FHE: Khoác lên mình chiếc áo tàng hình của Harry Potter

FHE( mã hóa đồng nhất toàn phần ) là một công nghệ mã hóa tiên tiến, cho phép thực hiện xử lý dữ liệu trực tiếp trong trạng thái mã hóa. Điều này có nghĩa là có thể phân tích và xử lý dữ liệu trong khi vẫn bảo vệ quyền riêng tư. FHE có nhiều ứng dụng tiềm năng, đặc biệt trong lĩnh vực xử lý và phân tích dữ liệu cần bảo vệ quyền riêng tư, như tài chính, y tế, điện toán đám mây, học máy, hệ thống bỏ phiếu, Internet vạn vật và bảo vệ quyền riêng tư blockchain. Tuy nhiên, hiện tại việc thương mại hóa vẫn cần một thời gian, vấn đề chính là chi phí tính toán và bộ nhớ do thuật toán mang lại rất lớn, khả năng mở rộng kém. Dưới đây chúng tôi sẽ giới thiệu ngắn gọn nguyên lý cơ bản của thuật toán này cũng như những vấn đề chính mà nó đang phải đối mặt.

Nguyên tắc cơ bản

Mục tiêu cơ bản của FHE là thực hiện tính toán trên dữ liệu được mã hóa và nhận được kết quả giống như tính toán trên văn bản gốc. Trong mật mã học, thường sử dụng đa thức để ẩn thông tin gốc, vì đa thức có thể chuyển đổi thành các bài toán đại số tuyến tính, thuận lợi cho việc tính toán vector tối ưu hóa cao trên máy tính hiện đại.

Lấy số 2 trong số hóa để làm ví dụ, trong hệ thống HE đơn giản, có thể:

1. Chọn một đa thức khóa, chẳng hạn như s(x) = 3x^2 + 2x + 1
2. Tạo một đa thức ngẫu nhiên, như a(x) = 2x^2 + 5x + 3
3. Tạo một đa thức "lỗi" nhỏ, như e(x) = -x + 2 c(x) = 2 + a(x)*s(x) + e(x)

Việc đưa vào nhiễu e(x) nhằm đánh lừa kẻ tấn công, ngăn chặn việc phân tích mối quan hệ giữa s(x) và c(x) thông qua việc nhập lại văn bản gốc. Độ lớn của nhiễu cũng được gọi là ngân sách nhiễu.

Việc chuyển đổi c(x) * d(x) thành "mạch điện" có thể theo dõi và quản lý chính xác tiếng ồn mà mỗi thao tác mang lại, đồng thời cũng thuận tiện cho việc tính toán tăng tốc trên phần cứng chuyên dụng như ASIC, FPGA. Bất kỳ thao tác phức tạp nào cũng có thể được ánh xạ thành các mô-đun cộng và nhân đơn giản.

Nhưng khi độ sâu tính toán tăng lên, độ ồn sẽ tăng theo cấp số nhân, cuối cùng dẫn đến không thể phục hồi văn bản gốc. Để giải quyết vấn đề này, các giải pháp sau đây đã được đề xuất:

• Chuyển đổi khóa: Nén văn bản mã hóa sau mỗi phép nhân, nhưng sẽ tạo ra một chút tiếng ồn.
• Chuyển đổi mô-đun: Giảm độ lớn của mô-đun q để giảm tiếng ồn, nhưng sẽ làm giảm khả năng tính toán.
• Bootstrap: Đặt lại tiếng ồn về mức ban đầu, không giảm bậc, nhưng chi phí tính toán rất cao.

Hiện tại, các phương án FHE chủ yếu có:

• BGV: Dựa trên RLWE, hỗ trợ mạch có độ sâu tùy ý
• BFV: Dựa trên RLWE, phù hợp với các phép toán số học
• TFHE: dựa trên LWE/TLWE, phù hợp cho mạch Boolean
• CKKS: dựa trên RLWE, hỗ trợ toán học xấp xỉ

Vấn đề mà FHE phải đối mặt

Do cần mã hóa dữ liệu và chuyển đổi thành "mạch điện", sau đó áp dụng các công nghệ như Bootstrap để giải quyết vấn đề tiếng ồn, chi phí tính toán của FHE cao hơn nhiều lần so với tính toán thông thường.

