Meneruskan Judul Asli 'Menjelaskan Kenaikan Terbaru Enkripsi Homomorfik Penuh di Industri Blockchain'

Memperkenalkan Enkripsi Homomorfik Penuh (FHE): Sebuah eksplorasi tentang aplikasi menariknya, batasan, dan perkembangan terbaru yang mendorong popularitasnya.

Ketika saya pertama kali mendengar tentang 'Enkripsi Homomorphic Penuh' (FHE), saya merasa heran tentang kecenderungan ruang blockchain untuk memberikan nama-nama panjang kepada konsep-konsep tren. Kami telah mengalami sejumlah buzzword yang telah mengguncang industri selama bertahun-tahun, yang terbaru adalah 'bukti pengetahuan nol' (ZKPs).

Setelah melakukan penggalian dan menjelajahi perusahaan baru yang membangun produk dengan FHE, saya melihat cakrawala yang dipenuhi dengan seperangkat alat baru yang brilian. Dalam beberapa bulan dan tahun mendatang, FHE bisa menjadi teknologi besar berikutnya untuk mengambil industri dengan badai seperti yang dilakukan ZKP.

Perusahaan sedang memanfaatkan kemajuan terbaru di berbagai bidang kriptografi dan komputasi awan untuk membuka jalan menuju masa depan yang kuat, menjaga privasi data. Pertanyaannya bukan lagi apakah kita akan sampai di sana tetapi kapan, dan saya percaya FHE bisa menjadi katalis penting untuk memajukan privasi data dan kepemilikan.

Dalam beberapa minggu ke depan, saya akan tenggelam dalam mempelajari lebih lanjut tentang FHE dan meneliti batasannya, potensi, dan aplikasinya. Saya akan membagikan temuan saya dalam serangkaian artikel yang meneliti berbagai aspek dari dialog seputar FHE. Pekan ini, saya akan memperkenalkan teknologi ini dan membahas mengapa baru-baru ini menarik banyak perhatian. Banyak orang di industri sedang membicarakannya, termasuk Kyle Samani dari Multicoin Capital, yang mengatakan hal berikut:

"FHE adalah holy grail dari kriptografi. Seiring waktu, FHE akan membentuk kembali struktur dari semua komputasi, baik di web2 maupun web3."

Apa itu Enkripsi Homomorphic?

Mengatasi masalah yang sangat jelas, langkah bijak akan dimulai dengan memahami apa arti 'homomorfik' itu. Melacak akarnya, homomorfisme berasal dari matematika dandidefinisikansebagai peta antara dua struktur aljabar dari jenis yang sama yang mempertahankan komponen inti di antara mereka.

Jika Anda seperti saya dan lebih memilih definisi yang lebih praktis, prinsip mendasar di balik matematika adalah bahwa dua kelompok tidak perlu identik untuk memiliki properti inti yang sama. Sebagai contoh, bayangkan dua kotak buah, masing-masing sesuai dengan kelompok yang berbeda:

Kotak A berisi buah-buahan berukuran kecil.
Kotak B berisi buah-buahan berukuran besar.

Meskipun buah-buahan individu berbeda dalam ukuran, memeras apel kecil dan jeruk bersama-sama di Kotak A menghasilkan jus campuran dengan rasa yang sama dengan memeras apel besar dan jeruk bersama-sama di Kotak B. Memeras buah-buahan hingga menghasilkan rasa yang sama analog dengan mempertahankan komponen inti antara kedua kotak. Dengan asumsi bahwa rasa yang identik adalah kekhawatiran utama kita, tidak masalah dari kotak mana kita memeras buah-buahan karena kuantitas jus yang lebih besar/lebih kecil bukanlah fokus utama kita. Kelompok-kelompok tersebut setara di mana itu penting (rasa) sehingga perbedaan di antara mereka (ukuran dan kuantitas) tidak berdampak pada fungsi utama mereka, yang kita definisikan sebagai memproduksi rasa jus buah tertentu.

