, keuangan, dan sebagainya, sebenarnya FHE tidak cocok untuk semua komputasi biasa, lebih ditujukan untuk kebutuhan komputasi di bawah data sensitif, keamanan ini sangat penting untuk era pasca kuantum.

Untuk teknologi canggih seperti ini, perlu mempertimbangkan selisih waktu investasi dan komersialisasi. Oleh karena itu, kita perlu sangat berhati-hati dalam mempertimbangkan waktu pendaratan FHE.

Kombinasi Blockchain

Dalam Blok, FHE juga digunakan terutama untuk melindungi privasi data, dengan aplikasi termasuk privasi on-chain, privasi data pelatihan AI, privasi pemungutan suara on-chain, dan pemeriksaan transaksi terenkripsi on-chain. FHE juga dikenal sebagai salah satu solusi potensial untuk skema on-chain MEV. Berdasarkan artikel MEV kami ‘Menerangi Hutan Gelap - Mengungkap Tabir Misteri MEV’, banyak skema MEV saat ini hanyalah cara untuk membangun kembali arsitektur MEV, bukan solusinya. Masalah UX yang ditimbulkan oleh serangan sandwich sebenarnya masih belum teratasi. Salah satu solusi awal yang kami pikirkan adalah dengan langsung mengenkripsi transaksi sambil tetap mempertahankan keadaan publik.

Proses MEV PBS

Namun ada satu masalah yaitu jika kita melakukan enkripsi lengkap terhadap transaksi, maka juga akan menghilangkan eksternalitas positif yang dibawa oleh MEV bots, validator Builder perlu berjalan di atas Virtual Machine untuk melakukan FHE, validator juga perlu memverifikasi transaksi untuk memastikan kebenaran status akhir, hal ini akan secara signifikan meningkatkan persyaratan menjalankan Node, sehingga memperlambat throughput jaringan secara drastis.

Proyek Utama

Lanskap FHE

FHE adalah teknologi yang relatif baru, dan sebagian besar proyek yang saat ini menggunakan teknologi FHE berasal dari Zama, seperti Fhenix, Privasea, Jaringan Inco, Mind Network. Kemampuan implementasi proyek FHE dari Zama mendapat pengakuan dari proyek-proyek tersebut. Sebagian besar proyek ini dibangun menggunakan pustaka yang disediakan oleh Zama, dengan perbedaan utama terletak pada model bisnis. Fhenix berharap membangun Layer 2 Optimism yang lebih memperhatikan privasi, sedangkan Privasea berharap dapat menggunakan kemampuan FHE untuk menghitung data LLM. Namun, ini adalah operasi data yang sangat besar, yang memerlukan persyaratan teknologi dan perangkat keras FHE yang sangat tinggi. Zama yang didasarkan pada TFHE mungkin bukan pilihan terbaik. Inco Network dan Fhenix menggunakan fhEVM, tetapi satu membangun Layer 1 dan yang lainnya Layer 2. Arcium membangun gabungan dari berbagai teknologi kriptografi, termasuk FHE, MPC dan ZK. Model bisnis Mind Network agak unik, memilih jalur Restaking dengan menyediakan keamanan likuiditas dan arsitektur subnet berbasis FHE untuk menyelesaikan masalah keamanan ekonomi dan kepercayaan suara pada lapisan konsensus.

Zama

Zama adalah skema berbasis TFHE yang menggunakan teknologi Bootstrap. Ini berfokus pada operasi boolean dan operasi bilangan bulat dengan panjang kata yang rendah. Meskipun menjadi implementasi teknologi yang lebih cepat dalam skema FHE kami, namun tetap memiliki perbedaan yang signifikan dibandingkan dengan komputasi normal. Selain itu, tidak dapat mengimplementasikan perhitungan apa pun. Saat menghadapi tugas yang intensif data, operasi-operasi ini akan menghasilkan kedalaman sirkuit yang terlalu besar untuk diolah. Ini bukanlah skema yang intensif data, hanya sesuai untuk pengolahan enkripsi pada beberapa langkah penting.

TFHE saat ini sudah memiliki kode implementasi yang siap pakai, dan Zama telah melakukan pekerjaan utama dengan menulis ulang TFHE menggunakan bahasa Rust, yaitu melalui paket rs-TFHE. Sebagai upaya untuk menurunkan hambatan pengguna Rust, Zama juga membangun alat konversi bernama Concrate yang dapat mengubah Python menjadi rs-TFHE secara setara. Dengan menggunakan alat ini, bahasa pemodelan besar berbasis Python dapat diubah menjadi bahasa Rust berbasis TFHE-rs. Dengan demikian, dapat menjalankan pemodelan besar berbasis Enkripsi Homomorfik, meskipun pada kenyataannya tugas yang intensif data tidak cocok dengan skenario TFHE. Produk Zama, fhEVM, adalah teknologi yang mengimplementasikan kontrak pintar rahasia (Smart Contract) menggunakan Enkripsi Homomorfik penuh (FHE) di EVM, dan dapat mendukung kontrak pintar enkripsi end-to-end berbasis bahasa Solidity.

