Transférer le titre original 'Expliquer la récente montée du chiffrement homomorphique complet dans l'industrie de la blockchain'

Présentation du chiffrement entièrement homomorphique (FHE) : une exploration de ses applications passionnantes, de ses limitations et des récents développements alimentant sa popularité.

Quand j'ai entendu parler pour la première fois du 'Chiffrement entièrement homomorphique' (FHE), je me suis demandé pourquoi l'espace blockchain avait tendance à attribuer des noms longs à des concepts à la mode. Nous avons rencontré une bonne part de mots à la mode qui ont balayé l'industrie au fil des ans, le plus récent étant les 'preuves de connaissance nulle' (ZKPs).

Après avoir creusé et exploré les nouvelles entreprises construisant des produits avec le chiffrement homomorphique, j'ai remarqué un horizon rempli d'une brillante nouvelle suite d'outils. Dans les mois et les années à venir, le chiffrement homomorphique pourrait être la prochaine grande technologie à secouer l'industrie comme l'ont fait les preuves de connaissance nulle.

Les entreprises exploitent les récents progrès réalisés dans divers domaines de la cryptographie et de l'informatique en nuage pour ouvrir la voie à un avenir puissant, préservant la vie privée des données. La question n'est pas de savoir si nous y parviendrons, mais quand, et je crois que le chiffrement homomorphique pourrait être un catalyseur crucial pour faire avancer la vie privée et la propriété des données.

Au cours des prochaines semaines, je vais me plonger dans l'apprentissage plus approfondi du chiffrement homomorphique et de la recherche de ses limites, de son potentiel et de ses applications. Je partagerai mes découvertes dans une série d'articles examinant les différents aspects du dialogue entourant le chiffrement homomorphique. Cette semaine, je vais présenter cette technologie et discuter des raisons pour lesquelles elle a récemment suscité beaucoup d'attention. De nombreuses personnes de l'industrie en parlent, y compris Kyle Samani de Multicoin Capital, qui avait ceci à dire:

"Le FHE est le Graal de la cryptographie. Avec le temps, le FHE remodelera le tissu de tous les calculs, à la fois dans le web2 et le web3."

Qu'est-ce que l'homomorphisme ?

Aborder le sujet qui fâche, un bon début serait de comprendre ce que signifie 'homomorphique'. En remontant à ses racines, l'homomorphisme trouve son origine dans les mathématiques et est définicomme une carte entre deux structures algébriques du même type qui préserve un composant essentiel entre elles.

Si vous êtes comme moi et préférez une définition plus pratique, un principe sous-jacent des mathématiques est que deux groupes n'ont pas besoin d'être identiques pour posséder les mêmes propriétés de base. Par exemple, imaginez deux boîtes de fruits, correspondant chacune à un groupe distinct :

La boîte A contient des fruits de petite taille.
La boîte B contient des fruits de grande taille.

Bien que les fruits individuels diffèrent en taille, presser une petite pomme et une orange ensemble dans la boîte A produit un jus mélangé avec la même saveur que presser une grande pomme et une orange ensemble dans la boîte B. Presser les fruits pour obtenir la même saveur est analogue à préserver un composant essentiel entre les deux boîtes. En supposant que la saveur identique est notre principale préoccupation, peu importe de quelle boîte nous pressons les fruits car une plus grande/petite quantité de jus n'est pas notre objectif. Les groupes sont équivalents là où cela compte (le goût) de sorte que la différence entre eux (taille et quantité) n'a pas d'impact sur leur fonction principale, que nous avons définie comme la production d'une saveur spécifique de jus de fruits.

En établissant un parallèle avec le chiffrement homomorphique, nous avons saisi ses deux principales caractéristiques :

1. Mappage : Nous établissons une connexion entre les fruits où chaque petit fruit dans la boîte A correspond à une version plus grande dans la boîte B. Ainsi, la petite pomme dans la boîte A correspond à la grande pomme dans la boîte B, et ainsi de suite.
2. Préservation de l'opération : si le jus de deux petits fruits dans la boîte A produit une saveur particulière, le jus de leurs versions plus grandes correspondantes dans la boîte B devrait produire la même saveur. Le 'profil de saveur' est préservé malgré les différences de taille et de quantité du jus obtenu.

Qu'est-ce que le chiffrement entièrement homomorphique?