Membuat perbandingan dengan homomorfisme, kami telah menangkap dua fitur utamanya:

1. Pemetaan: Kami membentuk hubungan antara buah-buahan di mana setiap buah kecil di Kotak A sesuai dengan versi yang lebih besar di Kotak B. Jadi, apel kecil di Kotak A sesuai dengan apel besar di Kotak B, dan seterusnya.
2. Pelestarian Operasi: Jika memeras dua buah kecil di Kotak A menghasilkan rasa tertentu, memeras versi yang lebih besar yang sesuai di Kotak B seharusnya menghasilkan rasa yang sama. 'Profil rasa' tetap terjaga meskipun perbedaan dalam ukuran dan jumlah jus yang diperoleh.

Apa itu Enkripsi Homomorphic Penuh?

Mengaitkan ini kembali ke topik sentral artikel ini, enkripsi homomorfik lengkap(FHE) adalah metode enkripsi data khusus yang memungkinkan orang untuk melakukan komputasi pada data terenkripsi tanpa menyingkapkan data mentah. Secara teoritis, analisis dan perhitungan yang dilakukan pada data terenkripsi seharusnya menghasilkan hasil yang identik dengan yang dilakukan pada data mentah. Dengan FHE, kita membentuk koneksi 1:1 antara data dalam set data terenkripsi yang sesuai dengan data dalam set data mentah. Komponen inti yang dipertahankan, dalam hal ini, adalah kemampuan untuk melakukan perhitungan apa pun pada data dari salah satu set dan menghasilkan hasil yang sama.

Untuk konteksnya, banyak perusahaan sudah mengambil langkah pencegahan untuk melindungi data pengguna dan menjaga privasi diferensial. Perusahaan jarang menyimpan data di cloud atau dalam basis data mereka dalam bentuk mentah, tidak terenkripsi. Oleh karena itu, bahkan jika penyerang mengendalikan server perusahaan, mereka masih harus melewati enkripsi untuk membaca dan mengakses data. Namun, data tidak menarik ketika hanya berada di sana, terenkripsi dan tidak digunakan. Ketika perusahaan ingin melakukan analisis data untuk mendapatkan wawasan berharga, mereka tidak memiliki pilihan yang baik selain mendekripsi data ini. Ketika dideskripsi, data menjadi rentan. Namun, melalui enkripsi ujung ke ujung, FHE menjadi sangat berguna karena kita tidak perlu lagi mendekripsi data untuk menganalisanya; ini hanya sebagian kecil dari apa yang mungkin dilakukan.

Pertimbangan penting adalah apakah perusahaan seharusnya diizinkan untuk membaca dan menyimpan informasi pribadi kita pada awalnya. Tanggapan standar terhadap hal ini oleh banyak orang adalah bahwa perusahaan perlu melihat data kita untuk memberikan layanan yang lebih baik kepada kita.

Jika YouTube tidak menyimpan data seperti riwayat tontonan dan pencarian saya, algoritma tidak dapat beroperasi sepenuhnya dan menunjukkan kepada saya video yang saya minati. Untuk alasan ini, banyak orang telah mempertimbangkan keseimbangan antara privasi data dan mendapatkan layanan yang lebih baik layak dilakukan. Namun, dengan FHE, kita tidak perlu lagi melakukan keseimbangan ini. Perusahaan seperti YouTube dapat melatih algoritma mereka pada data terenkripsi dan menghasilkan hasil yang identik bagi pengguna akhir tanpa melanggar privasi data. Secara khusus, mereka dapat mengenkripsi secara homomorfik informasi seperti riwayat tontonan dan pencarian saya, menganalisanya tanpa melihatnya karena terenkripsi, dan kemudian menunjukkan kepada saya video yang saya minati berdasarkan analisis tersebut.

FHE adalah langkah penting menuju membangun masa depan di mana data kita tidak lagi menjadi komoditas berharga yang harus kita kompromikan dengan memberikannya secara bebas kepada organisasi.

