全同态加密

本文深入分析了完全同态加密（Fully Homomorphic Encryption， FHE），强调了它在允许对加密数据进行计算而不进行解密方面的重要性。

文章深入探讨了全同态加密（FHE）的概念、分类及其在区块链等领域的应用，详细介绍了部分同态加密、部分同态加密和全同态加密的区别，以及如何通过自举、重线性化和模数转换等技术来实现和优化全同态加密。

本文探讨了使用零知识证明（ZKP）验证全同态加密（FHE）的过程，重点分析了TFHE在RISC Zero平台上的实现，以及如何通过优化数据加载和计算来提高效率。文章呈现了核心概念、实施细节和代码示例，为后续优化提供基础。

该项目旨在通过结合全同态加密（FHE）与双密钥隐身地址协议（DKSAP）来改进以太坊的隐私保护。提出了FHE-DKSAP，声称其能够防止量子计算攻击，重用隐身地址从而避免大量生成，并允许接受者外包链上资产检查计算，同时不泄露视图密钥，从而提升以太坊交易的隐私性和安全性。

该内容是关于加密技术的系列文章目录，包括多个主题如STARKs、零知识证明及全同态加密等，涉及不同的技术与应用。文章提供了丰富的链接，有助于深入理解加密学的最新进展和概念。

本文主要介绍了Zama推出的基于全同态加密(FHE)技术的区块链协议fhEVM，旨在解决DeFi领域中机构和高净值用户对交易隐私的需求。通过加密ERC-20代币、实现非抵押贷款和减少MEV攻击，fhEVM为DeFi带来了更高的隐私性和资本效率，有望吸引更多机构参与。文章呼吁开发者利用该技术构建下一代保密借贷协议。

本文介绍了如何使用 Concrete ML 构建一个端到端加密的类似于 23andMe 的基因测试应用程序。文章重点介绍了 Zama Bounty Program Season 5 中两个获胜的解决方案，它们都使用了全同态加密（FHE）来保护敏感的 DNA 数据，并对这两种方案的实现原理、精度和性能进行了分析，展示了 FHE 在保护个人身份信息（PII）方面的价值。

Concrete ML v1.5版本发布，引入了新的DataFrame API，支持在加密存储的数据上工作，并增加了加速神经网络的新选项，速度可提高2-3倍。同时，发布了一个新的演示，展示如何安全地匿名化文本数据，以便在使用ChatGPT查询知识库时不会泄露任何个人身份信息。该版本旨在推动隐私保护的机器学习和加密协作。

Concrete ML v1.6 版本提升了大型神经网络的延迟，增加了对预训练的基于树模型的支持，并通过引入 DataFrame 模式和简化 Logistic 回归训练的部署，从而简化了协作计算。该版本还展示了深度 MLP 模型和 ResNet18 模型的延迟改进，并提供了加密训练和 DataFrame 模式的增强功能。此外，还包含用于Windows系统的GPU支持。

Concrete ML v1.9 版本发布，引入了对 TFHE-rs 密文格式的支持，使 Concrete ML 模型能够无缝集成到基于 Rust 的 FHE 管道中。

Zama 发布了 Concrete v2.10，引入了对 Rust 的支持，通过 concrete-macro 和 concrete 这两个 crates，可以直接在 Rust 中使用 FHE（全同态加密) 功能，使得开发者能够更容易地将 Python 原型移植到生产环境。此外，新版本还增强了与 TFHE-rs 的互操作性。

Concrete v2.6 版本发布，引入了近似可编程引导启动（PBS）、输入压缩、增强的函数组合以及更快的模拟，以及 ternary-if, Relu, 和 Sign 函数。近似 PBS 通过不精确的舍入加速 TLU 运算；输入压缩通过种子加密进一步优化带宽和磁盘空间；增强的函数组合通过模块实现更灵活的加密数据处理。此外，仿真速度也得到了显著提升。

Concrete v2.7版本发布，引入了GPU加速功能，通过安装GPU wheel并设置use_gpu选项即可利用GPU进行FHE计算加速，最多可提速2.5倍。同时，新版本还扩展了函数组合的支持，通过分区优化和指定函数依赖关系，进一步提升模块的性能。此外，v2.7还包含其他一些小的改进。

Concrete v2.8版本发布，主要更新包括： Concrete与TFHE-rs的互操作性，允许开发者在两者之间转换整数，利用各自的优势；自动模块追踪功能，简化了模块编译的流程；以及新增了多个教程，展示了FHE和Concrete在实际应用中的用例。此外，新版本还包括各种优化和错误修复，尤其是在Concrete GPU运行时，提高了FHE评估的速度。

本文介绍了Zama Bounty Program Season 7的获奖方案，该方案使用全同态加密（FHE）和Concrete ML实现了加密图像的隐形水印。该方案包含一个编码器神经网络（用于嵌入水印）和一个解码器神经网络（用于提取水印）。文章还讨论了该方案的性能和水印提取方法，以及其在版权保护、身份验证和篡改检测等方面的应用潜力。