Revenons à la thématique centrale de cet article, chiffrement entièrement homomorphiqueLe chiffrement entièrement homomorphique (FHE) est une méthode spécifique de cryptage de données qui permet aux personnes d'effectuer des calculs sur des données chiffrées sans révéler les données brutes. Théoriquement, l'analyse et les calculs effectués sur les données chiffrées devraient produire des résultats identiques à ceux effectués sur les données brutes. Avec le FHE, nous établissons une connexion 1:1 entre les données de l'ensemble de données chiffrées correspondant aux données de l'ensemble de données brutes. La préservation de la composante principale, dans ce cas, est la capacité d'effectuer n'importe quel calcul sur les données de l'un ou l'autre ensemble et d'obtenir les mêmes résultats.

Pour contexte, de nombreuses entreprises prennent déjà des mesures préventives pour protéger les données des utilisateurs et maintenir la confidentialité différentielle. Les entreprises stockent rarement des données sur le cloud ou dans leurs bases de données sous forme brute et non chiffrée. Par conséquent, même si les attaquants prennent le contrôle des serveurs d'une entreprise, ils doivent quand même contourner le chiffrement pour lire et accéder aux données. Cependant, les données ne sont pas intéressantes lorsqu'elles restent simplement là, chiffrées et inutilisées. Lorsque les entreprises veulent effectuer des analyses sur les données pour en tirer des informations précieuses, elles n'ont pas d'autre choix que de déchiffrer les données pour le faire. Une fois déchiffrées, les données deviennent vulnérables. Cependant, grâce au chiffrement de bout en bout, le CHF devient très utile car nous n'avons plus besoin de déchiffrer les données pour les analyser ; ceci n'est que la partie émergée de ce qui est possible.

Une considération cruciale est de savoir si les entreprises devraient être autorisées à lire et à stocker nos informations personnelles dès le départ. La réponse standard à cela de la part de nombreux acteurs a été que les entreprises doivent voir nos données pour nous fournir de meilleurs services.

Si YouTube ne stocke pas de données comme mon historique de visionnage et de recherche, l'algorithme ne peut pas fonctionner à son plein potentiel et me montrer les vidéos qui m'intéressent. Pour cette raison, de nombreuses personnes ont considéré que le compromis entre la confidentialité des données et l'obtention de meilleurs services en valait la peine. Cependant, avec le chiffrement homomorphique, nous n'avons plus besoin de faire ce compromis. Des entreprises comme YouTube peuvent entraîner leurs algorithmes sur des données chiffrées et produire des résultats identiques pour l'utilisateur final sans enfreindre la confidentialité des données. Plus précisément, elles peuvent chiffrer de manière homomorphique des informations telles que mon historique de visionnage et de recherche, les analyser sans les regarder car elles sont chiffrées, puis me montrer les vidéos qui m'intéressent en fonction de l'analyse.

Le chiffrement homomorphique est un pas significatif vers la construction d'un avenir où nos données ne sont plus une marchandise précieuse pour laquelle nous faisons le compromis de les donner librement aux organisations.

Applications du chiffrement entièrement homomorphique

Le chiffrement totalement homomorphe (FHE) appliqué correctement est une percée pour tous les secteurs qui stockent des données utilisateur. Nous envisageons une technologie qui pourrait transformer notre attitude entière envers la vie privée des données et les limites d'atteinte acceptables par les entreprises.

Commençons par examiner comment le FHE pourrait remodeler les pratiques de données dans leindustrie de la santéDe nombreux hôpitaux détiennent des dossiers privés de patients stockés dans leurs bases de données, qu'ils doivent garder confidentiels pour des raisons éthiques et légales. Cependant, ces informations sont précieuses pour les chercheurs médicaux externes qui peuvent analyser ces données pour déduire des informations significatives sur les maladies et les traitements potentiels. Un obstacle majeur qui ralentit la recherche est de maintenir la confidentialité totale des données des patients lors de leur externalisation vers les chercheurs. Il existe de nombreuses façons d'anonymiser ou de pseudonymiser les dossiers des patients, mais elles sont imparfaites et peuvent soit révéler trop d'informations sur quelqu'un, les rendant identifiables, soit ne pas révéler suffisamment d'informations sur leurs cas, rendant difficile l'obtention d'informations précises sur les maladies.

Avec le chiffrement homomorphique, les hôpitaux peuvent crypter les données des patients de manière homomorphique, facilitant ainsi la protection de la vie privée des patients dans le cloud. Les chercheurs médicaux peuvent effectuer des calculs et exécuter des fonctions analytiques sur les données chiffrées sans compromettre la vie privée des patients. Comme il existe une correspondance 1:1 entre les données chiffrées et les données brutes, les résultats obtenus à partir de l'ensemble de données chiffrées fournissent de vraies informations qui peuvent être appliquées à des cas réels. Le chiffrement homomorphique pourrait accélérer rapidement les progrès de l'industrie de la santé.

