So với Web2, tại sao FHE lại có tiềm năng ứng dụng tốt hơn trong Web3?
Tuyển chọn TechFlowTuyển chọn TechFlow
So với Web2, tại sao FHE lại có tiềm năng ứng dụng tốt hơn trong Web3?
Với sự phát triển và đổi mới không ngừng của công nghệ, FHE được kỳ vọng sẽ đóng vai trò then chốt trong lĩnh vực bảo vệ quyền riêng tư và tính toán an toàn trong tương lai.
Chuyên sâu báo cáo Web3Tác giả: IOSG Ventures
Quyền riêng tư là một quyền cơ bản của cá nhân và tổ chức. Với cá nhân, quyền riêng tư giúp mọi người tự do thể hiện bản thân mà không cần tiết lộ bất kỳ thông tin nào họ không muốn chia sẻ với bên thứ ba. Đối với phần lớn các tổ chức ngày nay, dữ liệu được coi là hàng hóa chính, và quyền riêng tư dữ liệu cực kỳ quan trọng để bảo vệ mặt hàng này. Phong trào Mã hóa (Cypherpunk) và việc thương mại hóa dữ liệu đã thúc đẩy mạnh mẽ nghiên cứu và phát triển các nguyên thủy mật mã học.
Mật mã học là một lĩnh vực khá rộng lớn. Khi xem xét trong bối cảnh tính toán, chúng ta đã chứng kiến nhiều sơ đồ khác nhau như bằng chứng không kiến thức (zero-knowledge proof), mã hóa đồng hình (homomorphic encryption), chia sẻ bí mật (Secret Sharing)... liên tục được cải tiến kể từ khi ra đời vào những năm 1960. Những sơ đồ này rất quan trọng để mở khóa các phương pháp tính toán riêng tư (vì dữ liệu là hàng hóa chủ yếu do con người có thể rút ra các thông tin hữu ích từ đó). Cho đến nay, lĩnh vực tính toán riêng tư đã đạt được sự phát triển đáng kể trong MPC và bằng chứng không kiến thức, nhưng vấn đề riêng tư của dữ liệu đầu vào vẫn luôn tồn tại.
Khi hàng hóa quan trọng nhất bị công khai, sẽ rất khó khăn đối với bất kỳ chủ sở hữu dữ liệu nào muốn thuê ngoài việc xử lý dữ liệu này mà không có thỏa thuận pháp lý. Ngày nay, mọi người đều phụ thuộc vào các tiêu chuẩn tuân thủ về quyền riêng tư dữ liệu như HIPAA dành cho dữ liệu sức khỏe hoặc GDPR dành riêng cho quyền riêng tư dữ liệu khu vực châu Âu.
Trong lĩnh vực blockchain, chúng tôi tin tưởng hơn vào tính toàn vẹn của công nghệ thay vì tính toàn vẹn của các cơ quan quản lý. Là những người tin tưởng vào hệ thống phi cấp phép và tối đa hóa quyền sở hữu, nếu chúng tôi tin rằng tương lai thuộc về người dùng sở hữu dữ liệu, thì chúng tôi cần các phương pháp không tin cậy (trustless) để thực hiện tính toán trên những dữ liệu này. Trước công trình của Craig Gentry vào năm 2009, khái niệm thực hiện tính toán trên dữ liệu đã mã hóa chưa từng có bước đột phá nào. Đây là lần đầu tiên ai đó có thể thực hiện các phép tính (cộng và nhân) trên văn bản mã hóa (tức là dữ liệu đã mã hóa).
1. Nguyên lý hoạt động của Mã hóa Đồng hình Toàn phần (FHE)
Vậy thì loại "toán học kỳ diệu" nào lại cho phép máy tính thực hiện phép tính mà không biết dữ liệu đầu vào?
Mã hóa đồng hình toàn phần (FHE) là một lớp các sơ đồ mã hóa cho phép thực hiện các phép tính trên dữ liệu đã mã hóa (văn bản mã hóa) mà không cần giải mã dữ liệu, mở ra một loạt trường hợp sử dụng cho bảo vệ riêng tư và dữ liệu.
