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

Vitaliks關於FHE（全同態加密）的文章曾經有過ag人工智慧n 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實際上是一個 發展 演算法優化和算力成本控制優化的過程，特別關注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...