Aplikasi Enkripsi Homomorfik Penuh

Enkripsi Homomorphic Penuh (FHE) yang diterapkan dengan benar adalah terobosan bagi semua sektor yang menyimpan data pengguna. Kami sedang melihat sebuah teknologi yang bisa mengubah seluruh sikap kita terhadap privasi data dan batas-batas pelanggaran yang dapat diterima oleh perusahaan.

Mari mulai dengan memeriksa bagaimana FHE bisa mengubah praktik data dalam industri kesehatanBanyak rumah sakit menyimpan catatan pribadi pasien yang disimpan dalam database mereka, yang harus mereka jaga kerahasiaannya karena alasan etis dan hukum. Namun, informasi ini berharga bagi peneliti medis eksternal yang dapat menganalisis data ini untuk menyimpulkan wawasan signifikan tentang penyakit dan penyembuhan potensial. Kendala utama yang memperlambat penelitian adalah menjaga kerahasiaan total data pasien saat mengalihkan tugas tersebut kepada peneliti. Ada banyak cara untuk membuat anonim atau mengepalsukan catatan pasien. Namun, cara tersebut tidak sempurna dan dapat mengungkapkan terlalu banyak tentang seseorang, membuat mereka dapat diidentifikasi, atau tidak mengungkapkan cukup tentang kasus mereka, sehingga sulit untuk mendapatkan wawasan yang akurat tentang penyakit.

Dengan FHE, rumah sakit dapat mengenkripsi data pasien secara homomorfik, membuat perlindungan privasi pasien di awan lebih mudah. Peneliti medis dapat melakukan perhitungan dan menjalankan fungsi analitis pada data yang terenkripsi tanpa mengorbankan privasi pasien. Karena ada pemetaan 1:1 antara data terenkripsi dan mentah, hasil yang diperoleh dari kumpulan data terenkripsi memberikan wawasan nyata yang dapat diterapkan pada kasus-kasus aktual. FHE bisa mempercepat kemajuan dalam industri kesehatan dengan cepat.

Aplikasi menarik lain untuk Enkripsi Homomorphic (FHE) adalah pelatihan Kecerdasan Buatan (AI). Saat ini, sektor AI berjuang dengan kekhawatiran privasi, yang menghambat perusahaan untuk mengakses banyak kumpulan data yang luas yang penting untuk penyempurnaan algoritma AI. Perusahaan yang melatih AI harus memilih antara menggunakan kumpulan data publik yang terbatas, membayar banyak uang untuk membeli kumpulan data pribadi, atau membuat kumpulan data, yang menantang bagi perusahaan kecil dengan sedikit pengguna. FHE seharusnya mengatasi kekhawatiran privasi yang mencegah banyak penyedia kumpulan data memasuki pasar ini. Oleh karena itu, peningkatan dalam FHE kemungkinan akan menyebabkan peningkatan jumlah kumpulan data yang tersedia untuk melatih AI. Ini akan membuat pelatihan AI lebih terjangkau secara finansial dan disempurnakan, mengingat diversifikasi yang meningkat dari kumpulan data yang tersedia.

Keterbatasan Terdahulu dalam Enkripsi Homomorfik Penuh

Jika Enkripsi Homomorfik Penuh (FHE) memang menjanjikan untuk mengubah Big Data zaman sekarang, mengapa kita belum melihat lebih banyak aksi darinya?

Meskipun Enkripsi Homomorphic telah menjadi topik yang dibahas dan diteliti selama bertahun-tahun, kenyataannya adalah bahwa mengimplementasikan Enkripsi Homomorphic dalam praktik sangat sulit. Tantangan inti terletak pada daya komputasi yang diperlukan untuk menjalankan Enkripsi Homomorphic. Sebuah dataset yang sepenuhnya homomorphically secure dapat menghasilkan hasil analitis yang identik dengan bentuk data mentahnya. Ini merupakan prestasi yang menantang dan menuntut kecepatan dan kemampuan komputasi yang tinggi, banyak di antaranya tidak praktis untuk diimplementasikan pada komputer-komputer yang ada. Sebuah operasi yang biasanya membutuhkan detik pada data mentah bisa memakan waktu berjam-jam atau berhari-hari pada dataset data yang terenkripsi secara homomorphically. Tantangan komputasi ini telah menciptakan siklus yang self-perpetuating di mana banyak insinyur menunda pelaksanaan proyek Enkripsi Homomorphic, yang akhirnya memperlambat perkembangannya dan membatasi realisasi penuh manfaatnya.