Trong quá trình FHE, khi dữ liệu được mã hóa, một dữ liệu bổ sung gọi là nhiễu (noise) sẽ được thêm vào dữ liệu gốc. Đây chính là quá trình mã hóa dữ liệu.
Mỗi khi thực hiện một phép tính đồng hình (cộng hoặc nhân), nhiễu bổ sung sẽ được thêm vào. Nếu phép tính quá phức tạp, mỗi lần thêm nhiễu, cuối cùng việc giải mã văn bản mã hóa sẽ trở nên cực kỳ khó khăn (về mặt tính toán thì rất nặng nề). Quá trình này phù hợp hơn với phép cộng, vì nhiễu tăng theo cấp số cộng, còn với phép nhân thì nhiễu tăng theo cấp số nhân. Do đó, nếu có phép nhân đa thức phức tạp, việc giải mã đầu ra sẽ rất khó.
Nếu nhiễu là vấn đề chính và sự gia tăng của nó khiến FHE trở nên khó sử dụng, thì cần phải kiểm soát nó. Điều này dẫn đến một quy trình mới gọi là "Bootstrapping" (khởi động). Bootstrapping là quá trình mã hóa dữ liệu đã mã hóa bằng một khóa mới và giải mã trong quá trình mã hóa. Điều này rất quan trọng vì nó làm giảm đáng kể chi phí tính toán cũng như chi phí giải mã đầu ra cuối cùng. Mặc dù Bootstrapping giảm chi phí giải mã cuối cùng, nhưng trong quá trình sẽ có lượng lớn chi phí thao tác. Việc này có thể vừa tốn kém vừa mất thời gian.
Hiện tại các sơ đồ FHE chính gồm: BFV, BGV, CKKS, FHEW, TFHE. Ngoài TFHE, các chữ viết tắt này đều là tên của các tác giả bài báo.
Có thể coi các sơ đồ này như những ngôn ngữ khác nhau được nói trong cùng một quốc gia, mỗi ngôn ngữ được tối ưu cho mục đích khác nhau. Trạng thái lý tưởng là thống nhất quốc gia này, tức là tất cả các ngôn ngữ này đều có thể được hiểu bởi cùng một máy. Nhiều nhóm làm việc FHE đang nỗ lực đạt được khả năng kết hợp giữa các sơ đồ khác nhau. Các thư viện như SEAL (kết hợp BFV và CKKS) và HElib (BGV + CKKS số gần đúng) hỗ trợ thực hiện các sơ đồ FHE hoặc kết hợp các sơ đồ cho các tính toán khác nhau. Ví dụ, thư viện Concrete của Zama là một trình biên dịch Rust dành riêng cho TFHE.
2. So sánh các sơ đồ FHE
Dưới đây là bảng so sánh hiệu suất giữa các thư viện khác nhau trong bài báo "SoK: New Insights into Fully Homomorphic Encryption Libraries via Standardized Benchmark" (2022) của Charles Gentry, Dimitris Mouris và Nektarios Georgios Tsoutsos.
Ứng dụng Web3
Khi chúng ta sử dụng blockchain và ứng dụng hôm nay, tất cả dữ liệu đều công khai và mọi người đều có thể thấy. Điều này có lợi cho hầu hết các trường hợp sử dụng, nhưng hoàn toàn hạn chế nhiều trường hợp cần mặc định riêng tư hoặc bảo mật dữ liệu (ví dụ như mô hình học máy, cơ sở dữ liệu y tế, genomics, tài chính riêng tư, trò chơi không bị thao túng...). Blockchain hoặc máy ảo được hỗ trợ bởi FHE về bản chất cho phép toàn bộ trạng thái chuỗi được mã hóa ngay từ đầu, đảm bảo riêng tư đồng thời cho phép thực hiện bất kỳ phép tính nào trên dữ liệu đã mã hóa. Tất cả dữ liệu được lưu trữ hoặc xử lý trên mạng blockchain hỗ trợ FHE về bản chất là an toàn. Zama có một dự án fhEVM cho phép thực hiện các phép tính EVM trong môi trường đồng hình hoàn chỉnh. Điều này đảm bảo riêng tư ở tầng thực thi cho bất kỳ dự án L1/L2 nào xây dựng bằng thư viện này. Mặc dù chuỗi riêng tư luôn là công nghệ thú vị, nhưng tỷ lệ áp dụng và hiệu suất token chưa được cải thiện đáng kể.
