IOSG Ventures：获Vitalik盛赞，FHE全同态加密应用潜力如何？

原文作者：Mustafa Hourani

原文编译：IOSG 团队

前言

介绍全同态加密（FHE）：探索其激动人心的应用、局限性以及推动其受欢迎的最新发展。

当我（Mustafa）第一次听说「全同态加密」（FHE）时，我想到了区块链领域为流行概念赋予长名称的倾向。这些年来，我们遇到了许多在行业中引起轰动的流行词，最近的一个是「零知识证明」（ZKP）。

在对一些使用 FHE 构建产品的新公司进行一些调查和探索之后，我注意到了一个充满了灿烂新工具的地平线。在未来的几个月和几年中，FHE 可能会像 ZKP 一样成为席卷行业的下一个大技术。各公司正在利用在密码学和云计算各领域的最新进展，为迈向一个强大的、保护数据隐私的未来铺路。问题不在于我们是否能实现，而在于何时能实现，我相信 FHE 可能是推动数据隐私和所有权前进的关键催化剂。

「FHE 是密码学的圣杯。随着时间的推移，FHE 将重塑所有计算的结构，无论是 web2 还是 web3。」

什么是同态

Homomorphism（同态）这个术语，我们先来理解一下「同态」这个词的含义。追溯其根源，同态起源于数学，定义为在两个同类型代数结构之间的映射，它保留了它们之间的一个核心组成部分。

如果你像我一样更喜欢实用的定义，那么这背后的数学原理是，两个群不需要完全相同，就可以拥有相同的核心属性。例如，想象两个盛有水果的盒子，每个盒子对应一个不同的群体：

盒子 A 包含小型水果。

盒子 B 包含大型水果。

尽管各个水果的大小不同，但在盒子 A 中将小苹果和橙子一起榨汁可以产生与在盒子 B 中将大苹果和橙子一起榨汁相同的混合果汁味道。榨汁以产生相同的味道类似于在两个盒子之间保持一个核心组件。假设相同的风味是我们的主要关注点，那么我们从哪个盒子榨取果汁并不重要，因为果汁的多少并非我们关注的焦点。在重要的方面（味道），这两个群体是等价的，所以它们之间的差异（大小和数量）不会影响我们定义的它们的主要功能，即产生特定的果汁风味。

与同态类比，我们捕捉到了它的两个主要特征：

映射：我们在水果之间建立了联系，其中盒子 A 中的每个小水果都对应盒子 B 中的一个较大版本。因此，盒子 A 中的小苹果对应盒子 B 中的大苹果，依此类推。

操作保持：如果在盒子 A 中榨两个小水果产生了特定的风味，那么在盒子 B 中榨它们对应的较大版本也应产生相同的风味。尽管获取的果汁的大小和数量不同，但「风味特征」得以保持。

什么是全同态加密

将这一点与本文的中心话题联系起来，全同态加密（FHE）是一种特定的数据加密方法，它使人们能够在不暴露原始数据的情况下对加密数据进行计算。理论上，对加密数据进行的分析和计算应产生与对原始数据进行的相同的结果。通过 FHE，我们在加密数据集中的数据与原始数据集中的数据之间建立了一对一的联系。在这种情况下，核心组件的保留是能够对任一数据集中的数据执行任何计算并产生相同的结果的能力。

在这方面，许多公司已经采取预防措施来保护用户数据并维护差分隐私。公司很少在云端或其数据库中存储原始的、未加密的数据。因此，即使攻击者控制了公司的服务器，他们仍需绕过加密才能读取和访问数据。然而，当数据仅仅被加密并未被使用时，它并不具有趣味性。当公司希望对数据进行分析以获得有价值的洞见时，他们别无选择，只能解密数据来进行。当数据被解密时，它变得脆弱。然而，通过端到端加密，FHE 变得非常有用，因为我们不再需要解密数据来分析它；这只是可能性的冰山一角。

一个关键的考虑因素是公司是否应该被允许一开始就阅读和存储我们的个人信息。许多人对此的标准回应是，公司需要看到我们的数据才能为我们提供更好的服务。

如果 YouTube 不存储像我的观看和搜索历史这样的数据，算法就无法充分发挥潜力，向我展示我感兴趣的视频。因此，许多人认为在数据隐私和获得更好的服务之间的权衡是值得的。然而，有了 FHE，我们不再需要做出这种权衡。像 YouTube 这样的公司可以在加密数据上训练他们的算法，并为最终用户产生相同的结果，而不侵犯数据隐私。具体来说，他们可以同态加密像我的观看和搜索历史这样的信息，在不查看它的情况下进行分析，然后根据分析向我展示我感兴趣的视频。

FHE 是向建立一个我们的数据不再是我们自由给予组织的有价值商品的未来迈出的重要一步。

全同态加密的应用