Secara keseluruhan, Zama sebagai produk To B, telah membangun tumpukan pengembangan blockchain+AI berbasis TFHE yang lebih matang. Ini dapat membantu proyek web3 dalam membangun infrastruktur dan aplikasi FHE dengan mudah.

Octra

Satu hal yang sangat istimewa tentang Octra adalah penggunaan teknologi yang berbeda untuk mencapai FHE. Mereka menggunakan teknologi yang disebut hypergraphs untuk mencapai bootstrap. Meskipun berbasis pada rangkaian boolean, Octra percaya bahwa teknologi berbasis hypergraphs dapat mencapai FHE yang lebih efisien. Ini adalah teknologi asli Octra dalam mencapai FHE, dengan tim yang memiliki kemampuan teknik dan kriptografi yang sangat kuat.

Octra telah membangun bahasa Smart Contract baru yang menggunakan library kode OCaml, AST, ReasonML (bahasa yang khusus digunakan untuk berinteraksi dengan Octra Blok jaringan Smart Contract dan aplikasi) dan dikembangkan menggunakan C++. Mereka juga membangun library Hypergraph FHE yang kompatibel dengan proyek apa pun.

Arsitekturnya juga mirip dengan proyek Mind Network, Bittensor, Allora, dan sejenisnya, yang membangun Mainnet dan proyek-proyek lain menjadi subnets, menciptakan lingkungan operasi terisolasi satu sama lain. Pada saat yang sama, seperti proyek-proyek tersebut, Octra membangun protokol konsensus yang lebih cocok untuk arsitektur itu sendiri, yaitu ML-consensus protokol yang berbasis pada pembelajaran mesin dan pada intinya adalah berbasis pada DAG (Directed Acylic Graph).

Prinsip teknis Konsensus ini belum diungkapkan, namun dapat ditebak secara kasar. Secara umum, transaksi dikirimkan ke jaringan, kemudian SVM (mesin dukungan vektor) Algoritme digunakan untuk memilih Node pemrosesan terbaik, terutama dengan mempertimbangkan beban jaringan Node saat ini. Sistem akan menggunakan data sejarah (belajar Algoritme ML) untuk menentukan jalur Konsensus Node induk terbaik. Hanya perlu memenuhi 1/2 dari Node untuk mencapai Konsensus database yang terus naik.

Menantikan

Status perkembangan teknologi kriptografi terkini, sumber gambar: Verdict

Teknologi FHE adalah teknologi yang menghadap ke masa depan, namun perkembangannya masih kurang dibandingkan dengan teknologi ZK, kurangnya investasi modal, efisiensi rendah dan biaya tinggi yang disebabkan oleh perlindungan privasi membuat sebagian besar lembaga bisnis kurang berdaya. Perkembangan teknologi ZK menjadi lebih cepat karena investasi dari Crypto VC. FHE masih dalam tahap awal, bahkan saat ini, proyek yang ada di pasaran masih sedikit, karena biayanya mahal, tingkat kesulitan teknis tinggi, dan prospek komersialisasi yang masih belum jelas. Pada tahun 2021, DAPRA bersama beberapa perusahaan seperti Intel, Microsoft, dan lainnya memulai proyek FHE selama 42 bulan. Meskipun telah mencapai kemajuan tertentu, namun masih jauh dari mencapai target kinerja yang diinginkan. Dengan perhatian Crypto VC terhadap bidang ini, akan ada lebih banyak dana yang mengalir ke industri ini, diperkirakan akan muncul lebih banyak proyek FHE di industri ini, dan akan ada lebih banyak tim yang memiliki kemampuan teknik dan riset yang kuat seperti Zama, Octra, dan lainnya yang berdiri di panggung utama. Integrasi teknologi FHE dengan komersialisasi dan perkembangan status quo blockchain masih layak untuk dijelajahi, saat ini penggunaan yang berhasil adalah dalam anonimisasi pemungutan suara Node, namun ruang lingkup penggunaannya masih terbatas.

Seperti ZK, penggunaan chip FHE adalah salah satu prasyarat untuk komersialisasi FHE, dan saat ini ada beberapa produsen seperti Intel, Chain Reaction, Optalysys, dan lainnya yang sedang mengeksplorasi hal ini. Meskipun FHE menghadapi banyak resistensi teknologi, dengan penggunaan chip FHE, Enkripsi Homomorfik penuh sebagai teknologi yang sangat prospektif dan dibutuhkan akan membawa perubahan yang mendalam bagi industri seperti pertahanan, keuangan, kesehatan, dan lainnya, melepaskan potensi gabungan data privasi ini dengan teknologi masa depan seperti Algoritme Kuantum, dan akan mengalami ledakan pada saatnya.

Kami bersedia untuk menjelajahi teknologi ujung yang awal ini, jika Anda sedang membangun produk FHE yang benar-benar dapat dikomersialisasikan, atau memiliki inovasi teknologi yang lebih maju, silakan hubungi kami!