Trong việc thuê ngoài tính toán tổng quát, bản thân FHE không nhằm thay thế ZK và MPC. Chúng có thể bổ sung lẫn nhau để tạo thành một nền tảng tính toán riêng tư không tin cậy khổng lồ. Ví dụ, Sunscreen đang xây dựng một "động cơ riêng tư", về cơ bản cho phép bất kỳ ứng dụng blockchain nào thuê ngoài tính toán đến môi trường tính toán FHE của họ và có thể phản hồi kết quả tính toán. Kết quả tính toán có thể được xác minh bằng bằng chứng ZK. Octra đang làm điều tương tự nhưng sử dụng một loại sơ đồ mã hóa khác gọi là hFHE.
Bằng chứng ZK giỏi trong việc chứng minh một điều gì đó mà không tiết lộ dữ liệu, nhưng người chứng minh vẫn có thể truy cập dữ liệu tại một thời điểm nào đó. Bằng chứng ZK không thể dùng để tính toán trên dữ liệu riêng tư; chúng chỉ có thể xác minh liệu một số phép tính có được hoàn thành chính xác hay không.
MPC phân tán việc tính toán dữ liệu đã mã hóa sang nhiều máy, thực hiện song song các phép tính rồi ghép kết quả cuối cùng lại. Miễn là đa số các máy thực hiện tính toán là trung thực thì dữ liệu gốc không thể được truy xuất, nhưng đây vẫn là một giả định tin cậy. Vì MPC yêu cầu liên lạc liên tục giữa các bên (dữ liệu cần được chia nhỏ, tính toán và nối lại liên tục), việc mở rộng thông qua phần cứng trở nên khó khăn.
Trong FHE, mọi phép tính đều được thực hiện trên dữ liệu đã mã hóa mà không cần giải mã, và điều này có thể được thực hiện trên một máy chủ đơn lẻ. Hiệu suất của FHE có thể được mở rộng thông qua phần cứng tốt hơn, nhiều tài nguyên tính toán hơn và tăng tốc phần cứng.
Hiện tại, trường hợp sử dụng tốt nhất của FHE trong lĩnh vực blockchain chủ yếu tập trung vào việc thuê ngoài tính toán tổng quát, chứ không phải xây dựng L1/L2 tích hợp sẵn FHE. Dưới đây là một số trường hợp sử dụng thú vị mà FHE có thể mở khóa:
-
Thế hệ đầu tiên (nguyên bản mã hóa): DID trên chuỗi, sòng bạc, cá cược, bỏ phiếu, trò chơi, DeFi riêng tư, token riêng tư, dark pools, xác thực hai yếu tố (2FA), sao lưu, mật khẩu.
-
Thế hệ thứ hai (mô-đun): "chuỗi riêng tư" (Chainlink cho riêng tư), thuê ngoài tính toán riêng tư, mã hóa đầu cuối giữa blockchain và hợp đồng, khả năng sử dụng dữ liệu đã mã hóa, lưu trữ dữ liệu an toàn có thể xác minh.
-
Thế hệ thứ ba (doanh nghiệp): ứng dụng người dùng phức tạp, mô hình ngôn ngữ lớn (LLM) được mã hóa và phân tán, trí tuệ nhân tạo, thiết bị đeo, truyền thông, quân sự, y tế, giải pháp thanh toán bảo vệ riêng tư, thanh toán P2P riêng tư.
Các dự án nổi bật trong ngành dựa trên FHE
Sự phát triển của mã hóa đồng hình toàn phần (FHE) đã khơi dậy nhiều dự án blockchain đổi mới tận dụng công nghệ này để tăng cường bảo mật và riêng tư dữ liệu. Phần này đi sâu vào các chi tiết kỹ thuật và cách tiếp cận độc đáo của các dự án đáng chú ý như Inco, Fhenix và Zama.
