Viện nghiên cứu Gate Ventures: FHE, mặc áo Ấn Độ của Harry Potter

FHE là gì

Quy trình FHE, nguồn hình ảnh: Data Privacy Made Easy

FHE（Fully homomorphic encryption）là một công nghệ mã hóa tiên tiến, hỗ trợ tính toán trực tiếp trên dữ liệu đã được mã hóa. Điều này có nghĩa là có thể xử lý dữ liệu trong khi bảo vệ sự riêng tư. FHE có nhiều kịch bản triển khai, đặc biệt là trong xử lý và phân tích dữ liệu dưới sự bảo vệ của quyền riêng tư, như tài chính, y tế, điện toán đám mây, học máy, hệ thống bỏ phiếu, internet vạn vật, bảo vệ quyền riêng tư của blockchain và nhiều lĩnh vực khác. Tuy nhiên, việc thương mại hóa vẫn cần một khoảng thời gian nhất định, vấn đề chính nằm ở việc tính toán và bộ nhớ mà thuật toán của nó mang lại rất lớn và có khả năng mở rộng kém. Tiếp theo, chúng ta sẽ đi qua ngắn gọn toàn bộ nguyên lý cơ bản của thuật toán và tập trung trình bày vấn đề mà thuật toán mật mã này đối mặt.

Nguyên lý cơ bản

Mã hóa đồng cấu图示

Đầu tiên, chúng ta muốn thực hiện tính toán dữ liệu mã hóa để nhận được kết quả tương tự như trên hình. Đây là mục tiêu cơ bản của chúng ta. Trong mật mã học, thường sử dụng đa thức để ẩn thông tin của bản gốc, vì đa thức có thể chuyển đổi thành vấn đề đại số tuyến tính, cũng có thể chuyển đổi thành vấn đề tính toán vector, điều này thuận tiện cho việc tính toán trên máy tính hiện đại được tối ưu hóa cao (như tính toán song song), ví dụ, 3 x 2 + 2 x + 1 có thể được biểu diễn thành vector [1, 2, 3].

Giả sử chúng ta muốn mã hóa số 2 trong một hệ thống HE đơn giản, chúng ta có thể thực hiện như sau:

• 选择一个Chìa khoá bảo mật多项式，比如 s(x) = 3 x 2 + 2 x + 1
• Tạo một đa thức ngẫu nhiên, ví dụ a(x) = 2 x 2 + 5 x + 3
• Tạo ra một đa thức “lỗi” nhỏ, ví dụ: e(x) = -1 x + 2 c(x) = 2 + a(x)*s(x) + e(x)

Chúng ta hãy nói về tại sao cần phải làm như vậy, giả sử chúng ta có Bản mã c(x)，nếu muốn có Văn bản thuần túy m，thì công thức là c(x) - e(x) - a(x)*s(x) = 2，ở đây chúng ta giả định đa thức ngẫu nhiên a(x) là công khai, chỉ cần đảm bảo Chìa khoá bảo mật s(x) của chúng ta là bí mật thì được, nếu chúng ta biết s(x)，kết hợp với c(x) là một sai số nhỏ，về lý thuyết có thể bỏ qua, chúng ta có thể nhận được Văn bản thuần túy m.

Ở đây có một vấn đề, có nhiều đa thức, làm thế nào để chọn đa thức? Độ của đa thức nên là bao nhiêu là tốt nhất? Thực tế thì độ của đa thức được quyết định bởi thuật toán thực hiện HE. Thông thường là mũ của 2, như 1024 / 2048 và còn nữa. Các hệ số của đa thức được chọn ngẫu nhiên từ một trường hữu hạn q, như mod 10000, sau đó chọn ngẫu nhiên trong khoảng từ 0 đến 9999, có nhiều thuật toán tuân theo việc chọn ngẫu nhiên hệ số, như phân phối đều, phân phối Gauss rời rạc và nhiều hơn nữa. Các phương án khác cũng có yêu cầu chọn hệ số khác nhau, thông thường là để đáp ứng nguyên tắc giải quyết nhanh dưới phương án đó.

