```html ``` ```html

全同态加密技术的应用

全同态加密（Fully Homomorphic Encryption，FHE）是一项革命性的数据安全技术，它为保护用户隐私和实现数据分析提供了新的可能性。

FHE允许在不暴露原始数据的情况下对加密数据进行计算。这意味着，即使在数据被加密的情况下，我们仍然能够进行有意义的数据处理和分析。

许多公司已经开始采取措施，利用FHE来保护用户数据，维护数据隐私。通过在加密数据上进行分析，而不是解密数据，公司可以获得与用户数据相关的洞见，同时保持数据的安全性。

一个关键的应用领域是医疗行业。医院需要保护患者的隐私，但同时医学研究人员需要访问这些数据来进行研究。FHE使得在云中对患者数据进行安全计算和分析成为可能，为医学研究提供了新的机遇。

全同态加密技术的出现标志着我们对数据隐私保护的进步，为未来数据安全和应用提供了更广阔的空间。

``````html

近日，全同态加密（FHE）在人工智能（AI）领域的应用备受瞩目。当前，AI领域面临着隐私保护的挑战，这限制了企业获取大规模且多样化数据集的能力，这些数据对于精细化AI算法至关重要。

企业在培训AI时面临着使用有限的公共数据集、花费大量资金购买私人数据集或创建数据集的选择。特别是对于用户较少的小型企业来说，后者尤其具有挑战性。全同态加密有望解决这些隐私问题，使更多的数据集供应商进入市场。因此，FHE的改进有望增加可用于AI训练的数据集数量，从而使得AI训练更加经济高效，同时也提高了数据集的多样性。

利用FHE，企业可以在不泄露原始数据的情况下对加密数据进行机器学习模型训练。这意味着数据所有者可以安全地分享加密数据，而无需担心隐私泄露或数据滥用。同时，AI模型训练者可以利用更多样化和全面的数据集来改进其算法，这些数据集在没有FHE的情况下可能无法使用。因此，全同态加密不仅提高了数据的安全性，还拓宽了AI研究和开发的可能性，使得AI技术的应用更加广泛和高效。

全同态加密的挑战

尽管全同态加密（FHE）被认为将改变当今大数据的格局，但为什么我们还没有看到更多实际应用呢？

虽然FHE已经是人们长期讨论和研究的话题，但实际上，实现FHE在实践中非常困难。核心挑战之一是所需的计算能力。实现全同态安全的数据集需要大量的计算速度和能力，其中许多在现有计算机上实施是不现实的。通常情况下需要几秒钟的操作，在同态加密数据集上可能需要几小时甚至几天。这种计算挑战导致了一个自我延续的循环，许多工程师推迟了FHE项目的承担，从而减缓了其发展并限制了其优势的完全实现。

