FHE全同態加密簡析：技術原理、應用場景及相關項目

原作者：浩天

Vitalik關於FHE（全同態加密）的文章再次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其實是一個演算法最佳化和算力成本控制最佳化的發展過程，特別注重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...