Vấn đề thứ hai, tiếng ồn là gì? Tiếng ồn được sử dụng để lừa đảo kẻ tấn công, bởi vì giả sử tất cả các con số của chúng ta đều được áp dụng s(x), và đa thức ngẫu nhiên nằm trong một lĩnh vực cụ thể, vậy có một quy luật nhất định, chỉ cần nhập đủ nhiều lần Văn bản thuần túy m, dựa vào c(x) đầu ra, có thể xác định thông tin về hai s(x) và c(x). Nếu giới thiệu tiếng ồn e(x), có thể đảm bảo không thể thông qua việc liệt kê đơn giản để có được s(x) và c(x), bởi vì có sự hiện diện của một sai số nhỏ hoàn toàn ngẫu nhiên. Tham số này cũng được gọi là Ngân sách tiếng ồn (Noise Budget). Giả sử q = 2 ^ 32, tiếng ồn ban đầu có thể khoảng 2 ^ 3. Sau một số thao tác, tiếng ồn có thể tăng lên đến 2 ^ 20. Lúc này vẫn còn đủ không gian để giải mã, vì 2 ^ 20 << 2 ^ 32.

Sau khi chúng ta nhận được đa thức, chúng ta bây giờ muốn chuyển đổi phép nhân c(x) * d(x) thành một “mạch điện”, điều này thường xuyên xuất hiện trong ZKP, chủ yếu là vì khái niệm trừu tượng về mạch điện cung cấp một mô hình tính toán chung để biểu diễn bất kỳ tính toán nào, và mô hình mạch điện cho phép theo dõi và quản lý chính xác tiếng ồn được giới thiệu bởi mỗi phép toán, cũng thuận tiện để giới thiệu vào phần cứng chuyên nghiệp như ASIC, FPGA để thực hiện tính toán tăng tốc, như mô hình SIMD. Bất kỳ phép toán phức tạp nào cũng có thể được ánh xạ thành các phần tử mạch điện mô-đun đơn giản, chẳng hạn như phép cộng và nhân.

Mạch tính toán

Phép cộng và phép nhân có thể biểu diễn phép trừ và phép chia, do đó có thể biểu diễn bất kỳ phép tính nào. Hệ số của đa thức được biểu diễn bằng hệ nhị phân, được gọi là đầu vào của mạch. Mỗi Nút của mạch đại diện cho việc thực hiện phép cộng hoặc phép nhân một lần. Mỗi (*) đại diện cho cổng nhân, mỗi (+) đại diện cho cổng cộng. Đây chính là Thuật toán mạch điện.

Ở đây một vấn đề phát sinh, chúng ta để không tiết lộ thông tin ý nghĩa, nên đã giới thiệu e(x), điều này được gọi là nhiễu. Trong tính toán của chúng ta, phép cộng sẽ biến hai đa thức e(x) thành đa thức cùng bậc. Trong phép nhân, việc nhân hai đa thức nhiễu sẽ làm cho bậc của e(x) và chỉ số kích thước văn bản tăng theo cấp số mũ, nếu nhiễu quá lớn, điều này sẽ dẫn đến quá trình tính toán kết quả, nhiễu không thể bỏ qua, dẫn đến việc không thể khôi phục được văn bản gốc. Điều này là một trong những lý do chính hạn chế việc biểu diễn bất kỳ tính toán nào của Thuật toán HE, vì nhiễu sẽ tăng theo cấp số mũ, dẫn đến nhanh chóng đạt đến ngưỡng không thể sử dụng. Trong mạch điện, điều này được gọi là Độ sâu của mạch, số lần nhân trong phép nhân cũng chính là giá trị Độ sâu của mạch.

Nguyên lý cơ bản của mã hóa đồng cấu HE được thể hiện như hình trên, để giải quyết vấn đề nhiễu ảnh hưởng đến mã hóa đồng cấu, đã đưa ra nhiều giải pháp:

Trong đó, LHE là một Thuật toán rất phù hợp, vì dưới Thuật toán này, chỉ cần xác định Độ sâu thì có thể thực hiện bất kỳ hàm số nào trong Độ sâu, nhưng PHE và SHE không thể đạt được Turing hoàn thành. Do đó, dựa trên cơ sở này, các nhà mật mã học đã tiến hành nghiên cứu và đề xuất ba công nghệ để xây dựng FHE mã hóa đồng cấu hoàn toàn, hy vọng thực hiện được tầm nhìn thực hiện bất kỳ hàm số nào trong Độ sâu vô hạn.