Inco
Inco đang đi đầu trong việc tích hợp FHE với blockchain, tạo ra một nền tảng giúp việc tính toán dữ liệu vừa an toàn vừa riêng tư. Inco sử dụng công nghệ mã hóa dựa trên lưới (lattice-based) để triển khai sơ đồ FHE của mình, đảm bảo các thao tác trên văn bản mã hóa (dữ liệu đã mã hóa) có thể được thực hiện mà không tiết lộ văn bản rõ gốc. Nền tảng này hỗ trợ các hợp đồng thông minh bảo vệ riêng tư, cho phép xử lý trực tiếp dữ liệu đã mã hóa trên blockchain.
-
FHE dựa trên lưới: Inco tận dụng mã hóa dựa trên lưới để triển khai FHE, nổi tiếng vì đặc tính an toàn hậu lượng tử, đảm bảo độ bền trước các cuộc tấn công lượng tử tiềm tàng trong tương lai.
-
Hợp đồng thông minh bảo vệ riêng tư: Hợp đồng thông minh của Inco có thể thực hiện các hàm tùy ý trên đầu vào đã mã hóa, đảm bảo cả hợp đồng và các nút thực thi hợp đồng đều không thể truy cập dữ liệu văn bản rõ.
-
Quản lý nhiễu và Bootstrapping: Để xử lý vấn đề gia tăng nhiễu trong quá trình thao tác đồng hình, Inco triển khai các kỹ thuật Bootstrapping hiệu quả, làm mới văn bản mã hóa, duy trì khả năng giải mã trong khi thực hiện các phép tính phức tạp.
Fhenix
Fhenix tập trung vào việc cung cấp hạ tầng vững chắc cho các ứng dụng bảo vệ riêng tư, tận dụng FHE để cung cấp các giải pháp mã hóa đầu cuối nhằm bảo vệ dữ liệu người dùng. Nền tảng của Fhenix nhằm hỗ trợ nhiều ứng dụng từ nhắn tin an toàn đến giao dịch tài chính riêng tư, đảm bảo riêng tư dữ liệu trong suốt quá trình tính toán.
-
Mã hóa đầu cuối: Fhenix đảm bảo dữ liệu luôn được mã hóa từ điểm nhập đến xử lý và lưu trữ. Điều này được thực hiện bằng cách kết hợp FHE và công nghệ tính toán an toàn nhiều bên (SMPC).
-
Quản lý khóa hiệu quả: Fhenix tích hợp hệ thống quản lý khóa tiên tiến, giúp phân phối và luân chuyển khóa một cách an toàn — yếu tố then chốt để duy trì an ninh lâu dài trong môi trường FHE.
-
Khả năng mở rộng: Nền tảng sử dụng các thao tác đồng hình được tối ưu và xử lý song song để xử lý hiệu quả các phép tính quy mô lớn, giải quyết một trong những thách thức chính của FHE.
-
Bộ xử lý phụ: Fhenix còn tiên phong phát triển các bộ xử lý phụ chuyên dụng, được thiết kế để tăng tốc các phép tính FHE. Những bộ xử lý phụ này xử lý các phép toán toán học nặng nề cần thiết cho FHE, nâng cao đáng kể hiệu suất và khả năng mở rộng cho các ứng dụng bảo vệ riêng tư.
Zama
Zama là nhà tiên phong trong lĩnh vực FHE, nổi tiếng với sơ đồ fhEVM mà họ phát triển. Sơ đồ này cho phép thực hiện các phép tính EVM của Ethereum trong môi trường đồng hình hoàn chỉnh, đảm bảo riêng tư ở tầng thực thi cho bất kỳ dự án L1/L2 nào xây dựng bằng thư viện này.
-
Sơ đồ fhEVM: Sơ đồ fhEVM của Zama tích hợp FHE với Máy ảo Ethereum (EVM), cho phép thực thi hợp đồng thông minh được mã hóa. Điều này cho phép giao dịch và tính toán bảo mật trong hệ sinh thái Ethereum.