工程师在FHE上面临的一个具体计算问题是处理“噪声误差”。在对同态加密数据集进行计算时，许多工程师都遇到了每次计算都会产生额外噪声或错误的情况。当只需要进行几次计算时，这是可以容忍的，但在多次分析之后，噪声可能变得如此突出，以至于原始数据变得难以理解，几乎失去了意义。

``` 这应该看起来像一个新闻稿，同时保留了原始的HTML结构和格式。

全同态加密（FHE）技术在DPRIVE项目中取得重大进展

为什么是现在

就像生成式人工智能一样，曾被认为是有限和原始的，直到它变成主流，全同态加密（FHE）正走在类似的进步轨道上。许多行业领袖，甚至那些超越区块链领域的领袖，已经聚集起来组织对FHE的大量研究和开发。这导致了几个近期的行业发展，推动了这项技术进步的引人注目的叙述。

DPRIVE项目

2021年3月，微软、英特尔和美国国防高级研究计划局（DARPA）同意启动一个多年期计划，以加速全同态加密（FHE）的发展。这个名为“虚拟环境中的数据保护”（DPRIVE）的计划标志着FHE的重大进展。它展示了两家专注于云计算和计算机硬件的行业巨头联合应对数据隐私问题。他们启动这个计划是为了构建能够管理FHE计算速度的计算机和软件，并建立精确实施FHE的指导方针，防止由错误使用导致的数据泄露。

作为DPRIVE计划的一部分，工程师们承担了通过探索方法来减少噪声至保持原始数据水平的任务，以此来减轻之前提到的‘噪声错误’。一种有前途的解决方案是设计大算术字大小（LAWS）数据表示。虽然传统的计算机处理器（CPU）通常使用64位字，但工程师们正在开发能够处理1024位或更多位字的LAWS新硬件。这种方法之所以有效，是因为研究表明较长的字直接影响信噪比。简单地说，较长的字在FHE中每进行一步额外计算时产生的噪声更少，允许执行更多的计算，直到达到数据丢失阈值。通过构建新硬件来应对这些挑战，参与DPRIVE计划的工程师大大减少了执行FHE所需的计算负载。

为了加速计算并接近使FHE速度提升100,000倍的目标，DPRIVE团队开启了一个持续的旅程，设计出超越常规处理和绘图单元能力的新数据处理系统。他们开发了一种新的多指令多数据（MIMD）系统，能够同时管理多个指令和数据集。MIMD类似于建造一条新的高速公路，而不是使用现有不适合的道路来容纳FHE快速、实时计算所需的流量。

DPRIVE计划的一个有趣之处在于它在计算机数学计算中广泛使用了‘并行性’。这使得开发者能够同时进行多个大数字计算。你可以将并行性想象为同时部署一群数学家来处理一个巨大数学问题的不同部分，而不是让他们一个接一个地完成各自的工作。尽管同时进行多项计算有助于快速解决问题，但计算机必须进行空冷以防止过热。

2022年9月，启动该计划一年半多后，微软、英特尔和DARPA宣布他们已成功完成DPRIVE计划的第一阶段。他们目前正在进行DPRIVE的第二阶段。

全同态加密领域的最新动态

SDK和开源库

The Holy Grail of Cryptography in the Future The Holy Grail of Cryptography in the Future Explore the Holy Grail of Cryptography in the Future Uncover its exciting application limitations and promote its latest development. When I first heard about homomorphic encryption, I associated it with the trend of giving long names to concepts that are popular in the blockchain field. In recent years, we have witnessed many popular words that caused a sensation in the industry. The latest one is zero-knowledge proof. By investigating and investigating some new companies that use products, After exploring, I found a prospect full of brilliant new tools, which may become the next big technology sweeping the industry in the next few months and years. Companies are using the latest progress in cryptography and cloud computing to pave the way for a strong future to protect data privacy. The question is not whether we can achieve it, but when. I believe it may be the key catalyst to promote data privacy and ownership. The holy grail of cryptography will be reshaped over time. The meaning of all computing structures, whether homomorphic encryption or not, first of all, let's understand the meaning of the term homomorphism. The concept of homomorphism originated from mathematics and refers to the mapping between two algebraic structures of the same type. It retains a core component between them. If you prefer practical explanations like me, then the mathematical principle behind this is that two groups can have the same core attributes without being exactly the same. For example, imagine two boxes with different sizes. There are small fruits in the fruit box, and there are big fruits in the fruit box. Although the fruits are different in size, the taste of squeezing small apples and small oranges in the box is the same as that of squeezing big apples and big oranges in the box. This squeezing process retains a core attribute, just like maintaining a core component between two boxes. If we are concerned about the same taste, it doesn't matter which box we squeeze juice from, because we don't care about the amount of juice in the key aspects. Bodies are equivalent, so the difference between them does not affect our definition of their main function, that is, to produce a specific juice taste, which is similar to homomorphic encryption. We can capture the mapping of its two main features. We have established the corresponding relationship between fruits, and each small fruit in the box corresponds to a large fruit in the box, so the small apple in the box corresponds to the big apple in the box, and so on. If squeezing two small fruits in the box produces a specific taste, then Squeezing their corresponding big fruits in the box should also produce the same taste, although the size and quantity of the juice obtained are different, the taste characteristics remain unchanged. The application of homomorphic encryption technology is a revolutionary data security technology, which provides new possibilities for protecting users' privacy and realizing data analysis, allowing the calculation of encrypted data without exposing the original data, which means that even if the data is encrypted, we can still do it. Many companies have begun to take measures to protect user data and maintain data privacy. By analyzing encrypted data instead of decrypting it, companies can gain insights related to user data while maintaining data security. A key application field