Apa yang dimaksud dengan FHE (Enkripsi Homomorfis Sepenuhnya)? Panduan Utama Baru

FHE, atau Fully Homomorphic Encryption, memungkinkan komputasi dilakukan secara langsung pada data yang dienkripsi, menghasilkan hasil yang konsisten dengan hasil yang diperoleh dari komputasi yang sama pada data asli. Ini berarti data dapat diproses dan dianalisis tanpa mengekspos data asli, menawarkan solusi baru untuk melindungi privasi dan integritas data.

Di era digital, melindungi privasi data menjadi lebih penting dari sebelumnya. Dengan pesatnya perkembangan big data, komputasi awan, dan teknologi IoT, pengumpulan, penyimpanan, dan analisis informasi pribadi menjadi semakin umum. Namun, hal ini juga membawa risiko pelanggaran dan penyalahgunaan data.

Landasan teori FHE dimulai pada tahun 1978, ketika Rivest dan yang lainnya mengajukan masalah enkripsi homomorfik yang pertama. Baru pada tahun 2009, Gentry membangun skema FHE pertama yang layak dalam disertasi doktoralnya, yang menandai awal penelitian FHE yang sebenarnya.

Skema FHE awal memiliki efisiensi komputasi yang sangat rendah, sehingga tidak praktis untuk aplikasi dunia nyata. Namun, dengan pengoptimalan yang terus dilakukan oleh para peneliti, kinerja FHE telah meningkat secara signifikan, dengan fokus pada peningkatan efisiensi, pengurangan kompleksitas komputasi, dan perluasan skenario aplikasi.

Jalur Implementasi Teknis FHE

Skema FHE Berbasis Kisi yang Ideal

Saat ini, ini adalah metode konstruksi FHE yang paling praktis dan efisien. Metode ini menggunakan struktur aljabar dari operasi ring, melakukan enkripsi dan dekripsi melalui operasi modular dan menguraikan faktor ideal ring. Skema yang representatif termasuk BGV, BFV, dan CKKS. Keuntungan dari skema-skema ini adalah efisiensi komputasi yang tinggi, tetapi mereka membutuhkan ruang kunci dan ciphertext yang lebih besar.

Skema FHE Berbasis Matriks

Pendekatan ini mengkodekan informasi plaintext ke dalam matriks dan mencapai homomorfisme melalui operasi matriks. Skema yang representatif termasuk GSW dan HiNC. Skema ini sangat aman tetapi kurang efisien.

Skema FHE Berbasis NTRU

NTRU (Number Theory Research Unit) memiliki struktur aljabar yang baik dan simetri siklik, yang memungkinkan pembuatan skema FHE yang efisien seperti YASHE dan NTRU-FHE. Skema-skema ini memiliki keuntungan dari ukuran kunci dan ciphertext yang lebih kecil, sehingga cocok untuk lingkungan dengan sumber daya yang terbatas.

Skema FHE Berbasis LWE/LWR

Menggunakan skema enkripsi berdasarkan masalah LWE/LWR, seperti FHEW dan TFHE, skema ini lebih berfokus pada inovasi teoritis dan dapat mencapai keamanan yang sangat kuat, meskipun kepraktisannya terbatas.

FHE vs ZKP

FHE dan ZKP keduanya merupakan teknologi enkripsi, tetapi keduanya hampir saling melengkapi.

ZKP memungkinkan pembukti untuk membuktikan kepada pemeriksa bahwa sebuah informasi adalah benar tanpa mengungkapkan detail spesifik. Verifikator dapat mengonfirmasi kebenaran dan kelengkapan informasi tanpa melakukan komputasi ulang. Walaupun ZKP dapat membuktikan kebenaran tanpa membocorkan informasi, inputnya biasanya dalam bentuk plaintext, yang dapat menyebabkan kebocoran privasi.

FHE dapat mengatasi masalah ini. FHE memungkinkan komputasi sewenang-wenang pada data terenkripsi tanpa dekripsi, sehingga melindungi privasi data. Namun, FHE tidak dapat memastikan kebenaran dan keandalan komputasi, yang justru diatasi oleh ZKP.

Dengan menggabungkan FHE dan ZKP, FHE melindungi privasi data input dan proses komputasi, sementara ZKP memberikan bukti terenkripsi atas kebenaran, legalitas, dan kemampuan audit untuk komputasi FHE. Hal ini menghasilkan komputasi privasi yang benar-benar aman dan dapat dipercaya, yang sangat berharga untuk pemrosesan data sensitif dan komputasi kolaboratif multi-pihak.

