同态加密

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

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。

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。

Zama 团队发布了 fhEVM v0.5 版本，该版本引入了诸多增强功能，旨在提高在应用中处理加密数据的安全性和效率，包括打包输入机制、增强的访问控制列表 (ACL) 以及更新的解密和重新加密过程。Solidity API 迎来稳定和最终版本，该版本将与未来版本以及各种链兼容。

fhEVM v0.6 版本引入了扩展类型支持、具有证明能力的更强大的输入机制以及增强的 fhEVM 部署可配置性。其中最令人兴奋的创新是 fhEVM Coprocessor，开发者现在可以在任何 EVM 链上构建机密智能合约，目前已在 Sepolia 测试网上启动。此外，还提供了一些链接，可以帮助大家更好地了解 fhEVM Github存储库、fhEVM 文档等。