Une autre application passionnante pour le chiffrement homomorphique est la formation de l'Intelligence Artificielle (IA). Actuellement, le secteur de l'IA est aux prises avec des préoccupations en matière de confidentialité, qui empêchent les entreprises d'accéder à de nombreux ensembles de données expansifs essentiels pour affiner les algorithmes d'IA. Les entreprises qui forment l'IA doivent choisir entre utiliser des ensembles de données publics limités, payer beaucoup d'argent pour acheter des ensembles de données privés, ou créer des ensembles de données, ce qui est difficile pour les petites entreprises avec moins d'utilisateurs. Le chiffrement homomorphique devrait répondre aux préoccupations en matière de confidentialité qui empêchent de nombreux fournisseurs d'ensembles de données d'entrer sur ce marché. Par conséquent, des améliorations dans le chiffrement homomorphique entraîneront probablement une augmentation du nombre d'ensembles de données disponibles pour former l'IA. Cela rendra la formation de l'IA plus accessible financièrement et raffinée, compte tenu de la diversification accrue des ensembles de données disponibles.

Limitations passées dans le chiffrement entièrement homomorphique

Si le chiffrement pleinement homomorphique (FHE) promet effectivement de transformer les Big Data modernes, pourquoi n'en voyons-nous pas encore plus en action ?

Bien que le chiffrement homomorphique ait été un sujet de discussion et de recherche depuis des années, la réalité est que la mise en œuvre du chiffrement homomorphique dans la pratique est très difficile. Le défi principal réside dans la puissance de calcul nécessaire pour exécuter le chiffrement homomorphique. Un ensemble de données entièrement homomorphiquement sécurisé peut produire des résultats analytiques identiques à sa forme de données brutes. C'est un exploit difficile qui exige des vitesses de calcul et des capacités élevées, dont bon nombre sont impraticables à mettre en œuvre sur les ordinateurs existants. Une opération qui prend habituellement des secondes sur des données brutes pourrait prendre des heures ou des jours sur des ensembles de données chiffrées de manière homomorphique. Ce défi computationnel a créé un cycle auto-entretenu où de nombreux ingénieurs reportent la réalisation de projets de chiffrement homomorphique, ralentissant ainsi son développement et limitant la pleine réalisation de ses avantages.

Un exemple spécifique de problème informatique auquel les ingénieurs sont confrontés avec le FHE est d'adresser le ‘erreur de bruitLorsque des calculs sont effectués sur des ensembles de données chiffrés de manière homomorphique, de nombreux ingénieurs ont rencontré des cas où du bruit ou des erreurs superflus sont produits à chaque fois qu'un calcul est effectué. Cela est tolérable lorsque seulement quelques calculs sont nécessaires, mais après de multiples analyses, le bruit peut devenir si important que les données originales deviennent incompréhensibles. Les données sont pratiquement perdues.

Pourquoi maintenant?

Comme @matthewdwhite/Un-bref-historique-de-l'IA-générative-cb1837e67106">l'IA générative, autrefois considérée comme limitée et primitive avant de devenir grand public, le Chiffrement homomorphique entièrement homomorphique (FHE) est sur une trajectoire similaire. De nombreux leaders de l'industrie, même au-delà de l'espace blockchain, se sont réunis pour organiser de lourdes recherches et développements sur le FHE. Cela a conduit à plusieurs développements récents dans l'industrie, alimentant un récit convaincant pour l'avancement de cette technologie.

Programme DPRIVE

En mars 2021, Microsoft, Intel et l'Agence pour les projets de recherche avancée de défense (DARPA) ont convenu de lancer un programme pluriannuelaccélérer le développement du chiffrement entièrement homomorphique (FHE). Baptisé Protection des données dans les environnements virtuels (DPRIVE), ce programme a marqué une avancée substantielle pour le FHE. Il a mis en avant deux géants de l'industrie spécialisés dans le cloud computing et le matériel informatique, unis pour aborder la confidentialité des données. Ils ont lancé ce programme pour construire des ordinateurs et des logiciels capables de gérer les vitesses de calcul du FHE et établir des lignes directrices pour une mise en œuvre précise du FHE, se protégeant ainsi contre les violations de données pouvant résulter d'une utilisation incorrecte.