ZAMA: Pelopor dalam FHE

Zama adalah sebuah perusahaan kriptografi sumber terbuka yang membangun solusi FHE canggih untuk blockchain dan AI. Perusahaan ini menawarkan empat solusi sumber terbuka utama:

• TFHE-rs: Sebuah implementasi Rust dari Enkripsi Homomorfis Sepenuhnya pada Torus, yang digunakan untuk melakukan operasi Boolean dan bilangan bulat pada data terenkripsi. Pustaka TFHE-rs mengimplementasikan varian Zama dari TFHE, yang mencakup semua operasi homomorfis yang diperlukan seperti penambahan dan evaluasi fungsi melalui Programmable Bootstrapping.
• Beton: Kerangka kerja FHE sumber terbuka yang menyertakan kompiler TFHE sebagai bagian dari kerangka kerja, mengubah kode pemrograman biasa menjadi instruksi operasional yang dapat dieksekusi oleh FHE, sehingga memudahkan pengembang untuk menulis program FHE. Probabilitas kesalahan default Concrete sangat rendah, dan pengembang dapat secara fleksibel memodifikasi parameter ini.
• Beton ML: Alat pembelajaran mesin yang menjaga privasi (PPML) sumber terbuka yang dibangun di atas Concrete, yang memungkinkan pengembang untuk mengintegrasikan FHE ke dalam model pembelajaran mesin tanpa memerlukan pengetahuan kriptografi.
• fhEVM: Mengintegrasikan FHE ke dalam ekosistem EVM, memungkinkan pengembang untuk mengeksekusi kontrak pintar terenkripsi secara on-chain, menjaga kompabilitas sekaligus melindungi privasi data on-chain. Ini menggabungkan TFHE-rs dan memperkenalkan perpustakaan TFHE Solidity baru, yang memungkinkan pengembang untuk menghitung data terenkripsi menggunakan Solidity.

Fhenix: FHE-Rollup Pertama

Fhenix adalah rollup Layer 2 pertama yang didasarkan pada FHE, yang membangun pustaka komputasi terenkripsi, fheOS, di TFHE-rs milik Zama. Ini termasuk opcode enkripsi umum yang telah dikompilasi sebelumnya, yang memungkinkan kontrak pintar menggunakan primitif FHE secara on-chain. fheOS juga menangani komunikasi dan otentikasi antara rollup dan Threshold Service Network (TSN) untuk permintaan dekripsi dan enkripsi ulang, memastikan keabsahan permintaan dekripsi. fheOS dirancang sebagai ekstensi yang disuntikkan ke dalam versi EVM apa pun yang ada, yang sepenuhnya kompatibel dengan EVM.

Mekanisme konsensus Fhenix menggunakan pembuktian Nitro dari Arbitrum. Pembuktian kecurangan dipilih karena struktur yang mendasari FHE dan zkSNARK berbeda, sehingga hampir tidak mungkin untuk memvalidasi perhitungan FHE dengan ZKP pada tahap teknologi saat ini.

Fhenix baru-baru ini bermitra dengan EigenLayer untuk mengembangkan koprosesor FHE, membawa komputasi FHE ke rantai publik lainnya, L2, L3, dll. Dengan adanya pemeriksaan anti-penipuan dari Fhenix dengan periode tantangan 7 hari, layanan EigenLayer dapat membantu koprosesor mencapai konfirmasi transaksi yang cepat, yang secara signifikan meningkatkan kinerja.

Jaringan Inco: Kerahasiaan sebagai Layanan

Inco adalah komputasi tepercaya modular Layer 1, yang berfungsi sebagai lapisan privasi universal untuk Web3. Inco mendukung fhEVM, yang memungkinkan para pengembang untuk dengan cepat membuat Dapps pribadi menggunakan alat pengembangan ekosistem Solidity dan Ethereum. Inco menyediakan CaaS (Kerahasiaan sebagai Layanan) untuk rantai EVM dan Cosmos yang tidak memiliki enkripsi asli melalui protokol bridging dan IBC. Layanan CaaS meliputi:

• Status Terenkripsi On-chain: Menyimpan data terenkripsi secara langsung on-chain tanpa penyimpanan off-chain.
• Status Terenkripsi yang Dapat Dikomposisikan: Menjalankan transisi status secara penuh pada data terenkripsi secara on-chain tanpa dekripsi.
• Keacakan On-chain: Menghasilkan angka acak secara on-chain untuk aplikasi tanpa layanan keacakan eksternal, memungkinkan pengembangan aplikasi secara langsung.

Inco telah memiliki beberapa kasus penggunaan, seperti game, NFT, RWA, tata kelola pemungutan suara, dan DID.