• Key switching（Bản mã切换）：我们在乘法后，Bản mã的大小会指数级tăng lên，这会让后续的操作内存和计算资源提出极大的要求，因此在每次乘法后实施 Key switching 就能压缩Bản mã，但是会引入一点噪声。
• Chuyển mô đun (Modulus Switching): Bất kể là phép nhân hay chuyển khóa, đều khiến cho chỉ số nhiễu tăng theo cấp số nhân. Mô đun q là Mod 10000 mà chúng ta đã đề cập trước đó, chỉ có thể lấy các tham số trong khoảng [0, 9999], nếu q càng lớn thì nhiễu qua nhiều lần tính toán, cuối cùng nhiễu vẫn nằm trong phạm vi q, thì ta có thể giải mã được. Do đó, sau nhiều thao tác, để tránh chỉ số nhiễu tăng theo cấp số nhân vượt quá ngưỡng, chúng ta cần sử dụng Chuyển mô đun, để giảm ngân sách nhiễu, từ đó có thể giảm thiểu nhiễu. Ở đây chúng ta có thể thu được một nguyên tắc cơ bản, nếu tính toán của chúng ta rất phức tạp, mạchĐộ sâu điện rất lớn, thì chúng ta cần có mô đun q lớn hơn để chứa ngân sách nhiễu theo cấp số nhân sau nhiều lần sử dụng.
• Bootstrap: Tuy nhiên, để thực hiện tính toán với độ sâu vô hạn, Modulus chỉ có thể hạn chế sự tăng lên của tiếng ồn, nhưng mỗi lần chuyển đổi sẽ làm cho phạm vi q nhỏ đi, chúng ta biết rằng mỗi khi giảm điều này đồng nghĩa với việc tính toán sẽ cần đến sự thả. Bootstrap là một công nghệ làm mới, nghĩa là đặt lại tiếng ồn về mức độ ban đầu, thay vì giảm tiếng ồn, bootstrap không cần giảm mô đun, do đó có thể duy trì khả năng tính toán của hệ thống. Nhược điểm của nó là cần tiêu tốn một lượng lớn tài nguyên tính toán.

Tổng cộng, đối với tính toán trong số bước hạn chế, việc sử dụng Modulus Switching có thể Thả nhiễu, nhưng đồng thời cũng có thể Thả số mô đun, cũng chính là ngân sách nhiễu, dẫn đến việc giảm khả năng tính toán. Do đó, điều này chỉ áp dụng cho tính toán trong số bước hạn chế. Đối với Bootstrap có thể đạt được đặt lại nhiễu, do đó trên cơ sở thuật toán LHE, có thể đạt được FHE ý nghĩa thực sự, cũng chính là tính toán vô hạn của bất kỳ hàm nào, và đó cũng chính là điều Fully trong FHE.

Tuy nhiên, điểm yếu cũng rất rõ ràng là cần tiêu tốn một lượng lớn tài nguyên tính toán, do đó, thông thường, hai kỹ thuật làm giảm nhiễu này sẽ được kết hợp sử dụng, Modulus switching được sử dụng cho việc quản lý nhiễu hàng ngày, Trễ cần thời gian bootstrap. Khi modulus switching không thể kiểm soát nhiễu một cách hiệu quả hơn nữa, mới sử dụng bootstrap có chi phí tính toán cao hơn.

Hiện tại, các giải pháp FHE hiện tại có các cài đặt cụ thể sau đây, tất cả đều sử dụng công nghệ nhân Bootstrap:

Điều này cũng đưa ra loại mạch chúng ta chưa bao giờ đề cập, đó là loại mạch số học. Nhưng cũng có một loại mạch khác - mạch Boolean. Mạch số học là trừu tượng như 1+1, Nút cũng là phép cộng hoặc chia, trong khi mạch Boolean chuyển tất cả các số thành hệ 01, tất cả các Nút là phép toán bool, bao gồm NOT, OR, AND, tương tự như cách mà mạch máy tính của chúng ta hoạt động. Và mạch số học là một mạch trừu tượng hơn nữa.

Do đó, chúng ta có thể xem phép toán logic là một quá trình linh hoạt không cần nhiều dữ liệu, trong khi phép toán số học là một giải pháp dành cho các ứng dụng dữ liệu phức tạp.