is that hospitals in the medical industry need to protect patients' privacy, but at the same time, medical researchers need to access these data to conduct research, so that patient data can be calculated and analyzed safely in the cloud. Analysis may provide new opportunities for medical research. The emergence of homomorphic encryption technology marks our progress in data privacy protection and provides a broader space for future data security and application. The application of homomorphic encryption in artificial intelligence training has attracted much attention recently. At present, the field is facing the challenge of privacy protection, which limits the ability of enterprises to obtain large-scale and diverse data sets. These data are very important for refined algorithms. When training, we are faced with the choice of using limited public data sets and spending a lot of money to buy private data sets or create data sets, especially for small enterprises with few users. The latter is particularly challenging. Homomorphic encryption is expected to solve these privacy problems and enable more data set suppliers to enter the market. Therefore, the improvement is expected to increase the number of data sets available for training, thus making the training more economical and efficient, and at the same time improving the diversity of data sets. Enterprises can use the original data without leaking it. This means that data owners can share encrypted data safely without worrying about privacy leakage or data abuse, and model trainers can use more diverse and comprehensive data sets to improve their algorithms. These data sets may not be used without them, so homomorphic encryption not only improves data security, but also broadens the possibility of research and development, making the application of technology more extensive and efficient. Although homomorphic encryption is considered to change the pattern of big data today, why haven't we seen more practical applications? Although it has been a topic of long-term discussion and research, it is actually very difficult to achieve it in practice. One of the core challenges is the required computing power. To achieve homomorphic security, data sets require a lot of computing speed and power, many of which are unrealistic to implement on existing computers. Usually, it takes a few seconds to operate on homomorphic encrypted data sets. It takes several hours or even days, and this calculation challenge leads to a self-sustaining cycle. Many engineers delay the commitment of the project, thus slowing down its development and limiting the full realization of its advantages. A specific calculation problem faced by engineers in the world is to deal with noise errors. When calculating homomorphic encrypted data sets, many engineers encounter the situation that each calculation will produce extra noise or errors, which is tolerable when only a few calculations are needed, but after many analyses, the noise is tolerated. It may become so prominent that the original data becomes difficult to understand and almost meaningless. It should look like a press release while retaining the original structure and format. Homomorphic encryption technology has made great progress in the project. Why is the picture link now, just like generative artificial intelligence, which was once considered limited and primitive until it became mainstream? Homomorphic encryption is on a similar progress track, and many industry leaders, even those beyond the blockchain field, have gathered to organize a lot of research and development, which has led to several recent. 比特币今日价格行情网_okx交易所app_永续合约_比特币怎么买卖交易_虚拟币交易所平台

随着众多大型公司在全同态加密（FHE）领域的先行探索，可用的软件开发套件（SDK）和开源库数量激增，这使得开发者能够基于彼此的工作进行构建。

微软宣布推出Microsoft Seal，这是一个开源库，为开发者提供了在数据集上执行同态加密的工具。这使得更广泛的开发者能够探索FHE，从而民主化了端到端加密和计算服务的访问。该库提供了同态加密程序的示例，并附有详细的注释，以指导开发者进行正确和安全的使用。

英特尔也推出了自己的同态加密工具包，为开发者提供工具以在云中更快地实现同态加密。英特尔设计这个工具包时保持了灵活性，确保与最新的数据处理和计算进展兼容。它包括专为格密码学定制的函数、与Microsoft Seal的无缝操作集成、同态加密方案的样本以及指导用户的技术文档。

谷歌的Private Join and Compute开源库为开发者提供了多方计算（MPC）工具。这种计算方法允许各方结合各自不同的数据集来获得共享见解，而无需向彼此暴露原始数据。Private Join and Compute结合了来自FHE的密码技术与Private Set Intersection（PSI）以优化数据保密实践。PSI是另一种密码方法，允许拥有不同数据集的各方识别共有元素或数据点，而无需透露他们的数据。谷歌在推进数据隐私方面的方法不仅仅集中在FHE上；它通过将FHE与其他有影响力的数据实践整合，优先考虑了更广泛的MPC概念。

值得注意的是，针对FHE的声誉良好的开源库的可用性正在上升。然而，当观察到知名公司在其运营中实验这些库时，这一点变得更加引人注目。2021年4月，作为著名的股票交易所和资本市场的全球技术实体，纳斯达克将FHE纳入其运营。纳斯达克利用英特尔的FHE工具和高速处理器，通过反洗钱努力和欺诈检测来应对金融犯罪。这是通过使用同态加密来识别包含敏感信息的数据集中的有价值见解和潜在的非法活动来实现的。

最近的资本募集

除了前面提到的公司进行的研究和开发外，还有几家其他公司最近获得了专注于全同态加密（FHE）的举措的大量资金。

Cornami 是一家大型技术公司，因开发专门为同态加密设计的可扩展云计算技术而闻名。他们参与了许多旨在创建比传统CPU更有效支持FHE的计算系统的努力。他们还指导旨在保护加密数据免受量子计算威胁的举措。2022年5月，Cornami宣布成功完成C轮融资，获得了由软银领投的6800万美元，使其总资本达到了1.6亿美元。