Dans le cadre du programme DPRIVE, les ingénieurs se sont attelés à la tâche d'atténuer l'erreur de 'bruit' précédemment mentionnée en explorant des méthodes pour réduire le bruit à des niveaux qui préservent les données brutes. Une solution prometteuse a été de concevoir Taille de mot arithmétique largeLes représentations de données (LAWS). Alors que les processeurs d'ordinateur conventionnels (CPU) utilisent généralement des mots de 64 bits, les ingénieurs développent du matériel novateur capable de traiter des mots de 1024 bits ou plus avec LAWS. Cette approche a été efficace car la recherche indique que des mots plus longs influencent directement le rapport signal/bruit. En d'autres termes, des mots plus longs génèrent moins de bruit à chaque étape de calcul supplémentaire dans FHE, permettant d'exécuter plus de calculs avant d'atteindre le seuil de perte de données. En construisant un nouveau matériel pour relever ces défis, les ingénieurs impliqués dans le programme DPRIVE réduisent considérablement la charge de calcul requise pour exécuter FHE.

Pour accélérer les calculs et se rapprocher de leur objectif de rendre le chiffrement homomorphique 100 000 fois plus rapide, l'équipe de DPRIVE s'est lancée dans un voyage continu pour concevoir de nouveaux systèmes de traitement des données qui surpassent les capacités des unités de traitement et de graphiques conventionnelles. Ils ont développé un nouveau Données multiples, instructions multiplessystème (MIMD) capable de gérer simultanément de nombreuses instructions et ensembles de données. MIMD est analogue à la construction d'une nouvelle autoroute au lieu d'utiliser les routes existantes mal équipées pour accueillir le trafic nécessaire aux calculs rapides en temps réel de FHE.

Ce qui est intéressant à propos du programme DPRIVE, c'est son utilisation extensive de ‘parallélisme' dans les calculs mathématiques informatiques. Cela permet aux développeurs d'effectuer simultanément de multiples calculs sur de grands nombres. Vous pouvez envisager le parallélisme comme le déploiement d'un groupe de mathématiciens pour travailler sur différentes parties d'un énorme problème mathématique en même temps au lieu de les faire travailler les uns après les autres. Bien que l'accomplissement de plusieurs calculs simultanément facilite la résolution rapide des problèmes, les ordinateurs doivent être refroidis à l'air pour éviter la surchauffe.

En septembre 2022, plus d'un an et demi après le lancement du programme, Microsoft, Intel et DARPAannoncéils avaient achevé avec succès la phase 1 du programme DPRIVE. Ils sont actuellement en train d'entreprendre la phase 2 de DPRIVE.

SDKs et bibliothèques open-source

Avec de nombreuses grandes entreprises pionnières dans les avancées en matière de Chiffrement Homomorphique Complet (FHE), il y a eu une augmentation de la disponibilité de kits de développement logiciel (SDK) et de bibliothèques open-source qui permettent aux développeurs de construire sur le travail des autres.

Microsoftannoncéle lancement de Microsoft Seal, une bibliothèque open source qui fournit aux développeurs des outils pour exécuter le chiffrement homomorphique sur des ensembles de données. Cela démocratise l'accès au chiffrement de bout en bout et aux services de calcul, permettant à un plus large éventail de développeurs d'explorer le FHE. La bibliothèque propose des exemples de programmes chiffrés de manière homomorphe, accompagnés de commentaires détaillés, pour guider les développeurs vers une utilisation correcte et sécurisée.

Intel also lancéson propre kit d'outils de chiffrement homomorphique, offrant aux développeurs des outils pour faciliter un chiffrement homomorphique plus rapide dans le cloud. Intel a conçu ce kit de manière flexible, garantissant une compatibilité avec les dernières avancées en matière de traitement des données et de calcul. Il comprend des fonctions spécialisées adaptées à la cryptographie sur réseau, des intégrations pour un fonctionnement transparent avec Microsoft Seal, des exemples de schémas chiffrés de manière homomorphique et des documents techniques pour guider les utilisateurs.

Google’s Joindre et calculer en privéLa bibliothèque open-source fournit aux développeurs des outils de calcul multipartite (MPC). Cette méthode de calcul permet aux parties d'obtenir des informations partagées en combinant leurs différents ensembles de données sans exposer leurs données brutes les unes aux autres. Private Join and Compute fusionne les techniques cryptographiques de FHE avec l'intersection d'ensembles privés (PSI) pour optimiser les pratiques de confidentialité des données. PSI, une autre méthode cryptographique, permet aux parties avec des ensembles de données distincts d'identifier les éléments ou points de données communs sans révéler leurs données. L'approche de Google pour faire progresser la confidentialité des données ne se concentre pas uniquement sur le FHE ; elle donne la priorité au concept plus large de MPC en intégrant le FHE avec d'autres pratiques de données impactantes.