Vấn đề đối mặt FHE

Do vì tính toán của chúng tôi cần mã hóa sau đó chuyển đổi thành “Mạch điện”, và vì tính toán đơn thuần chỉ tính toán 2+ 4, nhưng sau khi mã hóa, đã đưa vào quá trình tính toán gián tiếp với lượng lớn mật mã học và một số công nghệ tiên tiến như Bootstrap để giải quyết vấn đề nhiễu, dẫn đến chi phí tính toán của nó là N lớn hơn hàng chục lần so với tính toán thông thường.

Chúng tôi sẽ sử dụng một ví dụ trong thế giới thực để giúp người đọc cảm nhận được chi phí tính toán bổ sung của quá trình mật mã hóa này đối với tài nguyên tính toán. Giả sử tính toán thông thường trên một bộ xử lý 3 GHz cần 200 chu kỳ đồng hồ, thì một lần giải mã AES-128 thông thường sẽ mất khoảng 67 nanosecond (200/3 GHz). Phiên bản FHE mất 35 giây, khoảng 522,388,060 lần so với phiên bản thông thường (35/67 e-9). Tức là, với cùng một tài nguyên tính toán, yêu cầu tài nguyên của cùng một thuật toán thông thường và thuật toán dưới dạng FHE sẽ khoảng 500 triệu lần.

DARPA dprive plan, image source: DARPA

Cơ quan DARPA của Mỹ đã xây dựng một kế hoạch Dprive vào năm 2021 nhằm bảo đảm an toàn dữ liệu, đã mời nhiều nhóm nghiên cứu bao gồm cả Microsoft, Intel v.v., với mục tiêu tạo ra một bộ xử lý tăng tốc FHE cùng với ngăn xếp phần mềm đi kèm, từ đó tăng tốc độ tính toán FHE sao cho phù hợp hơn với các hoạt động trên dữ liệu được mã hóa, mục tiêu là tăng tốc độ tính toán FHE lên khoảng 1/10 so với tính toán thông thường. Giám đốc dự án DARPA Tom Rondeau nhấn mạnh: “Ước tính, trong thế giới FHE, tốc độ tính toán của chúng tôi chậm khoảng một triệu lần so với thế giới văn bản thuần túy”.

Và Dprive tập trung chủ yếu vào những khía cạnh sau:

• Mở rộng chiều dài từ xử lý: Hệ thống máy tính hiện đại sử dụng chiều dài 64 bit, có nghĩa là một số có tối đa 64 bit, nhưng thực tế q thường là 1024 bit. Nếu muốn thực hiện điều này, chúng ta cần phân tách q của chúng ta, điều này sẽ gây thiệt hại về tài nguyên bộ nhớ và tốc độ. Vì vậy, để có thể có q lớn hơn, cần xây dựng một bộ xử lý có chiều dài 1024 bit hoặc lớn hơn. Trường hạn chế q rất quan trọng, giống như chúng ta đã đề cập trước đó, càng lớn, càng có thể tính toán nhiều bước, các hoạt động khởi động có thể được trì hoãn càng lâu, điều này sẽ giảm thiểu tổng lượng tài nguyên tính toán. q đóng vai trò trung tâm trong FHE, nó ảnh hưởng đến gần như tất cả các khía cạnh của kế hoạch, bao gồm an ninh, hiệu suất, khả năng tính toán và tài nguyên bộ nhớ cần thiết.
• Xây dựng một bộ xử lý ASIC: Chúng tôi đã đề cập trước đó rằng do tính dễ thực hiện song song và các lý do khác, chúng tôi xây dựng một đa thức, thông qua đa thức xây dựng mạch điện, điều này tương tự như ZK. CPU, GPU hiện tại không có khả năng (tài nguyên tính toán và tài nguyên bộ nhớ) để chạy mạch điện, cần xây dựng một bộ xử lý ASIC đặc biệt để cho phép Thuật toán FHE.
• Xây dựng kiến trúc song song MIMD, khác với kiến trúc song song SIMD, SIMD chỉ có thể thực hiện một chỉ thị trên nhiều dữ liệu, cũng có nghĩa là phân chia và xử lý song song dữ liệu, nhưng MIMD có thể phân chia dữ liệu và sử dụng các chỉ thị khác nhau để tính toán. SIMD chủ yếu được sử dụng cho song song dữ liệu, đó cũng là kiến trúc chính để xử lý song song giao dịch của hầu hết các dự án Blockchain. Trong khi đó, MIMD có thể xử lý nhiều loại nhiệm vụ song song. MIMD kỹ thuật phức tạp hơn, yêu cầu xử lý đồng bộ và vấn đề giao tiếp.