Sebuah contoh spesifik dari masalah komputasi yang dihadapi oleh insinyur dengan FHE adalah menangani ‘kesalahan noise’Ketika melakukan perhitungan pada set data yang dienkripsi secara homomorfik, banyak insinyur menghadapi situasi di mana noise atau kesalahan ekstraneous diproduksi setiap kali perhitungan dilakukan. Hal ini dapat ditoleransi ketika hanya beberapa perhitungan yang diperlukan, tetapi setelah beberapa analisis, noise dapat menjadi begitu mencolok sehingga data asli menjadi tidak dapat dimengerti. Data tersebut praktis hilang.

Mengapa Sekarang?

Seperti @matthewdwhite/sejarah-singkat-ai-generatif-cb1837e67106">AI generatif, yang dulunya dianggap terbatas dan primitif sebelum menjadi populer, Enkripsi Homomorfik Penuh (FHE) sedang menuju kemajuan serupa. Banyak pemimpin industri, bahkan yang melampaui ruang blockchain, telah berkumpul untuk mengatur penelitian dan pengembangan intensif ke dalam FHE. Hal ini telah menyebabkan beberapa perkembangan industri terbaru, mendorong narasi yang meyakinkan untuk kemajuan teknologi ini.

Program DPRIVE

Pada Maret 2021, Microsoft, Intel, dan Defense Advanced Research Projects Agency (DARPA) sepakat untuk meluncurkan sebuahprogram multi-tahununtuk mempercepat pengembangan Enkripsi Homomorfik Penuh (FHE). Dinamai Perlindungan Data di Lingkungan Virtual (DPRIVE), program ini menandakan kemajuan substansial bagi FHE. Ini memamerkan dua raksasa industri yang mengkhususkan diri dalam komputasi awan dan perangkat keras komputer, bersatu untuk mengatasi privasi data. Mereka memulai program ini untuk membangun komputer dan perangkat lunak yang mampu mengelola kecepatan komputasi FHE dan untuk menetapkan pedoman untuk implementasi FHE yang akurat, melindungi terhadap pelanggaran data yang mungkin timbul dari penggunaan yang tidak benar.

Sebagai bagian dari program DPRIVE, insinyur telah mengambil tugas untuk mengurangi kesalahan 'noise' yang sebelumnya disebutkan dengan mengeksplorasi metode untuk mengurangi noise ke tingkat yang mempertahankan data mentah. Solusi yang menjanjikan telah dirancang Ukuran Kata Aritmatika Besar (LAWS) representasi data. Sementara prosesor komputer konvensional (CPU) biasanya menggunakan kata 64-bit, insinyur sedang mengembangkan perangkat keras baru yang mampu memproses kata-kata sebesar 1024 bit atau lebih dengan LAWS. Pendekatan ini efektif karena penelitian menunjukkan bahwa kata-kata yang lebih panjang secara langsung mempengaruhi rasio sinyal-ke-noise. Secara sederhana, kata-kata yang lebih panjang menghasilkan lebih sedikit noise dengan setiap langkah komputasi tambahan dalam FHE, memungkinkan untuk lebih banyak perhitungan dieksekusi sebelum mencapai ambang batas kehilangan data. Dengan membangun perangkat keras baru untuk mengatasi tantangan ini, insinyur yang terlibat dalam program DPRIVE secara signifikan mengurangi beban komputasi yang diperlukan untuk menjalankan FHE.