-
Thư viện Concrete: Thư viện Concrete của Zama là một trình biên dịch Rust dành riêng cho TFHE (một biến thể của FHE). Thư viện này cung cấp triển khai hiệu suất cao cho các sơ đồ mã hóa đồng hình, giúp tính toán mã hóa trở nên hiệu quả hơn.
-
Tương tác liên thông: Zama cam kết tạo ra các giải pháp có thể hợp tác liền mạch với hạ tầng blockchain hiện có. Bao gồm hỗ trợ nhiều nguyên thủy và giao thức mã hóa khác nhau, đảm bảo tính tương thích rộng rãi và dễ dàng tích hợp.
3. Vai trò then chốt của FHE trong Crypto và Hạ tầng & Ứng dụng AI
Ngày nay, sự giao thoa giữa mật mã học và trí tuệ nhân tạo đang diễn ra mạnh mẽ. Mặc dù không đi sâu vào chủ đề này, nhưng đáng chú ý rằng sự đổi mới của các mô hình và tập dữ liệu mới sẽ được thúc đẩy bởi sự hợp tác mã nguồn mở giữa nhiều bên tham gia. Ngoài tính toán, điều quan trọng nhất cuối cùng là dữ liệu — những thứ này là phần quan trọng nhất trong ống dẫn hợp tác này. Tính hữu ích của các ứng dụng và mô hình AI cuối cùng phụ thuộc vào dữ liệu mà chúng được huấn luyện, cho dù là mô hình nền tảng, mô hình tinh chỉnh hay tác nhân AI. Việc giữ cho dữ liệu này an toàn và riêng tư có thể mở ra một không gian thiết kế khổng lồ cho sự hợp tác mã nguồn mở, đồng thời cho phép chủ sở hữu dữ liệu liên tục thu lợi từ mô hình huấn luyện hoặc ứng dụng cuối cùng. Nếu những dữ liệu này về bản chất là công khai, sẽ rất khó để thương mại hóa (vì bất kỳ ai cũng có thể truy cập các tập dữ liệu có giá trị), do đó những dữ liệu này có khả năng sẽ được bảo vệ chặt chẽ.
Trong bối cảnh này, FHE có thể đóng vai trò then chốt. Trong trạng thái lý tưởng, nó có thể huấn luyện mô hình mà không tiết lộ tập dữ liệu gốc, điều này có thể mở khóa khả năng thương mại hóa tập dữ liệu, thúc đẩy mạnh mẽ sự hợp tác mã nguồn mở giữa các chủ sở hữu tập dữ liệu.
Nguồn: Bagel Network
FHE tăng cường Học máy Bảo vệ Riêng tư (PPML) như thế nào
-
Riêng tư dữ liệu: Bằng cách sử dụng FHE, các dữ liệu nhạy cảm như hồ sơ y tế, thông tin tài chính hoặc định danh cá nhân có thể được mã hóa trước khi đưa vào mô hình ML. Điều này đảm bảo rằng ngay cả khi môi trường tính toán bị xâm phạm, dữ liệu vẫn giữ được tính bí mật.
-
Huấn luyện mô hình an toàn: Việc huấn luyện mô hình ML thường đòi hỏi lượng lớn dữ liệu. Với FHE, dữ liệu này có thể được mã hóa, cho phép huấn luyện mô hình mà không tiết lộ dữ liệu gốc — điều này cực kỳ quan trọng đối với các ngành xử lý thông tin nhạy cảm và chịu sự ràng buộc nghiêm ngặt bởi các quy định về quyền riêng tư dữ liệu.
-
Suy luận bảo mật: Ngoài huấn luyện, FHE còn có thể dùng cho suy luận đã mã hóa. Nghĩa là sau khi mô hình đã được huấn luyện, có thể đưa ra dự đoán trên đầu vào đã mã hóa, đảm bảo dữ liệu người dùng luôn riêng tư trong suốt quá trình suy luận.
Lĩnh vực ứng dụng PPML của FHE:
-
Chăm sóc sức khỏe: Huấn luyện mô hình ML trong khi bảo vệ riêng tư có thể dẫn đến các phương pháp điều trị cá nhân hóa và hiệu quả hơn mà không làm lộ thông tin bệnh nhân nhạy cảm.