Chỉ còn một tháng nữa là hết hạn cho dự án DEPRIVE của DARPA, dự án Dprvie ban đầu được lên kế hoạch từ năm 2021 và kết thúc vào ba giai đoạn trong tháng 9 năm 2024, nhưng tiến độ dường như chậm, và hiện tại vẫn chưa đạt được mục tiêu hiệu suất chỉ 1/10 so với tính toán thông thường như dự định.

Mặc dù tiến triển công nghệ FHE chậm, tương tự như công nghệ ZK, việc triển khai cứng của nó vẫn là một vấn đề nghiêm trọng đối với việc triển khai công nghệ. Tuy nhiên, chúng tôi vẫn tin rằng trong tương lai dài hạn, công nghệ FHE vẫn có ý nghĩa đặc biệt, đặc biệt là đối với việc bảo vệ một phần dữ liệu an toàn như đã liệt kê trong phần đầu của chúng tôi. Đối với Bộ Quốc phòng DARPA, họ nắm giữ một lượng lớn dữ liệu nhạy cảm, nếu muốn triển khai khả năng tổng quát của trí tuệ nhân tạo vào việc quân sự, cần phải huấn luyện trí tuệ nhân tạo theo hình thức an toàn dữ liệu. Không chỉ vậy, đối với dữ liệu nhạy cảm quan trọng như y tế, tài chính cũng áp dụng tương tự, thực tế FHE không phải là phù hợp cho tất cả tính toán thông thường, mà hướng tới nhu cầu tính toán dưới dạng dữ liệu nhạy cảm, tính an toàn này đặc biệt quan trọng trong thời đại sau lượng tử.

Đối với công nghệ tiên tiến như thế này, chúng ta phải xem xét rất cẩn thận khoảng thời gian đầu tư và thời gian thương mại hóa. Do đó, chúng ta cần phải rất cẩn trọng khi xem xét thời gian áp dụng FHE.

Kết hợp của Blockchain

Trong Khối Blockchain, FHE cũng chủ yếu được sử dụng để bảo vệ tính riêng tư của dữ liệu, các lĩnh vực ứng dụng bao gồm tính riêng tư on-chain, tính riêng tư của dữ liệu đào tạo trí tuệ nhân tạo, tính riêng tư của việc bỏ phiếu on-chain, và kiểm tra giao dịch bảo mật on-chain và nhiều hướng khác. Trong số đó, FHE cũng được gọi là một trong những hướng giải quyết tiềm năng của giải pháp MEV on-chain. Theo như mô tả trong bài viết của chúng tôi về MEV “Chiếu sáng khu rừng tối thượng - Bóc mở bí ẩn của MEV”, nhiều giải pháp MEV hiện tại chỉ là cách tái cấu trúc lại kiến trúc MEV mà không phải là giải pháp, thực tế vấn đề UX do tấn công sandwich vẫn chưa được giải quyết.

Quy trình MEV PBS

Tuy nhiên, vẫn có một vấn đề là nếu chúng ta mã hóa giao dịch hoàn toàn, MEV bots sẽ đồng thời làm mất tính tích cực mang lại và Người xác thực Builder cần chạy trên cơ sở Máy ảo để thực hiện FHE, Người xác thực cũng cần xác minh giao dịch để xác định tính chính xác cuối cùng của trạng thái, điều này sẽ đặt yêu cầu cao hơn cho Nút và làm chậm tốc độ xuyên qua của toàn bộ mạng hàng triệu lần.