Untuk mempercepat perhitungan dan mendekati tujuan mereka untuk membuat FHE 100.000 kali lebih cepat, tim DPRIVE memulai perjalanan berkelanjutan untuk merancang sistem pemrosesan data baru yang melampaui kemampuan unit pemrosesan dan grafik konvensional. Mereka mengembangkan sebuah baruMultiple Instruction Multiple DataSistem (MIMD) yang mampu secara simultan mengelola sejumlah instruksi dan kumpulan data. MIMD analog dengan membangun jalan super baru daripada menggunakan jalan yang sudah ada namun kurang memadai untuk menampung lalu lintas yang dibutuhkan untuk perhitungan cepat dan real-time dari FHE.

Apa yang menarik tentang program DPRIVE adalah penggunaan ekstensif 'paralelismedalam perhitungan matematika komputer. Hal ini memungkinkan pengembang untuk melakukan beberapa perhitungan angka besar secara bersamaan. Anda dapat menganggap paralelisme sebagai penempatan sekelompok ahli matematika untuk bekerja pada bagian-bagian berbeda dari masalah matematika raksasa secara bersamaan daripada membiarkan masing-masing dari mereka melakukan pekerjaan mereka satu per satu. Meskipun melakukan beberapa perhitungan secara bersamaan memfasilitasi pemecahan masalah dengan cepat, komputer harus didinginkan udara untuk mencegah overheating.

Pada September 2022, lebih dari setahun setengah setelah meluncurkan program, Microsoft, Intel, dan DARPA mengumumkanmereka telah berhasil menyelesaikan Fase 1 program DPRIVE. Saat ini mereka sedang dalam proses menjalani Fase 2 DPRIVE.

SDK dan Perpustakaan Sumber Terbuka

Dengan banyak perusahaan besar memimpin kemajuan dalam Enkripsi Homomorfik Penuh (FHE), telah terjadi lonjakan dalam ketersediaan Software Development Kits (SDK) dan perpustakaan sumber terbuka yang memungkinkan pengembang untuk membangun atas karya orang lain.

Microsoft mengumumkanpeluncuran Microsoft Seal, sebuah perpustakaan sumber terbuka yang menyediakan pengembang dengan alat untuk menjalankan enkripsi homomorfik pada kumpulan data. Hal ini mendemokratisasi akses ke enkripsi ujung ke ujung dan layanan komputasi, memungkinkan sejumlah pengembang untuk menjelajahi FHE. Perpustakaan ini menyediakan contoh program yang dienkripsi secara homomorfik, lengkap dengan komentar yang detail, untuk membimbing pengembang menuju penggunaan yang benar dan aman.

Intel juga diluncurkanToolkit Enkripsi Homomorfik sendiri, menawarkan pengembang alat untuk mempermudah enkripsi homomorfik yang lebih cepat di cloud. Intel merancang toolkit ini secara fleksibel, memastikan kompatibilitas dengan kemajuan pemrosesan data dan komputasi terbaru. Ini mencakup fungsi khusus yang disesuaikan untuk kriptografi lattice, integrasi untuk operasi yang lancar dengan Microsoft Seal, contoh skema yang dienkripsi homomorfik, dan dokumen teknis untuk memandu pengguna.

Google’s Gabung dan Hitung Privatpustaka sumber terbuka ini menyediakan pengembang dengan alat komputasi multi-pihak (MPC). Metode komputasi ini memungkinkan pihak-pihak untuk mendapatkan wawasan bersama dengan menggabungkan set data yang berbeda tanpa mengekspos data mentah mereka satu sama lain. Private Join and Compute menggabungkan teknik kriptografi dari FHE dengan Private Set Intersection (PSI) untuk mengoptimalkan praktik kerahasiaan data. PSI, metode kriptografi lainnya, memungkinkan pihak-pihak dengan dataset yang berbeda untuk mengidentifikasi elemen atau titik data umum tanpa menyingkapkan data mereka. Pendekatan Google terhadap memajukan privasi data tidak hanya berkonsentrasi pada FHE; itu memprioritaskan konsep lebih luas dari MPC dengan mengintegrasikan FHE dengan praktik data berdampak lainnya.