La disponibilité croissante de bibliothèques open-source réputées pour le chiffrement homomorphique est remarquable. Cependant, cela devient encore plus convaincant lorsqu'on observe des entreprises réputées expérimenter avec ces bibliothèques dans leurs opérations. En avril 2021, Nasdaq, une bourse renommée et une entité technologique mondiale pour les marchés de capitaux, incorporéLe Nasdaq a intégré le chiffrement homomorphique dans ses opérations. En utilisant les outils FHE d'Intel et un processeur haute vitesse, le Nasdaq a combattu la criminalité financière par le biais d'efforts de lutte contre le blanchiment d'argent et de détection de la fraude. Cela a été réalisé en utilisant le chiffrement homomorphique pour identifier des informations précieuses et des activités potentiellement illicites dans des ensembles de données contenant des informations sensibles.

Levées de fonds récentes

En plus des recherches et développements menés par les entreprises mentionnées précédemment, plusieurs autres sociétés ont récemment obtenu des tours de financement importants pour des initiatives axées sur le Chiffrement homomorphique complet (FHE)

Cornami, une grande entreprise technologique, est célèbre pour avoir été à l'avant-garde du développement de la technologie de cloud computing évolutive conçue spécifiquement pour le chiffrement homomorphique. Ils sont engagés dans de nombreuses initiatives visant à créer des systèmes informatiques prenant en charge le FHE de manière plus efficace que les CPU conventionnels. Ils dirigent également des initiatives visant à protéger les données chiffrées contre les menaces posées par l'informatique quantique. En mai 2022, Cornami annoncéune levée de fonds réussie de la série C, sécurisant 68 millions de dollars dirigée par Softbank et portant son capital total levé à 150 millions de dollars.

Zamaest une autre entreprise du secteur de la blockchain qui construit des outils de chiffrement homomorphique open-source que les développeurs peuvent exploiter pour construire des applications passionnantes en utilisant le FHE, la blockchain et l'IA. Zama a mis en place une Machine Virtuelle Ethereum Entièrement Homomorphique (fhEVM) dans le cadre de ses offres de produits. Ce protocole de contrat intelligent permet aux données de transaction on-chain de rester chiffrées pendant le traitement. Les développeurs explorant diverses applications avec la bibliothèque de Zama ont été impressionnés par les performances, même dans des cas d'utilisation complexes. Zama fermé avec succèsson tour de financement de série A de 42 millions de dollars en février 2022, dirigé par Protocol Labs, portant son capital total levé à 50 millions de dollars.

Fhenixest également un projet émergent qui apporte le chiffrement homomorphique à la blockchain. Leur objectif est d'étendre les applications du chiffrement homomorphique au-delà des paiements confidentiels, ouvrant la voie à des opportunités passionnantes cas d'utilisation du chiffrement homomorphique dans des domaines tels que la finance décentralisée (DeFi), le pontage, le vote de gouvernance et les jeux Web3. En septembre 2023, Fhenix annoncéla clôture de sa levée de fonds de démarrage de 7 millions de dollars, dirigée par Multicoin Capital et Collider Ventures.

Quel est le prochain?

Pendant des années, le chiffrement homomorphique complet (FHE) est resté une idée promettant un chiffrement de bout en bout robuste, annonçant un avenir de forte confidentialité des données. Les développements récents commencent à faire passer le FHE d'un rêve théorique à une réalité pratique. Bien que diverses entreprises soient en concurrence pour être les premières à mettre en œuvre la première version robuste et entièrement fonctionnelle du FHE, beaucoup collaborent pour naviguer ensemble dans les complexités de cette technologie redoutable. Cet esprit collaboratif est évident à travers leur mise en œuvre de différents programmes inter-équipes et le développement de bibliothèques open source qui s'intègrent avec d'autres bibliothèques.

