本阶段课程
  1. AI 与 Web3 的应用分工
  2. x402 与 API 付款
  3. ERC-8004 与智能体身份
  4. AP2 与智能体商务授权
  5. 数字身份与真人证明
  6. zkTLS 与可验证链下数据
  7. FHE、MPC、TEE 与隐私计算
  8. 后量子签名与账户迁移
  9. InfoFi 与注意力激励
  10. DeSci、科研资助与知识产权
  11. 可信执行环境与远程证明
  12. 可验证凭证 · 签发、出示与撤销
本篇目录

阶段 09 · 第 7 / 12 课

隐私计算与 FHE:数据不公开,能否仍参与链上计算

← 学习总目录 · 近期热点导航

学习目标:区分 FHE、ZK、MPC 与 TEE,理解密文计算、结果正确性和解密权限是不同问题。

建议先读:零知识证明、MPC 钱包、AI + Web3。

选题依据:2025 行业报告明确提及隐私相关搜索关注上升,2026 展望继续强调隐私;这只支持赛道层面的关注,不证明 FHE 在当前搜索榜中的位置。Zama 官方资料核验日期:2026-11-09。

先看一个场景

若几个机构想统计总量但保留各自数据,方案要说明谁能计算、谁能验证、谁能解密。

读完试一试

按输入可见性、计算信任、输出权限比较两种技术。


1. 公开账本为什么需要隐私能力

公开状态便于验证,但工资、企业订单、身份资料和商业报价不一定适合公开。使用地址替代姓名,也不能保证无法通过交易和行为关联到现实主体。

隐私系统要回答的不只是“数据有没有加密”,还包括谁能看到输入、计算过程、输出、调用关系和时间,以及谁有权解密。

2. FHE 的基本直觉

FHE(Fully Homomorphic Encryption,全同态加密)允许在密文上进行所支持的计算,解密结果与在明文上执行对应计算一致,前提是按正确方案和参数操作。

教学表达如下:

Enc(20) 与 Enc(30)
    ↓ 在密文上执行加法
得到 Enc(50) 形式的结果
    ↓ 经授权解密
50

计算者可以在不直接读取 20 和 30 的情况下完成加法。但密文不能按普通整数加法随意拼接,实际运算需要相应密码库、密文类型与参数。

3. 四类技术怎样分工

技术 主要能力 主要需要评估的边界
FHE 在密文上执行计算 计算开销、支持运算、解密密钥
ZK 证明某个关系或计算满足约束 约束完整性、公开输入和证明成本
MPC 多方在不直接公开各自输入下协作 串谋阈值、交互与可用性
TEE 在硬件隔离环境运行程序 硬件与证明体系、实现与侧信道

这些技术可以组合。FHE 保护输入机密性,不自动替你证明不可信执行者确实完成正确计算;系统仍需要相应验证或信任机制。

4. 保密投票的流程例子

flowchart LR
    A[投票者加密选择] --> B[验证输入与资格]
    B --> C[在密文上累计票数]
    C --> D[按规则请求解密总计]
    D --> E[发布结果与可核验信息]

如果允许任意密文输入,恶意用户可能提交不在有效范围的票值,所以还要约束“每票是 0 或 1”等规则。隐私不能替代业务合法性检查。

只公开总票数也可能泄露信息:当一组只有一个人,结果就透露了个人选择;连续公布过细的增量也可能使人推断单个用户行为。

5. 解密权限比“加密”两个字更重要

解密可以由单方控制,也可以依赖阈值参与者。应查谁能请求、谁能批准、是否限制结果类型、密钥轮换如何处理,以及参与者停机后怎么办。

Zama 文档介绍保密应用、FHEVM、加密类型和访问控制等能力。实际架构可能同时包含链上与链下组件,不应想象成普通 EVM 在完全没有额外基础设施的情况下免费处理所有密文计算。

6. 开发与性能的现实约束

密文运算一般有额外成本和延迟,排序、比较、复杂分支等操作也可能需要特定设计。应先明确哪些字段需要保密,再选择技术,而不是默认加密全部状态最合适。

公开地址、交易时间、交互合约和 Gas 消耗等元数据仍可能暴露模式。产品应明确保护范围,不使用“绝对匿名”概括整个系统。

隐私能力也不等于绕过业务权限:工资系统可以对外隐藏金额,同时让员工查看自己的明细、让有权限的会计查看必要汇总。

7. 自测与参考答案

问题:数据全程加密,是否可以省略对恶意输入的检查?

答案:不能。加密后的非法输入仍可能影响结果,需要范围约束、资格验证或相应证明。

练习:设计一个保密工资系统,分别标出员工、公司、计算服务和解密参与者能看到什么,列出不能泄露的元数据。

8. 官方资料与继续搜索


← 学习总目录 · 近期热点导航 · 回到顶部

记录本课进度

完成练习后标记。进度保存在当前浏览器。

搜索课程