Ketersediaan yang semakin meningkat dari perpustakaan open-source terkemuka untuk FHE patut dicatat. Namun, hal ini menjadi lebih menarik ketika mengamati perusahaan-perusahaan terkemuka yang bereksperimen dengan perpustakaan-perpustakaan ini dalam operasional mereka. Pada April 2021, Nasdaq, bursa saham ternama dan entitas teknologi global untuk pasar modal,tergabungFHE ke dalam operasinya. Dengan menggunakan alat FHE Intel dan prosesor berkecepatan tinggi, Nasdaq menangani kejahatan keuangan melalui upaya anti pencucian uang dan deteksi penipuan. Ini dicapai dengan menggunakan enkripsi homomorfik untuk mengidentifikasi wawasan berharga dan aktivitas yang potensial melanggar hukum dalam kumpulan data yang mengandung informasi sensitif.

Pengumpulan Modal Terbaru

Selain penelitian dan pengembangan yang dilakukan oleh perusahaan-perusahaan yang disebutkan sebelumnya, beberapa perusahaan lain baru-baru ini telah mengamankan putaran pendanaan besar untuk inisiatif yang berfokus pada Enkripsi Homomorfik Penuh (FHE)

Cornami, sebuah perusahaan teknologi besar, dihargai karena memimpin pengembangan teknologi komputasi awan yang dapat diskalakan yang dirancang khusus untuk enkripsi homomorfik. Mereka terlibat dalam berbagai upaya untuk menciptakan sistem komputasi yang mendukung FHE lebih efektif daripada CPU konvensional. Mereka juga mengarahkan inisiatif yang bertujuan melindungi data terenkripsi dari ancaman yang ditimbulkan oleh komputasi kuantum. Pada Mei 2022, Cornami mengumumkanputaran pendanaan Seri C yang sukses, mengamankan $68 juta yang dipimpin oleh Softbank dan meningkatkan total modal yang terkumpul menjadi $150 juta.

Zamaadalah perusahaan lain di industri blockchain yang sedang membangun alat enkripsi homomorfik sumber terbuka yang dapat dimanfaatkan pengembang untuk membangun aplikasi menarik menggunakan FHE, blockchain, dan AI. Zama telah membangun Mesin Virtual Ethereum Homomorfik Penuh (fhEVM) sebagai bagian dari penawarannya. Protokol kontrak pintar ini memungkinkan data transaksi on-chain tetap terenkripsi selama proses. Pengembang yang menjelajahi berbagai aplikasi dengan perpustakaan Zama telah terkesan dengan kinerjanya, bahkan dalam kasus penggunaan yang kompleks. Zama berhasil ditutupPutaran pendanaan Seri A senilai $42 juta pada Februari 2022, dipimpin oleh Protocol Labs, meningkatkan total modal yang berhasil dikumpulkan menjadi $50 juta.

Fhenixjuga merupakan proyek yang sedang berkembang yang membawa FHE ke blockchain. Tujuan mereka adalah untuk memperluas aplikasi FHE di luar pembayaran rahasia, membuka pintu untuk hal yang menarik kasus penggunaandari FHE di bidang seperti keuangan terdesentralisasi (DeFi), jembatan, pemungutan suara tata kelola, dan permainan Web3. Pada September 2023, Fhenix diumumkanpenutupan putaran pendanaan Seed sebesar $7 juta, dipimpin oleh Multicoin Capital dan Collider Ventures.

Apa Selanjutnya?

Selama bertahun-tahun, Enkripsi Homomorphic Penuh (FHE) bertahan sebagai sebuah ide yang menjanjikan enkripsi ujung ke ujung yang tangguh, memperdengarkan masa depan privasi data yang kuat. Perkembangan terkini mulai menggeser FHE dari mimpi teoritis menjadi kenyataan praktis. Meskipun berbagai perusahaan bersaing untuk menjadi perintis dalam menerapkan versi FHE yang tangguh dan sepenuhnya fungsional, banyak yang berkolaborasi untuk menavigasi kompleksitas teknologi yang tangguh ini secara bersama-sama. Semangat kolaboratif ini terlihat melalui implementasi berbagai program lintas tim dan pengembangan perpustakaan sumber terbuka yang terintegrasi dengan perpustakaan lain.