D'après mes découvertes, la discussion entourant le chiffrement homomorphique semble être vaste. Au cours des prochaines semaines, je suis impatient d'approfondir mes recherches, en partageant de nouvelles perspectives issues de mes recherches sur le chiffrement homomorphique. Plus précisément, je suis impatient d'explorer davantage de sujets tels que:

• Applications émergentes de FHE.
• L'interaction entre les Preuves de Connaissance Zéro (ZKPs) et le FHE.
• Intégration du chiffrement homomorphique avec l'intersection privée des ensembles (PSI) pour faire progresser le calcul sécurisé multi-parties (MPC).
• Les nouvelles entreprises, telles que Zama et Fhenix, qui sont à la pointe des développements en chiffrement homomorphique.
  

Citations :

Arampatzis, Anastasios. “Derniers développements en chiffrement homomorphique.” Venafi, 1 févr. 2022, venafi.com/blog/what-are-latest-developments-chiffrement homomorphique-ask-experts/.

Arampatzis, Anastasios. “Qu'est-ce que le chiffrement homomorphique & comment est-il utilisé.” Venafi, 28 avril 2023,venafi.com/blog/Chiffrement homomorphique-what-it-and-how-it-used/.

“Construction de matériel permettant des protections continues des données.” DARPA, 2 mars 2020,www.darpa.mil/news-events/2020-03-02.

Cristobal, Samuel. "Chiffrement homomorphique complet : le Graal de la cryptographie." Datascience.Aero, 7 janv. 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

"Chiffrement homomorphique : qu'est-ce que c'est et pourquoi est-ce important ?" Société Internet, 9 mars 2023,www.internetsociety.org/resources/doc/2023/Chiffrement homomorphique/.

Hunt, James. "FHENIX Raises $7 Million in Seed Round Led by Multicoin Capital." The Block, The Block, 26 Sept. 2023, www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

« Kit de chiffrement homomorphique Intel® ». Intel, www.intel.com/content/www/us/fr/developer/tools/chiffrement-homomorphique/overview.html#gs.fu55im.Accédé le 8 oct. 2023.

"Intel va collaborer avec Microsoft sur le PROGRAMME DARPA." Intel, 8 mars 2021,www.intel.com/content/www/us/fr/salle-de-presse/actualites/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

"Intel Xeon fait progresser la R&D en chiffrement homomorphique de NASDAQ." Intel, 6 avr. 2021,www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-chiffrement homomorphique-rd.html#gs.6mpgme.

Johnson, Rick. "Intel Completes DARPA DPRIVE Phase One Milestone for a Fully Homomorphic Encryption Platform." Intel, 14 sept. 2022,community.intel.com/t5/Blogs/Products-and-Solutions/HPC/Intel-Completes-DARPA-DPRIVE-Phase-One-Milestone-for-a-Fully/post/1411021.

« Sceau Microsoft : bibliothèque de chiffrement homomorphique rapide et facile à utiliser. » Microsoft Research, 4 janv. 2023,www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr. Pascal. "Chiffrement homomorphique intégral : le Graal de la cryptographie." Business Age, 9 mars 2023, www.businessage.com/post/fully-homomorphic-encryption-the-holy-grail-of-cryptography

Samani, Kyle. “L'aube de FHE on-chain.” Multicoin Capital, 26 sept. 2023, multicoin.capital/2023/09/26/the-dawn-of-on-chain-fhe/.

Walker, Amanda, et al. “Aider les organisations à en faire plus sans collecter plus de données.” Blog Google en sécurité en ligne, 19 juin 2019,security.googleblog.com/2019/06/aider-les-organisations-a-en-faire-plus-sans-collecter-plus-de-donnees.html.

“Qu'est-ce que le chiffrement pleinement homomorphique ?” Inpher, 11 avr. 2021, inpher.io/technology/what-is-fully-homomorphic-encryption/.

White, Matt. “A Brief History of Generative AI.” Medium, 8 juillet 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb1837e67106#:~:text=Although%20most%20people%20will%20admit,of%20Stability%20AI’s%20Stable%20Diffusion.

Avertissement：

1. Cet article est repris de [ @mustafa.hourani/expliquer-la-recente-ascension-du-chiffrement-homomorphique-complet-dans-lindustrie-de-la-chaine-de-blocs-c7081fa05458">Medium]. Transférer le titre original 'Expliquer la récente montée du chiffrement entièrement homomorphique dans l'industrie de la blockchain'. Tous les droits d'auteur appartiennent à l'auteur original [Mustafa Hourani]. Si des objections existent à cette réimpression, veuillez contacter le Portail Apprendrel'équipe s'en occupera rapidement.
2. Clause de non-responsabilité: Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent aucun conseil en investissement.
3. Les traductions de l'article dans d'autres langues sont réalisées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdite.