FHE (Tam Homomorfik Şifreleme) nedir? Yeni Premier Kılavuz

FHE veya Tam Homomorfik Şifreleme, hesaplamaların doğrudan şifrelenmiş veriler üzerinde gerçekleştirilmesine olanak tanıyarak orijinal veriler üzerinde aynı hesaplamalardan elde edilenlerle tutarlı sonuçlar üretir. Bu, verilerin orijinal veriler ifşa edilmeden işlenebileceği ve analiz edilebileceği anlamına gelir ve veri gizliliğini ve bütünlüğünü korumak için yeni bir çözüm sunar.

Dijital çağda, veri gizliliğinin korunması her zamankinden daha önemlidir. Büyük veri, bulut bilişim ve IoT teknolojisinin hızla gelişmesiyle birlikte kişisel bilgilerin toplanması, depolanması ve analizi giderek daha yaygın hale geldi. Ancak bu durum veri ihlalleri ve kötüye kullanım riskini de beraberinde getirmektedir.

FHE’nin teorik temeli Rivest ve diğerlerinin ilk homomorfik şifreleme problemini önerdiği 1978 yılına dayanmaktadır. Gentry’nin doktora tezinde ilk uygulanabilir FHE şemasını oluşturması ve FHE araştırmalarının gerçek başlangıcını işaret etmesi 2009 yılına kadar gerçekleşmedi.

İlk FHE şemaları son derece düşük hesaplama verimliliğine sahipti ve bu da onları gerçek dünya uygulamaları için kullanışsız hale getiriyordu. Bununla birlikte, araştırmacılar tarafından devam eden optimizasyonlarla FHE performansı, verimliliği artırmaya, hesaplama karmaşıklığını azaltmaya ve uygulama senaryolarını genişletmeye odaklanarak önemli ölçüde iyileşmiştir.

YÖK’ün Teknik Uygulama Yolları

İdeal Kafes Tabanlı FHE Şemaları

Bu şu anda en pratik ve verimli FHE oluşturma yöntemidir. Halka işlemlerinin cebirsel yapısını kullanır, modüler işlemler yoluyla şifreleme ve şifre çözme gerçekleştirir ve halkanın ideal faktörlerini ayrıştırır. Temsili şemalar arasında BGV, BFV ve CKKS bulunmaktadır. Bu şemaların avantajı yüksek hesaplama verimliliğidir, ancak daha büyük anahtar ve şifreli metin alanı gerektirirler.

Matris Tabanlı YÖK Programları

Bu yaklaşım düz metin bilgisini matrislere kodlar ve matris işlemleri yoluyla homomorfizme ulaşır. Temsili şemalar arasında GSW ve HiNC bulunmaktadır. Bu şemalar oldukça güvenlidir ancak daha az verimlidir.

NTRU Tabanlı YÖK Programları

NTRU (Sayı Teorisi Araştırma Birimi), YASHE ve NTRU-FHE gibi verimli FHE şemalarının oluşturulmasına olanak tanıyan iyi cebirsel yapıya ve döngüsel simetriye sahiptir. Bu şemalar daha küçük anahtar ve şifreli metin boyutları avantajına sahiptir, bu da onları kaynak kısıtlı ortamlar için uygun hale getirir.

LWE/LWR Temelli FHE Programları

FHEW ve TFHE gibi LWE/LWR problemine dayalı şifreleme şemalarını kullanan bu şemalar daha çok teorik yeniliklere odaklanır ve pratiklik sınırlı olsa da çok güçlü güvenlik elde edebilir.

FHE – ZKP

FHE ve ZKP’nin her ikisi de şifreleme teknolojileridir, ancak neredeyse birbirlerini tamamlarlar.

ZKP, bir kanıtlayıcının bir doğrulayıcıya belirli ayrıntıları açıklamadan bir bilgi parçasının doğru olduğunu kanıtlamasına olanak tanır. Doğrulayıcı, hesaplamayı yeniden yürütmeden bilginin doğruluğunu ve bütünlüğünü teyit edebilir. ZKP bilgi sızdırmadan doğruluğu kanıtlayabilse de, girdileri genellikle düz metin biçimindedir ve bu da gizlilik sızıntılarına yol açabilir.

FHE bu sorunu çözebilir. Şifrelenmiş veriler üzerinde şifre çözme olmadan keyfi hesaplamalara izin verir, böylece veri gizliliğini korur. Ancak, FHE hesaplamaların doğruluğunu ve güvenilirliğini garanti edemez, bu da tam olarak ZKP’nin ele aldığı konudur.

FHE ve ZKP’yi birleştiren FHE, girdi verilerinin ve hesaplama süreçlerinin gizliliğini korurken ZKP, FHE hesaplamaları için şifrelenmiş doğruluk, yasallık ve denetlenebilirlik kanıtları sağlar. Bu sayede hassas veri işleme ve çok taraflı işbirlikçi hesaplama için son derece değerli olan gerçek anlamda güvenli ve güvenilir gizlilik hesaplaması elde edilir.

ZAMA: YÖK’te Öncü

Zama, blockchain ve yapay zeka için gelişmiş FHE çözümleri geliştiren açık kaynaklı bir kriptografi şirketidir. Dört ana açık kaynak çözümü sunmaktadır:

• TFHE-rs: Şifrelenmiş veriler üzerinde Boolean ve tamsayı işlemleri gerçekleştirmek için kullanılan Torus üzerinde Tam Homomorfik Şifrelemenin bir Rust uygulaması. TFHE-rs kütüphanesi, Programlanabilir Önyükleme yoluyla toplama ve fonksiyon değerlendirme gibi gerekli tüm homomorfik işlemleri içeren TFHE’nin bir Zama varyantını uygular.
• Beton: Çerçevenin bir parçası olarak bir TFHE derleyicisi içeren, normal programlama kodunu FHE tarafından çalıştırılabilir işlemsel talimatlara dönüştüren ve geliştiricilerin FHE programları yazmasını kolaylaştıran açık kaynaklı bir FHE çerçevesi. Concrete’in varsayılan hata olasılığı çok düşüktür ve geliştiriciler bu parametreyi esnek bir şekilde değiştirebilirler.
• Beton ML: Concrete üzerine inşa edilmiş, geliştiricilerin kriptografik bilgi gerektirmeden FHE’yi makine öğrenimi modellerine entegre etmelerine olanak tanıyan açık kaynaklı bir gizliliği koruyan makine öğrenimi (PPML) aracı.
• fhEVM: FHE’yi EVM ekosistemine entegre ederek geliştiricilerin zincir üzerinde şifreli akıllı sözleşmeler yürütmesine olanak tanır ve zincir üzerindeki veri gizliliğini korurken birleştirilebilirliği sürdürür. TFHE-rs’yi içerir ve geliştiricilerin Solidity kullanarak şifrelenmiş veriler üzerinde hesaplama yapmasına olanak tanıyan yeni bir TFHE Solidity kütüphanesi sunar.

Fhenix: İlk FHE-Rollup

Fhenix ilk Katman 2 rollup’ıdır ve şifrelenmiş hesaplama kütüphanesi fheOS’u Zama’nın TFHE-rs’si üzerine inşa etmiştir. Önceden derlenmiş ortak şifreleme işlem kodlarını içerir ve akıllı sözleşmelerin zincir üzerinde FHE ilkellerini kullanmasına olanak tanır. fheOS ayrıca, şifre çözme ve yeniden şifreleme talepleri için rollup ile Eşik Hizmet Ağı (TSN) arasındaki iletişimi ve kimlik doğrulamayı yöneterek şifre çözme taleplerinin meşruiyetini sağlar. fheOS, EVM ile tamamen uyumlu olan mevcut herhangi bir EVM sürümüne enjekte edilen bir uzantı olacak şekilde tasarlanmıştır.

Fhenix’in mutabakat mekanizması Arbitrum’un Nitro prover’ını kullanır. Sahtekarlık ispatı seçilmiştir çünkü FHE ve zkSNARK’ın temel yapıları farklıdır, bu da mevcut teknolojik aşamada FHE hesaplamalarını ZKP ile doğrulamayı neredeyse imkansız hale getirmektedir.

Fhenix kısa süre önce FHE yardımcı işlemcileri geliştirmek için EigenLayer ile ortaklık kurarak FHE hesaplamalarını L2, L3 vb. diğer halka açık zincirlere taşıdı. Fhenix’in 7 günlük bir meydan okuma süresi ile sahtekarlığa karşı koruma sağlaması göz önüne alındığında, EigenLayer’ın hizmeti yardımcı işlemcilerin hızlı işlem onayı elde etmesine yardımcı olarak performansı önemli ölçüde artırabilir.

Inco Network: Hizmet Olarak Gizlilik

Inco, Web3 için evrensel bir gizlilik katmanı olarak hizmet veren modüler bir güvenilir bilgi işlem Katmanı 1’dir. fhEVM’yi destekleyerek geliştiricilerin Solidity ve Ethereum ekosistem geliştirme araçlarını kullanarak hızlı bir şekilde özel Dapp’ler oluşturmasını sağlar. Inco, köprüleme ve IBC protokolleri aracılığıyla yerel şifrelemeden yoksun EVM ve Cosmos zincirlerine CaaS (Hizmet Olarak Gizlilik) sağlar. CaaS hizmetleri şunları içerir:

• Zincir Üzerinde Şifrelenmiş Durum: Şifrelenmiş verilerin zincir dışı depolama olmadan doğrudan zincir üzerinde depolanması.
• Birleştirilebilir Şifrelenmiş Durum: Şifrelenmiş veriler üzerinde durum geçişlerini şifre çözme olmadan zincir üzerinde tam olarak yürütme.
• Zincir İçi Rastgelelik: Harici rastgelelik hizmetleri olmadan uygulamalar için zincir üzerinde rastgele sayılar üreterek doğrudan zincir üzerinde uygulama geliştirmeye olanak sağlar.

Inco’nun halihazırda oyun, NFT’ler, RWA, oylama yönetişimi ve DID gibi çeşitli kullanım durumları vardır.