-
Tài chính: Các tổ chức tài chính có thể sử dụng FHE để phân tích dữ liệu giao dịch đã mã hóa, thực hiện phát hiện gian lận và đánh giá rủi ro, đồng thời duy trì riêng tư khách hàng.
-
Internet vạn vật và thiết bị thông minh: Các thiết bị có thể thu thập và xử lý dữ liệu dưới dạng đã mã hóa, đảm bảo dữ liệu vị trí hoặc mô hình sử dụng vẫn được giữ bí mật.
Vấn đề của FHE:
Như đã nói, chưa có sự "thống nhất" nào giữa các sơ đồ FHE. Các sơ đồ không thể kết hợp với nhau, và thường xuyên cần kết hợp các sơ đồ FHE khác nhau cho các loại tính toán khác nhau. Việc thử nghiệm các sơ đồ khác nhau cho cùng một phép tính cũng khá phiền phức. Khung CHIMERA đang được phát triển cho phép chuyển đổi giữa các sơ đồ FHE khác nhau như TFHE, BFV và HEAAN, nhưng hiện tại còn xa mới đạt đến mức sử dụng được. Điều này dẫn đến vấn đề tiếp theo, đó là thiếu tiêu chuẩn đánh giá hiệu năng (benchmarking). Việc benchmark rất quan trọng đối với việc áp dụng công nghệ của các nhà phát triển. Nó sẽ giúp tiết kiệm rất nhiều thời gian cho các nhà phát triển. Xét đến chi phí tính toán (mã hóa, giải mã, Bootstrapping, tạo khóa...), nhiều phần cứng phổ thông hiện có không phù hợp lắm. Cần một hình thức tăng tốc phần cứng nào đó, hoặc có thể cần tạo ra chip chuyên dụng (FPGA và/hoặc ASIC) để FHE có thể được ứng dụng rộng rãi hơn. Các vấn đề của mô hình này có thể so sánh với các vấn đề trong ngành ZK (zero-knowledge). Miễn là một nhóm các nhà toán học, nhà khoa học ứng dụng và kỹ sư tài năng vẫn quan tâm đến lĩnh vực này, chúng tôi sẽ tiếp tục lạc quan về cả hai lĩnh vực: FHE cho riêng tư và ZK cho khả năng xác minh.
4. Tương lai do FHE thúc đẩy sẽ như thế nào
Liệu có một sơ đồ FHE nào sẽ thống trị tất cả? Ngành công nghiệp vẫn đang tranh luận về điều này. Mặc dù trạng thái lý tưởng là có một sơ đồ thống nhất, nhưng nhu cầu đa dạng của các ứng dụng khác nhau có thể luôn cần các sơ đồ chuyên biệt được tối ưu cho nhiệm vụ cụ thể. Khả năng tương tác giữa các sơ đồ có phải là giải pháp tốt nhất? Tương tác có lẽ là một phương pháp thực tế, cho phép linh hoạt xử lý các nhu cầu tính toán đa dạng đồng thời tận dụng ưu điểm của nhiều sơ đồ khác nhau.
Khi nào FHE sẽ khả dụng? Tính khả dụng gắn liền chặt chẽ với việc giảm chi phí tính toán, cải thiện các tiêu chuẩn benchmark và phát triển phần cứng chuyên dụng. Cùng với sự tiến bộ trong các lĩnh vực này, FHE sẽ trở nên dễ tiếp cận và thực tiễn hơn.
Tóm lại, FHE cung cấp một công cụ mạnh mẽ cho bảo vệ riêng tư dữ liệu và tính toán an toàn. Mặc dù hiện tại vẫn còn những thách thức về tương tác, chi phí tính toán và hỗ trợ phần cứng, nhưng tiềm năng của FHE trong blockchain, học máy bảo vệ riêng tư và các ứng dụng Web3 rộng hơn là không thể xem nhẹ. Cùng với sự phát triển và đổi mới công nghệ liên tục, FHE hứa hẹn sẽ đóng vai trò then chốt trong lĩnh vực bảo vệ riêng tư và tính toán an toàn trong tương lai.
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
IOSG Ventures