Lấy việc giải mã AES-128 làm ví dụ, phiên bản thông thường mất khoảng 67 nan giây trên bộ xử lý 3 GHz, trong khi phiên bản FHE mất 35 giây, gấp khoảng 500 triệu lần phiên bản thông thường.

Để giải quyết vấn đề này, DARPA của Mỹ đã khởi động chương trình Dprive vào năm 2021, mục tiêu là nâng tốc độ tính toán FHE lên 1/10 so với tính toán thông thường. Chủ yếu tập trung vào các khía cạnh sau:

1. Tăng độ dài từ xử lý lên 1024 bit hoặc lớn hơn, để hỗ trợ số mô đun lớn hơn q
2. Xây dựng bộ xử lý ASIC chuyên dụng để chạy thuật toán FHE
3. Sử dụng kiến trúc song song MIMD, hỗ trợ xử lý dữ liệu song song với các lệnh khác nhau

Mặc dù tiến triển chậm, nhưng từ lâu dài, công nghệ FHE vẫn có ý nghĩa quan trọng trong việc bảo vệ quyền riêng tư dữ liệu nhạy cảm, đặc biệt là trong kỷ nguyên hậu lượng tử.

Sự kết hợp của blockchain

Trong blockchain, FHE chủ yếu được sử dụng để bảo vệ quyền riêng tư dữ liệu, các lĩnh vực ứng dụng bao gồm quyền riêng tư trên chuỗi, quyền riêng tư dữ liệu đào tạo AI, quyền riêng tư bỏ phiếu trên chuỗi, kiểm tra giao dịch riêng tư trên chuỗi, v.v. FHE cũng được coi là một trong những giải pháp tiềm năng để giải quyết vấn đề MEV trên chuỗi.

Tuy nhiên, giao dịch hoàn toàn mã hóa cũng sẽ mang lại một số vấn đề, chẳng hạn như sự biến mất của các tác động tích cực do các bot MEV gây ra, các xác nhận viên cần chạy trên máy ảo FHE, làm tăng yêu cầu đối với các nút và giảm thông lượng mạng.

Dự án chính

Hiện tại, hầu hết các dự án FHE đang sử dụng công nghệ từ Zama, như Fhenix, Privasea, Inco Network, Mind Network, v.v. Những dự án này được xây dựng dựa trên thư viện do Zama cung cấp, sự khác biệt chính nằm ở mô hình kinh doanh.

Zama

Zama dựa trên giải pháp TFHE, đã viết lại TFHE bằng Rust, và cung cấp công cụ chuyển đổi Python Concrate. Sản phẩm fhEVM của họ hỗ trợ biên dịch hợp đồng thông minh mã hóa đầu cuối trên EVM. Zama cung cấp một ngăn xếp phát triển FHE hoàn chỉnh cho các dự án web3.

Octra

Octra sử dụng công nghệ độc quyền dựa trên hypergraphs để triển khai FHE. Nó đã xây dựng một ngôn ngữ hợp đồng thông minh mới, cùng với giao thức đồng thuận ML-consensus dựa trên machine learning. Octra áp dụng thiết kế kiến trúc mạng chính + mạng con.

Mong đợi

Công nghệ FHE hiện vẫn đang ở giai đoạn đầu, đối mặt với những thách thức như chi phí cao, độ khó của kỹ thuật lớn, và triển vọng thương mại không rõ ràng. Tuy nhiên, với sự đổ vào của nhiều vốn và sự chú ý, cũng như sự ra đời của các chip chuyên dụng cho FHE, công nghệ này có khả năng mang lại những biến đổi sâu sắc trong các lĩnh vực quốc phòng, tài chính, y tế. Mặc dù hiện tại phạm vi ứng dụng còn hạn chế, nhưng FHE như một công nghệ đầy tiềm năng, vẫn đáng được theo dõi và khám phá trong tương lai.