Không gian tưởng tượng của mã hóa toàn đồng hình FHE rộng lớn đến mức nào?
Tuyển chọn TechFlowTuyển chọn TechFlow
Không gian tưởng tượng của mã hóa toàn đồng hình FHE rộng lớn đến mức nào?
Mặc dù mã hóa đồng dạng toàn phần (FHE) khó có thể nhanh chóng trưởng thành và ứng dụng trong thời gian ngắn, nhưng nó có thể đóng vai trò bổ trợ mở rộng cho công nghệ ZKP.
Chuyên sâu báo cáo Web3Tác giả: Haotian
Một bài viết của Vitalik về FHE (Mã hóa đồng dạng toàn phần – Fully Homomorphic Encryption) một lần nữa khơi dậy sự khám phá và hình dung của cộng đồng đối với các công nghệ mã hóa mới. Theo quan điểm của tôi, FHE thực sự mở ra không gian ứng dụng rộng lớn hơn một bậc so với công nghệ ZKP, có thể thúc đẩy nhiều trường hợp ứng dụng kết hợp AI+Crypto trở thành hiện thực. Vậy ta nên hiểu điều này như thế nào?
1) Định nghĩa: FHE cho phép thực hiện các phép toán nhất định trên dữ liệu đã được mã hóa mà không cần lo lắng về việc tiết lộ dữ liệu hay riêng tư. Trong khi đó, ZKP chỉ giải quyết được vấn đề truyền tải nhất quán dữ liệu ở trạng thái mã hóa — bên nhận chỉ có thể xác minh tính chân thực của dữ liệu do bên gửi cung cấp, đây là một phương án truyền tải mã hóa điểm-điểm. Ngược lại, mã hóa đồng dạng toàn phần không giới hạn chủ thể thực hiện phép toán, do đó có thể xem là một phương án tính toán mã hóa đa-đi-đa.
2) Cách thức hoạt động: Các phép toán máy tính truyền thống đều thực hiện trên dữ liệu rõ (plaintext). Nếu dữ liệu bị mã hóa thì phải giải mã trước rồi mới tính toán, điều này dễ dẫn đến rủi ro rò rỉ thông tin cá nhân. Mã hóa đồng dạng xây dựng một phương án mã hóa đặc biệt, cho phép biến đổi "đồng dạng" trên văn bản mã (ciphertext), sao cho kết quả thu được tương đương với kết quả khi thực hiện phép toán trên dữ liệu rõ. Trong hệ thống mã hóa đồng dạng, phép cộng dữ liệu rõ tương ứng với phép nhân trên văn bản mã (một quy luật nhất định), do đó nếu muốn thực hiện phép cộng trên dữ liệu rõ, chỉ cần thực hiện phép nhân trên văn bản mã là đủ (tính tương đương).
Tóm lại, mã hóa đồng dạng thông qua biến đổi đồng dạng đặc biệt giúp dữ liệu vẫn ở trạng thái mã hóa nhưng kết quả tính toán thu được giống như khi xử lý trên dữ liệu rõ — chỉ cần đảm bảo quy tắc phép toán có đặc tính tương ứng đồng dạng là được.
3) Ứng dụng thực tiễn: Trong lĩnh vực Internet truyền thống, FHE có thể được áp dụng rộng rãi trong lưu trữ đám mây, nhận dạng sinh trắc học, y tế sức khỏe, tài chính, quảng cáo, giải trình tự gen,... Chẳng hạn với nhận dạng sinh trắc học, các dữ liệu nhạy cảm như vân tay, mống mắt, khuôn mặt cá nhân có thể được so sánh và xác thực ngay cả khi đang ở dạng mã hóa trên máy chủ. Tương tự, trong lĩnh vực y tế, nơi dữ liệu thường bị phân mảnh qua nhiều năm, FHE có thể phá vỡ rào cản này, cho phép các cơ sở y tế khác nhau tiến hành phân tích chung và xây dựng mô hình mà không cần chia sẻ dữ liệu gốc.
Trong lĩnh vực Crypto, FHE cũng có tiềm năng ứng dụng tại nhiều kịch bản đòi hỏi cao về quyền riêng tư như trò chơi, bỏ phiếu quản trị DAO, bảo vệ MEV, giao dịch riêng tư, tuân thủ quy định,... Ví dụ trong trò chơi: nền tảng có thể tiến hành các phép toán để duy trì diễn biến trò chơi mà không cần biết lá bài người chơi đang giữ, từ đó làm cho trò chơi công bằng hơn.
Tương tự, với bỏ phiếu DAO, những "cá voi" có thể tham gia bỏ phiếu mà không tiết lộ địa chỉ hay số lượng phiếu bầu, song giao thức vẫn tính toán ra được kết quả. Ngoài ra, người dùng có thể gửi giao dịch đã mã hóa vào Mempool, nhờ đó tránh bị lộ thông tin riêng tư như địa chỉ đích hay số tiền chuyển. Một ví dụ khác là trong giám sát, chính phủ có thể theo dõi các pool vốn, tách biệt tài sản liên quan đến địa chỉ đen mà không cần xem dữ liệu riêng tư của các giao dịch hợp pháp.
4) Hạn chế: Cần lưu ý rằng môi trường tính toán thông thường trên dữ liệu rõ của máy tính khá phức tạp, ngoài cộng-trừ-nhân-chia còn có vòng lặp điều kiện, kiểm tra cổng logic, v.v. Hiện nay mã hóa bán đồng dạng và toàn phần mới chỉ thực hiện nhanh được trên phép cộng và phép nhân; các phép toán phức tạp hơn phải kết hợp chồng chất nhiều bước, kéo theo nhu cầu tăng mạnh về năng lực tính toán.
Do đó, về lý thuyết FHE có thể hỗ trợ mọi loại tính toán, nhưng do giới hạn hiệu năng và đặc tính thuật toán, hiện nay các phép toán đồng dạng có thể thực thi hiệu quả còn rất hạn chế về loại và độ phức tạp. Những phép toán càng phức tạp thì càng tiêu tốn nhiều năng lực xử lý. Vì vậy, quá trình triển khai FHE thực chất là quá trình phát triển tối ưu thuật toán và kiểm soát chi phí năng lực tính toán, đặc biệt cần chú trọng đến hiệu suất khi có sự hỗ trợ của tăng tốc phần cứng và nâng cao năng lực xử lý.
Trên đây
Theo tôi, dù FHE khó có thể trưởng thành và ứng dụng rộng rãi trong ngắn hạn, nhưng với tư cách là sự bổ sung và mở rộng cho công nghệ ZKP, nó mang lại giá trị hỗ trợ to lớn cho các lĩnh vực như tính toán riêng tư mô hình AI lớn, xây dựng mô hình dữ liệu AI hợp tác, huấn luyện phối hợp AI, giao dịch riêng tư và tuân thủ trong Crypto, cũng như mở rộng các kịch bản ứng dụng Crypto.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
Haotian | CryptoInsight