```html

区块链行业迎来全同态加密技术革新

近日，全同态加密技术取得重大突破，引发了业内的广泛关注。该技术的潜力被寄予厚望，有望为数据隐私带来强大保障，成为未来发展的重要方向。以下是两家领先公司的最新进展：

Zama公司宣布成功完成由Protocol Labs领投的A轮融资，总资本达到5000万美元。作为区块链行业的新秀，Zama正在研发开源同态加密工具，旨在为开发者提供基于FHE、区块链和人工智能的创新应用。该公司已经打造了全同态以太坊虚拟机（fhEVM），通过智能合约协议，实现链上交易数据的加密处理。开发者对Zama库的性能印象深刻，认为其在复杂应用场景下仍能表现出色。

另一家备受关注的新兴项目是Fhenix，他们致力于将FHE技术引入区块链领域。除了在隐私支付领域的应用，Fhenix还计划将FHE扩展到去中心化金融（DeFi）、桥接、治理投票和Web3游戏等领域。2023年9月，Fhenix宣布完成700万美元的种子轮融资，由Multicoin Capital和Collider Ventures领投。

未来展望

全同态加密（FHE）技术一直是数据安全领域的热门话题，近期的进展将其从理论探讨转变为实际应用。尽管各公司竞相突破FHE技术的局限，成为领先者，但更多的公司选择合作，共同应对这项复杂技术的挑战。他们积极参与跨团队项目，并开发与其他库集成的开源工具，展现出一种合作精神。

据了解，围绕FHE技术的讨论正产生深远影响。未来几周，我们将深入探讨该领域，分享更多关于FHE研究的见解，包括但不限于以下主题：

- FHE的新兴应用领域

• 与零知识证明（ZKPs）的互动

• 将FHE与私有集合交集（PSI）整合，推动安全的多方计算（MPC）

• 新兴公司如Zama和Fhenix在FHE领域的创新

参考文献：

• Arampatzis, Anastasios. “全同态加密技术的最新发展。” Venafi, 2022年2月1日，venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

• Arampatzis, Anastasios. “什么是全同态加密，如何应用。” Venafi, 2023年4月28日，venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.

• “构建硬件以实现持续数据保护。” DARPA, 2020年3月2日,www.darpa.mil/news-events/2020-03-02.

```Sure, here's the HTML text rephrased as a news article: ```html

在密码学领域，全同态加密被誉为“密码学圣杯”。最近的报道显示，该技术正受到广泛关注和研究。

据Datascience.Aero报道，克里斯托瓦尔（Cristobal, Samuel）在其文章中称全同态加密是“密码学的圣杯”。该技术被视为一项革命性的进展，于2021年1月7日发表在Datascience.Aero上。

互联网学会（Internet Society）于2023年3月9日发表文章，介绍了全同态加密技术的重要性和影响。

据The Block报道，FHENIX公司最近在种子轮融资中筹集了700万美元，该轮融资由Multicoin Capital领投。

2023年10月8日，英特尔（Intel）发布了全同态加密工具包，为开发人员提供了一个重要的工具。

英特尔与微软（Microsoft）合作，共同参与DARPA计划，该计划于2021年3月8日正式启动。

2021年4月6日，英特尔宣布Xeon处理器将推动纳斯达克的全同态加密研发。

据英特尔社区网站报道，2022年9月14日，英特尔成功完成了DARPA DPRIVE计划的第一阶段里程碑，该计划旨在建立一个全同态加密平台。

微软研究部门于2023年1月4日发布了快速且易于使用的全同态加密库“Microsoft Seal”。

在Business Age的一篇文章中，帕斯卡尔·派利耶博士（Dr. Pascal Paillier）也称全同态加密为“密码学的圣杯”，该文章于2023年3月9日发表。

``` 这样的表述更像是新闻稿，更容易被人们理解和接受。

注册有任何问题请添加 微信：MVIP619 拉你进入群

文章转载注明 网址：https://netpsp.com/?id=63832