本文深入探讨了Fairblock这一动态保密计算平台,旨在解决Web3领域中隐私缺失的问题。Fairblock通过FairyRing, FairyKit等模块化解决方案,结合多方计算(MPC)、同态加密(HE)等加密技术,为DeFi、AI和博弈等应用实现链上保密,构建一个值得信任且无腐败的市场环境,从而推动机构采用和更广泛的Web3应用。
文章介绍了密码学中的同态(Homomorphism)和同构(Isomorphism)概念,并通过椭圆曲线群的例子展示了同态加密的基本原理及其在ElGamal加密系统中的应用。
这篇文章深入探讨了全同态加密(FHE)的安全模型及其潜在漏洞,特别是新近提出的针对FHE的攻击方法,揭示了在加密数据上操作可能带来的安全隐患。文章结合了学习误差(LWE)问题的基础知识和具体攻击的实现示例,强调了FHE在实际应用中的风险和改进方向。
本指南详细介绍了Solana的保密转移扩展功能,该功能允许安全且隐私保护的代币转账。文章阐述了原理、实现细节及使用方法,包括如何使用零知识证明和同态加密保护账户余额和转移金额,同时还提供代码示例和最佳实践建议。
Arcium 是一个基于 Solana 构建的并行化机密计算网络,旨在实现安全的数据协作。它利用高级密码学技术和分布式架构,确保数据在整个计算过程中的完整性和机密性。Arcium 的目标是为开发者和应用提供可信、可验证和高性能的机密计算能力,通过 MPC、同态加密和零知识证明等技术,保护数据在静态、传输和使用中的安全。
Paillier 同态加密算法
文章探讨了区块链技术在数据存储和交易处理方面的革命性影响,同时也关注了隐私问题和数据安全风险。文章深入研究了新兴的隐私增强技术,如零知识证明、环签名和同态加密,并探讨了如何在区块链应用中平衡隐私和透明度,同时考虑监管合规性和用户接受度。
本文探讨了两种保护隐私的机器学习方法:同态加密和联邦学习,并将其应用于欺诈检测。同态加密允许在加密数据上进行计算,而无需解密;联邦学习则允许多方在不共享原始数据的情况下协同训练模型。文章介绍了使用这两种技术进行信用卡欺诈检测的实践案例,包括使用OpenFHE库和联邦学习系统Starlit。
本文介绍了在同态加密中进行转密码的概念,即同态应用加密或解密算法。Zama举办的TFHE-rs Bounty Season 7 就是关于同态应用 AES 加密算法的挑战。最终“sharkbot”的提交方案因其高效的 S-box 处理方法而获胜,该方案将 S-box 视为可计算的位级电路,并使用多种优化策略实现了最佳性能。其他参赛者也使用了类似方法,但性能略逊。
Aptos 推出了保密交易(ACTs)功能,旨在对链上的token余额和交易金额进行加密,除了指定的第三方审计员外,对外部网络参与者(包括验证者)保密。ACTs基于同态加密和零知识证明,允许在不泄露明文金额的情况下进行链上余额更新和验证。此功能支持合规性审计,并为机密薪资等新用例开启了大门。
Concrete ML v1.7 版本发布,引入了多项新功能,包括在加密数据上微调 LLM 模型和神经网络,利用 GPU 加速提升加密推理的性能(最高可达 1-2 倍),以及展示了一个通过加密 DNA 预测祖源的 Hugging Face space 示例。此外,该版本还支持 Python 3.11 和 PyTorch 2。
Concrete v2.9 版本发布,增强了 TFHE-rs 互操作性,扩展了对有符号整数的支持,并完全支持张量的序列化和反序列化,从而支持更复杂的用例,例如运行线性机器学习模型。此外,该版本还增加了对 Python 3.12 的支持,并包含各种优化和错误修复,以及对 GPU 内核的更新,从而略微提高了大型 FHE 评估的性能。
本文介绍了Zama的FHE State OS,这是一个基于区块链的IT基础设施,旨在通过全同态加密保护公民隐私,同时管理税收、公共支出等政府职能。文章还讨论了使用FHE构建的几个应用案例,包括:加密的ERC-20 token,使用加密投票的DAO,以及去中心化身份系统。
Zama发布了fhEVM Coprocessor,这是一种允许开发者在任何EVM链上构建保密智能合约的工具,无需更改底层协议。它通过符号执行和阈值解密技术,实现了在加密数据上运行智能合约,同时保证了高性能和可扩展性,并提供了使用Solidity进行开发的简易性。
Zama 发布了 fhEVM v0.4 版本,引入了新的加密类型(ebool、euint4、euint64、eaddress)和异步解密API,通过 oracle 实现解密请求和回调,提升性能和效率。同时发布了fhEVM标准合约库 fhevm-contracts,包含ERC20和DAO等基础合约,简化开发流程。