Jaringan Pikiran: Lapisan Pemulihan FHE

Mind adalah lapisan restaking FHE pertama yang dirancang untuk jaringan AI dan POS. Sebagai lapisan restaking, ia menerima token restaking dari ETH, BTC, dan perusahaan AI blue-chip untuk staking. Sebagai jaringan verifikasi FHE, jaringan ini menggunakan teknologi FHE untuk memverifikasi dan mencapai konsensus pada data node, memastikan integritas dan keamanan data. Mind memberikan keamanan ekonomi untuk AI terdesentralisasi, Depin, EigenLayer AVS, Babylon AVS, dan jaringan POS utama, menjaga konsensus sistem dan kepercayaan.

• Mengulang Lapisan: Berkolaborasi dengan EigenLayer, StakeStone, Renzo, Babylon, dan Ankr untuk keamanan dari jaringan Ethereum dan Bitcoin; berkolaborasi dengan Chainlink CCIP dan Connext untuk pengambilan ulang jarak jauh lintas-rantai.
• Lapisan Keamanan: Memperkenalkan verifikator yang disempurnakan FHE untuk memastikan enkripsi ujung ke ujung dari proses verifikasi dan komputasi konsensus, mengintegrasikan modul fhEVM Fhenix dan Inco untuk keamanan yang lebih baik.
• Lapisan Konsensus: Memperkenalkan mekanisme konsensus Proof of Intelligence (POI) yang dirancang untuk tugas-tugas AI, memastikan distribusi hadiah yang adil dan aman di antara para verifikator FHE. Mind Network berkolaborasi dengan AltLayer, EigenDA, dan Arbitrum Orbit untuk meluncurkan rantai rollup, meningkatkan komputasi konsensus dengan biaya yang lebih rendah dan kinerja yang lebih cepat.

Privasea: Bukti Manusia

Privasea adalah jaringan Depin+AI untuk pembelajaran mesin FHE, yang menampilkan komponen-komponen utama berikut ini:

• Perpustakaan HESea: Perpustakaan FHE canggih yang memungkinkan komputasi aman pada data terenkripsi, mendukung berbagai skema FHE seperti TFHE, CKKS, dan BGV/BFV.
• API Privasea: Antarmuka pemrograman aplikasi untuk jaringan Privasea AI, menyediakan fungsi dan titik akhir untuk menyederhanakan pengiriman data, pelatihan model, dan prediksi, memastikan enkripsi selama transmisi dan pemrosesan.
• Privanetix: Jaringan komputasi terdesentralisasi yang terdiri dari node-node berkinerja tinggi yang secara efisien memproses data terenkripsi, setiap node mengintegrasikan pustaka HESea untuk privasi data dan kinerja komputasi.
• Privasea Smart Contract Suite: Mekanisme insentif berbasis blockchain yang melacak pendaftaran dan kontribusi node Privanetix, memverifikasi perhitungan, dan mendistribusikan hadiah, memastikan motivasi dan keadilan peserta.

Privasea telah meluncurkan aplikasi ImHuman, mengembangkan Proof of Human berdasarkan FHE untuk memverifikasi kemanusiaan pengguna, melindungi identitas digital mereka dari peniruan robot dan AI. Pengguna dapat memverifikasi kemanusiaan mereka melalui biometrik wajah, menghasilkan NFT yang unik sebagai bukti identitas manusia. ImHuman memungkinkan pengguna untuk mengonfirmasi identitas mereka dengan aman di platform Web3 dan Web2 tanpa mengungkapkan detail pribadi.

Kesimpulan

Dalam DeFi, FHE memungkinkan transaksi dan aliran dana tanpa mengungkapkan informasi keuangan yang sensitif, melindungi privasi pengguna, dan mengurangi risiko pasar. Ini juga dapat menawarkan solusi untuk masalah MEV. Dalam permainan blockchain, FHE memastikan bahwa skor dan kemajuan pemain dilindungi dalam keadaan terenkripsi sambil memungkinkan logika permainan berjalan secara on-chain tanpa mengekspos data, meningkatkan keadilan dan keamanan.

Dalam AI, FHE memungkinkan analisis dan pelatihan model pada data terenkripsi, melindungi privasi data, serta mendorong pembagian dan kerja sama data lintas institusi, sehingga mendorong aplikasi AI yang lebih aman dan lebih patuh.

Meskipun FHE menghadapi tantangan dalam hal kepraktisan dan efisiensi, landasan teoritisnya yang unik menawarkan harapan untuk mengatasi rintangan-rintangan ini. Di masa depan, FHE diharapkan dapat secara signifikan

meningkatkan kinerja dan memperluas skenario aplikasi melalui pengoptimalan algoritme dan akselerasi perangkat keras, memberikan fondasi yang lebih kuat untuk perlindungan privasi data dan komputasi yang aman.