Dự án chính

Cảnh quan FHE

FHE là một công nghệ mới, hiện nay hầu hết các dự án sử dụng công nghệ FHE đều từ Zama xây dựng, như Fhenix, Privasea, Inco Network, Mind Network. Năng lực triển khai công nghệ FHE của Zama đã nhận được sự công nhận từ những dự án này. Hầu hết các dự án trên đều được xây dựng dựa trên thư viện do Zama cung cấp, khác biệt chính đó là mô hình kinh doanh. Fhenix muốn xây dựng một Optimism Layer 2 ưu tiên sự riêng tư, Privasea muốn sử dụng khả năng FHE để thực hiện các phép tính dữ liệu LLM, nhưng đây là một phép tính dữ liệu nặng, yêu cầu công nghệ và phần cứng của FHE đều rất cao, và sau đó TFHE được Zama dựa trên có thể không phải là lựa chọn tối ưu. Inco Network và Fhenix đều sử dụng fhEVM, nhưng một là xây dựng Layer 1 và một là Layer 2. Arcium đã xây dựng sự kết hợp của nhiều công nghệ mật mã, bao gồm FHE, MPC và ZK. Mô hình kinh doanh của Mind Network khá độc đáo, đã chọn con đường Restaking, thông qua việc cung cấp tính an toàn và kiến trúc mạng con dựa trên FHE để giải quyết vấn đề an toàn kinh tế và niềm tin bỏ phiếu ở tầng đồng thuận.

Zama

Zama là một giải pháp dựa trên TFHE, điểm đặc biệt của nó là sử dụng công nghệ Bootstrap, tập trung vào xử lý phép toán logic và phép toán số nguyên có độ dài thấp. Mặc dù là một kỹ thuật triển khai nhanh hơn trong việc thực hiện giải pháp FHE của chúng tôi, nhưng vẫn có khoảng cách lớn so với tính toán thông thường, và cũng không thể thực hiện bất kỳ tính toán nào. Đối mặt với các nhiệm vụ tập trung dữ liệu, những phép toán này sẽ làm cho mạch có Độ sâu lớn và không thể xử lý. Nó không phải là một giải pháp tập trung dữ liệu, chỉ áp dụng cho một số bước quan trọng của quá trình mã hóa.

TFHE hiện đã có mã nguồn cài đặt sẵn, công việc chính của Zama là sử dụng ngôn ngữ Rust để viết lại TFHE, tức là các crates rs-TFHE của họ. Đồng thời, để giảm ngưỡng sử dụng Rust cho người dùng, họ cũng xây dựng một công cụ biên dịch tên là Concrate, có thể chuyển đổi Python thành rs-TFHE tương đương. Sử dụng công cụ này, bạn có thể biên dịch ngôn ngữ mô hình lớn dựa trên Python sang ngôn ngữ Rust dựa trên TFHE-rs. Như vậy, bạn có thể chạy mô hình lớn dựa trên mã hóa đồng cấu, nhưng trong trường hợp nhiệm vụ mật độ dữ liệu cao, thực tế thì không phù hợp với TFHE. Sản phẩm fhEVM của Zama là một công nghệ triển khai Hợp đồng thông minh bảo mật hoàn toàn (FHE) trên EVM, có thể hỗ trợ Hợp đồng thông minh được biên dịch từ đầu đến cuối dựa trên ngôn ngữ Solidity.

Nhìn chung, Zama, với vai trò là một sản phẩm To B, đã xây dựng một ngăn xếp phát triển dựa trên TFHE khá hoàn chỉnh cho chuỗi khối + Trí tuệ nhân tạo. Có thể giúp các dự án web3 dễ dàng xây dựng cơ sở hạ tầng và ứng dụng FHE.

Octra

Octra có một điểm đặc biệt là sử dụng một công nghệ độc đáo để thực hiện FHE. Nó sử dụng một công nghệ gọi là hypergraphs để thực hiện bootstrap. Cũng dựa trên mạch boolean, nhưng Octra cho rằng công nghệ dựa trên hypergraphs có thể thực hiện FHE hiệu quả hơn. Điều này là công nghệ FHE độc đáo của Octra, đội ngũ có khả năng kỹ thuật và mật mã rất mạnh mẽ.

Octra đã xây dựng một ngôn ngữ hợp đồng thông minh mới, sử dụng các thư viện mã nguồn mở OCaml, AST, ReasonML (một ngôn ngữ dành riêng cho việc tương tác với mạng lưới Octra Blockchain và ứng dụng hợp đồng thông minh) và C++. Thư viện Hyperghraph FHE mà họ xây dựng có thể tương thích với bất kỳ dự án nào.

