FHE( enkripsi homomorfik penuh ) adalah teknologi enkripsi canggih yang memungkinkan perhitungan langsung pada data yang terenkripsi, sehingga dapat memproses data sambil melindungi privasi. FHE memiliki prospek aplikasi yang luas di bidang pemrosesan data yang memerlukan perlindungan privasi, seperti keuangan, medis, dan komputasi awan. Namun, karena biaya komputasi yang besar, komersialisasi masih membutuhkan waktu.
Prinsip Dasar
Inti dari FHE adalah menyembunyikan informasi asli melalui polinomial dan mengubah perhitungan menjadi model sirkuit. Untuk mengatasi masalah akumulasi noise, FHE menggunakan teknologi seperti pergantian kunci, pergantian modulus, dan bootstrapping. Saat ini, skema FHE yang populer termasuk BGV, BFV, CKKS, yang semuanya menggunakan teknologi bootstrapping untuk mewujudkan perhitungan dengan kedalaman tak terbatas.
Tantangan yang Dihadapi
Tantangan terbesar FHE terletak pada biaya komputasi yang sangat besar, yang bisa 500 juta kali lebih lambat dibandingkan komputasi biasa. Untuk itu, DARPA meluncurkan program DPRIVE, bertujuan untuk meningkatkan kecepatan komputasi FHE hingga 1/10 dari komputasi biasa. Program ini dimulai dengan memperbesar panjang kata prosesor, merancang ASIC khusus, dan membangun arsitektur paralel MIMD, namun saat ini kemajuannya lambat dan belum mencapai target yang diharapkan.
Penggabungan Blockchain
Dalam bidang blockchain, FHE dapat digunakan untuk melindungi privasi di blockchain, privasi data pelatihan AI, privasi pemungutan suara di blockchain, dan lain-lain. Beberapa proyek mencoba menerapkan FHE untuk menyelesaikan masalah MEV, tetapi juga menghadapi tantangan seperti efisiensi yang rendah dan hilangnya eksternalitas positif.
Proyek Utama
Proyek utama di bidang FHE saat ini meliputi:
Zama: Membangun tumpukan pengembangan FHE yang lebih lengkap berdasarkan skema TFHE
Octra: Menggunakan teknologi hypergraphs untuk merealisasikan FHE, membangun bahasa kontrak pintar yang baru.
Fhenix: Membangun Layer 2 yang mengutamakan privasi berdasarkan teknologi Zama
Privasea: Menggunakan FHE untuk operasi data LLM
Inco Network: dibangun di atas fhEVM Layer 1
Mind Network: Menggabungkan FHE dengan Restaking
Prospek Pengembangan
Teknologi FHE masih berada di tahap awal, menghadapi tantangan seperti efisiensi yang rendah dan kesulitan rekayasa yang tinggi. Namun, dengan lebih banyak perhatian modal, pengembangan chip khusus, dan lainnya, FHE diharapkan dapat membawa perubahan di bidang-bidang sensitif terhadap privasi seperti pertahanan, keuangan, dan kesehatan. Peluncuran chip FHE akan menjadi kunci untuk komersialisasinya. Meskipun tantangan yang ada, FHE sebagai teknologi mutakhir dengan permintaan yang jelas, memiliki prospek pengembangan yang menjanjikan di masa depan.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
16 Suka
Hadiah
16
8
Bagikan
Komentar
0/400
DefiPlaybook
· 07-23 17:22
Utilisasi hanya 5,8%, biaya penghitungan terlalu fantastis.
Lihat AsliBalas0
WarmLightLin
· 07-23 11:31
Nima Sile
Lihat AsliBalas0
NewDAOdreamer
· 07-23 11:04
Seharian bermain dengan senang?
Lihat AsliBalas0
MidnightSnapHunter
· 07-23 11:04
enkripsi sudah dimengerti, hanya saja harganya sangat mahal.
Lihat AsliBalas0
ReverseFOMOguy
· 07-23 11:02
Mahal sih, tapi ya sudah, santai saja~
Lihat AsliBalas0
nft_widow
· 07-23 11:01
Wah, apakah self-booting dapat menangani akumulasi noise?
Lihat AsliBalas0
AltcoinHunter
· 07-23 10:46
BTC terus sideways, menyimpan sedikit fhe juga tidak buruk.
FHE: Masa Depan Perhitungan Privasi dan Prospek Aplikasi Blockchain
FHE: Masa Depan Perhitungan Privasi
FHE( enkripsi homomorfik penuh ) adalah teknologi enkripsi canggih yang memungkinkan perhitungan langsung pada data yang terenkripsi, sehingga dapat memproses data sambil melindungi privasi. FHE memiliki prospek aplikasi yang luas di bidang pemrosesan data yang memerlukan perlindungan privasi, seperti keuangan, medis, dan komputasi awan. Namun, karena biaya komputasi yang besar, komersialisasi masih membutuhkan waktu.
Prinsip Dasar
Inti dari FHE adalah menyembunyikan informasi asli melalui polinomial dan mengubah perhitungan menjadi model sirkuit. Untuk mengatasi masalah akumulasi noise, FHE menggunakan teknologi seperti pergantian kunci, pergantian modulus, dan bootstrapping. Saat ini, skema FHE yang populer termasuk BGV, BFV, CKKS, yang semuanya menggunakan teknologi bootstrapping untuk mewujudkan perhitungan dengan kedalaman tak terbatas.
Tantangan yang Dihadapi
Tantangan terbesar FHE terletak pada biaya komputasi yang sangat besar, yang bisa 500 juta kali lebih lambat dibandingkan komputasi biasa. Untuk itu, DARPA meluncurkan program DPRIVE, bertujuan untuk meningkatkan kecepatan komputasi FHE hingga 1/10 dari komputasi biasa. Program ini dimulai dengan memperbesar panjang kata prosesor, merancang ASIC khusus, dan membangun arsitektur paralel MIMD, namun saat ini kemajuannya lambat dan belum mencapai target yang diharapkan.
Penggabungan Blockchain
Dalam bidang blockchain, FHE dapat digunakan untuk melindungi privasi di blockchain, privasi data pelatihan AI, privasi pemungutan suara di blockchain, dan lain-lain. Beberapa proyek mencoba menerapkan FHE untuk menyelesaikan masalah MEV, tetapi juga menghadapi tantangan seperti efisiensi yang rendah dan hilangnya eksternalitas positif.
Proyek Utama
Proyek utama di bidang FHE saat ini meliputi:
Prospek Pengembangan
Teknologi FHE masih berada di tahap awal, menghadapi tantangan seperti efisiensi yang rendah dan kesulitan rekayasa yang tinggi. Namun, dengan lebih banyak perhatian modal, pengembangan chip khusus, dan lainnya, FHE diharapkan dapat membawa perubahan di bidang-bidang sensitif terhadap privasi seperti pertahanan, keuangan, dan kesehatan. Peluncuran chip FHE akan menjadi kunci untuk komersialisasinya. Meskipun tantangan yang ada, FHE sebagai teknologi mutakhir dengan permintaan yang jelas, memiliki prospek pengembangan yang menjanjikan di masa depan.