FHE 开辟了无需解密即可对加密数据进行计算的可能性。
当与区块链、MPC、ZKP（可扩展性）相结合时，FHE 提供了必要的保密性，并实现了各种链上用例。
FHE 现状概述
在本主题中，我将介绍：
- FHE的背景
- FHE如何运作的？
- FHE生态系统的5个领域
- 当前FHE面临的挑战和解决方案
废话不多说，让我们开始吧。
FHE 的背景
FHE 于 1978 年首次提出，但由于其计算复杂性，它在相当长的一段时间内并不实用且非常理论化。
直到 2009 年，Craig 才为 FHE 开发了一个可行的模型，从那时起，它就激起了对 FHE 的研究兴趣。
2020 年，TFHE 和 fhEVM 的推出 @zama_fhe 使FHE成为加密领域的焦点。 从那时起，我们看到了通用 EVM 兼容的 FHE L1/L2 的出现，例如 @FhenixIO 和 @inconetwork FHE 编译器等 @SunscreenTech 。
FHE是如何运作的？
你可以想象有一个盲盒，里面有谜题，但是盲盒无法学习有关您给它的谜题的任何信息，但它仍然可以用数学计算结果。
请从我对 FHE 的过于简化的解释中了解更多信息。
一些 FHE 用例包括：
- 私有链上计算
- 链上数据加密
- 公共网络上的私有智能合约
- 加密 ERC20
- 私人投票
- NFT 盲拍
- 更安全的 MPC
- 抢先保护
- 无需信任的跨链桥
FHE 生态系统
总的来说，链上FHE的前景可以归纳为5个方面。
- 通用FHE
- 用于特定用例的 FHE/HE（应用）
- FHE 加速硬件
- FHE 与 AI
- “替代解决方案”
通用FHE区块链和工具
它们是在区块链中实现机密性的支柱。这包括 SDK、协处理器、编译器、新的执行环境、区块链、FHE 模块。
最具挑战性的是：将 FHE 引入 EVM，即 fhEVM。
一般用途包括： fhEVM
FHE 工具 / Infra：
用于特定用例的 FHE/HE（应用）
@penumbrazone —— 一个跨链 cosmos dex（应用链），使用 tFHE 进行其屏蔽交换/池。 @zkHoldem —— 扑克游戏 @MantaNetwork 使用 HE 和 ZKP 来证明游戏的公平性。
FHE 加速硬件
每当 FHE 用于 FHE-ML 等密集型计算时，自举以减少噪声增长至关重要。
硬件加速等解决方案在促进自举方面发挥着重要作用，其中 ASIC 的表现最佳。
硬件行业的成员包括： @Optalysys@chainreactioni0@Ingo_zk@cysic_xyz每家公司都专门生产芯片、ASIC 和半导体等硬件，这些硬件可以加速 FHE 的引导/计算。
FHE 与 AI
最近，人们对将 FHE 集成到 AI/ML 中的兴趣有所增加。
其中，FHE 可以防止机器在处理任何敏感信息时学习任何敏感信息，并通过该过程为数据、模型和输出提供机密性。
- Ai x FHE 的成员包括： @mindnetwork_xyz
- @theSightAI
- @getbasedai
- @Privasea_ai
“替代性解决方案”
一些人使用 MPC 来保护高价值数据并执行“盲计算”，而不是 FHE，而另一些人则使用 ZKSNARK 来保证加密数据上 FHE 计算的正确性。他们是：@nillionnetwork、@padolabs
当前FHE面临的挑战和解决方案
- 对开发人员还不友好。
目前的情况仍然是缺乏标准化的算法和整体支持的FHE工具。
- 高计算开销（成本）
由于噪声管理和复杂计算的引导，这可能会导致节点中心化。
- 不安全的链上 FHE 风险
- 要确保任何阈值解密系统的安全性，解密密钥都要在节点之间分配。然而，由于 FHE 的开销较大，这可能会导致验证者的数量较少，从而增加串通的可能性。
解决方案？
- 可编程 Boostrapping：
- 它允许在引导过程中应用计算，从而在特定于应用程序的同时提高效率。
- 硬件加速
- 开发 ASIC、GPU 和 FPGA 以及 OpenFHE 库，以加速 FHE 性能。
更好的阈值解密系统
简而言之，为了提高链上 FHE 的安全性，我们需要一个能够确保以下方面的系统（可以是 MPC）：
- 低延迟
- 降低去中心化节点的进入门槛
- 容错性
就是这样了，老实说，这个推文只是冰山一角。关于FHE景观，还有很多东西需要了解。
文章声明：以上内容(如有图片或视频亦包括在内)除非注明，否则均为谈天说币原创文章，转载或复制请以超链接形式并注明出处。