Cấu trúc của nó cũng tương tự như các dự án Mind Network, Bittensor, Allora v.v., nó xây dựng một Mạng chính, sau đó các dự án khác trở thành subnets, tạo ra một môi trường hoạt động cô lập lẫn nhau. Đồng thời, tương tự như các dự án này, đều xây dựng giao thức Nhận thức chung mới phù hợp hơn với kiến trúc của chính nó, Octra xây dựng giao thức Nhận thức chung dựa trên máy học ML-consensus, bản chất của nó dựa trên DAG (đồ thị có định hướng không tuần hoàn).

Nguyên lý kỹ thuật của Nhận thức chung này chưa được tiết lộ, nhưng chúng ta có thể đoán đại khái. Có thể là giao dịch được gửi đến mạng và sau đó sử dụng thuật toán SVM (Support Vector Machine) để xác định Nút xử lý tốt nhất, chủ yếu dựa trên tình trạng tải mạng của các Nút hiện tại. Hệ thống sẽ dựa trên dữ liệu lịch sử (học thuật toán ML) để xác định đường dẫn tốt nhất mà các Nút cha Nhận thức chung đã đạt được. Chỉ cần đáp ứng 1/2 số lượng Nút, đó là đủ để đạt được Nhận thức chung liên tục tăng lên của cơ sở dữ liệu.

Mong đợi

Tình trạng phát triển công nghệ mật mã tiên tiến hiện nay, nguồn hình ảnh: Verdict

Công nghệ FHE là một loại công nghệ hướng tới tương lai, tuy nhiên tình trạng phát triển hiện tại vẫn chưa bằng công nghệ ZK, thiếu vốn đầu tư do hiệu suất thấp và chi phí cao mà bảo vệ quyền riêng tư mang lại, không đủ sức mạnh cho hầu hết các tổ chức kinh doanh. Sự phát triển của công nghệ ZK trở nên nhanh hơn do sự đầu tư của Crypto VC. FHE vẫn còn ở giai đoạn rất sớm, ngay cả bây giờ trên thị trường vẫn còn ít dự án, do chi phí cao, khó khăn kỹ thuật và triển vọng thương mại hóa vẫn chưa rõ ràng. Trong năm 2021, DAPRA đã khởi đầu kế hoạch vượt qua FHE kéo dài 42 tháng cùng nhiều công ty như Intel, Microsoft, mặc dù đã có tiến bộ nhất định, nhưng vẫn còn xa với mục tiêu hiệu suất. Khi sự chú ý của Crypto VC đổ vào hướng này, sẽ có nhiều vốn đầu tư hơn vào ngành công nghiệp này, dự kiến ngành sẽ có nhiều dự án FHE hơn, cũng như nhiều nhóm có khả năng kỹ thuật và nghiên cứu mạnh mẽ như Zama, Octra sẽ đứng ở giữa sân khấu, sự kết hợp của công nghệ FHE với tình hình thương mại hóa và phát triển của blockchain vẫn đáng để khám phá, trong khi ứng dụng tốt nhất hiện tại là ẩn danh cho việc bỏ phiếu Nút, nhưng phạm vi ứng dụng vẫn hẹp.

Giống như ZK, việc triển khai chip FHE là một trong những điều kiện tiên quyết để thương mại hóa FHE, hiện nay có nhiều nhà sản xuất như Intel, Chain Reaction, Optalysys đang khám phá lĩnh vực này. Mặc dù FHE đối mặt với nhiều sự kháng cự công nghệ, nhưng kèm theo việc triển khai chip FHE, mã hóa đồng cấu toàn bộ sẽ trở thành một công nghệ tiềm năng và có nhu cầu chính xác, sẽ mang đến sự thay đổi sâu sắc cho các ngành như quốc phòng, tài chính, y tế, giải phóng tiềm năng kết hợp dữ liệu riêng tư này với công nghệ thuật toán lượng tử trong tương lai, cũng sẽ chứng kiến thời điểm bùng nổ của nó.

Chúng tôi sẵn lòng khám phá công nghệ tiên tiến này, nếu bạn đang xây dựng sản phẩm FHE thực sự có thể thương mại hóa hoặc có những đổi mới công nghệ tân tiến hơn, xin vui lòng liên hệ với chúng tôi!