Zihin Ağı: FHE Yeniden Oluşturma Katmanı

Mind, AI ve POS ağları için özel olarak tasarlanmış ilk FHE restaking katmanıdır. Bir restaking katmanı olarak, ETH, BTC ve blue-chip AI şirketlerinden gelen restaking tokenlerini staking için kabul eder. Bir FHE doğrulama ağı olarak, düğüm verilerini doğrulamak ve fikir birliğine varmak için FHE teknolojisini kullanır, veri bütünlüğünü ve güvenliğini sağlar. Mind, merkezi olmayan AI, Depin, EigenLayer AVS, Babylon AVS ve anahtar POS ağları için ekonomik güvenlik sağlayarak sistem konsensüsünü ve güvenilirliğini korur.

• Katmanı Yeniden Oluşturma: Ethereum ve Bitcoin ağlarından güvenlik için EigenLayer, StakeStone, Renzo, Babylon ve Ankr ile işbirliği yapar; zincirler arası uzaktan yeniden başlatma için Chainlink CCIP ve Connext ile işbirliği yapar.
• Güvenlik Katmanı: Doğrulama ve mutabakat hesaplama süreçlerinin uçtan uca şifrelenmesini sağlamak için FHE ile geliştirilmiş doğrulayıcılar sunar ve gelişmiş güvenlik için Fhenix ve Inco’nun fhEVM modüllerini entegre eder.
• Mutabakat Katmanı: Yapay zeka görevleri için tasarlanmış, FHE doğrulayıcıları arasında adil ve güvenli ödül dağıtımı sağlayan bir Proof of Intelligence (POI) mutabakat mekanizması sunar. Mind Network, AltLayer, EigenDA ve Arbitrum Orbit ile işbirliği yaparak, daha düşük maliyetler ve daha hızlı performans ile fikir birliği hesaplamasını geliştiren toplama zincirleri başlatıyor.

Privasea: İnsan Kanıtı

Privasea, FHE makine öğrenimi için aşağıdaki temel bileşenleri içeren bir Depin+AI ağıdır:

• HESea Kütüphanesi: Şifrelenmiş veriler üzerinde güvenli hesaplama sağlayan, TFHE, CKKS ve BGV/BFV gibi çeşitli FHE şemalarını destekleyen gelişmiş bir FHE kütüphanesi.
• Privasea API: Privasea AI ağı için uygulama programlama arayüzü, veri gönderimini, model eğitimini ve tahminleri basitleştirmek için işlevler ve uç noktalar sağlar, iletim ve işleme sırasında şifreleme sağlar.
• Privanetix: Şifrelenmiş verileri verimli bir şekilde işleyen yüksek performanslı düğümlerden oluşan merkezi olmayan bir bilgi işlem ağı, her düğüm veri gizliliği ve hesaplama performansı için HESea kütüphanesini entegre eder.
• Privasea Akıllı Sözleşme Paketi: Privanetix düğüm kaydını ve katkılarını izleyen, hesaplamaları doğrulayan ve ödülleri dağıtan, katılımcı motivasyonunu ve adaleti sağlayan blok zinciri tabanlı bir teşvik mekanizması.

Privasea, kullanıcı insanlığını doğrulamak, dijital kimliklerini robot ve yapay zeka taklitlerinden korumak için FHE’ye dayalı İnsan Kanıtı geliştiren ImHuman uygulamasını başlattı. Kullanıcılar, yüz biyometrisi aracılığıyla insanlıklarını doğrulayabilir ve insan kimliğinin kanıtı olarak benzersiz bir NFT oluşturabilir. ImHuman, kullanıcıların kişisel bilgilerini ifşa etmeden Web3 ve Web2 platformlarında kimliklerini güvenli bir şekilde doğrulamalarına olanak tanır.

Sonuç

DeFi‘de FHE, hassas finansal bilgileri ifşa etmeden işlemleri ve fon akışlarını mümkün kılar, kullanıcı gizliliğini korur ve piyasa riskini azaltır. Ayrıca MEV sorununa da bir çözüm sunabilir. Blockchain oyunlarında FHE, oyuncuların puanlarının ve ilerlemelerinin şifrelenmiş bir durumda korunmasını sağlarken, oyun mantığının verileri açığa çıkarmadan zincir üzerinde çalışmasına izin vererek adaleti ve güvenliği artırır.

YZ’de FHE, şifrelenmiş veriler üzerinde analiz ve model eğitimi sağlar, veri gizliliğini korur ve kurumlar arası veri paylaşımını ve işbirliğini teşvik ederek daha güvenli ve daha uyumlu YZ uygulamaları sağlar.

FHE pratiklik ve verimlilik konusunda zorluklarla karşılaşsa da, benzersiz teorik temeli bu engellerin aşılması için umut vermektedir. Gelecekte, FHE’nin önemli ölçüde

algoritma optimizasyonu ve donanım hızlandırma yoluyla performansı artırır ve uygulama senaryolarını genişletir, veri gizliliği koruması ve güvenli bilgi işlem için daha sağlam bir temel sağlar.