Berdasarkan temuan saya, diskusi seputar Enkripsi Homomorphic terlihat sangat luas. Selama beberapa minggu ke depan, saya sangat antusias untuk lebih mendalami, berbagi wawasan lebih lanjut dari penelitian saya tentang Enkripsi Homomorphic. Secara khusus, saya sangat ingin menjelajahi lebih jauh tentang topik-topik seperti:

• Aplikasi yang sedang berkembang dari FHE.
• Interaksi antara Zero-Knowledge Proofs (ZKPs) dan FHE.
• Mengintegrasikan FHE dengan Private Set Intersection (PSI) untuk memajukan Komputasi Multi-Pihak yang Aman (MPC).
• Perusahaan-perusahaan baru, seperti Zama dan Fhenix, yang menjadi perintis dalam pengembangan di Enkripsi Homomorphic.
  

Kutipan:

Arampatzis, Anastasios. "Perkembangan Terbaru dalam Enkripsi Homomorphic." Venafi, 1 Feb. 2022, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

Arampatzis, Anastasios. "Apa Itu Enkripsi Homomorfik & Bagaimana Menggunakannya." Venafi, 28 Apr. 2023,venafi.com/blog/enkripsi-homomorphic-apa-itu-dan-bagaimana-cara-menggunakannya/.

“Membangun Perangkat Keras untuk Mengaktifkan Perlindungan Data Berkelanjutan.” DARPA, 2 Mar. 2020,www.darpa.mil/news-events/2020-03-02.

Cristobal, Samuel. “Enkripsi Homomorphic Penuh: Holy Grail Kriptografi.” Datascience.Aero, 7 Jan. 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

"Enkripsi Homomorphic: Apa Itu, dan Mengapa Penting?" Internet Society, 9 Mar. 2023, www.internetsociety.org/resources/doc/2023/enkripsi-homomorphic/.

Hunt, James. “FHENIX Mengumpulkan $7 Juta dalam Putaran Pendanaan Awal yang Dipimpin oleh Multicoin Capital.” The Block, The Block, 26 Sept. 2023, www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

"Intel® Enkripsi Homomorphic Toolkit." Intel, www.intel.com/content/www/us/en/developer/tools/enkripsi-homomorphic/overview.html#gs.fu55im.Diakses 8 Okt. 2023.

“Intel akan Berkolaborasi dengan Microsoft dalam PROGRAM DARPA.” Intel, 8 Mar. 2021, www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

“Intel Xeon Mendorong Penelitian dan Pengembangan Enkripsi Homomorphic NASDAQ.” Intel, 6 Apr. 2021,www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-encryption-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.

“Segel Microsoft: Pustaka Enkripsi Homomorphic yang Cepat dan Mudah Digunakan.” Penelitian Microsoft, 4 Jan. 2023,www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr. Pascal. “Enkripsi Homomorphic Penuh: Holy Grail Kriptografi.” Business Age, 9 Mar. 2023,www.businessage.com/post/enkripsi-homomorphic-penuh-sang-suci-dari-kriptografi

Samani, Kyle. “Fajar Enkripsi Homomorphic On-Chain.” Multicoin Capital, 26 Sept. 2023, multicoin.capital/2023/09/26/the-dawn-of-on-chain-fhe/.

Walker, Amanda, dkk. “Membantu Organisasi Melakukan Lebih Banyak Tanpa Mengumpulkan Lebih Banyak Data.” Blog Keamanan Online Google, 19 Juni 2019,security.googleblog.com/2019/06/membantu-organisasi-melakukan-lebih-banyak-tanpa-mengumpulkan-lebih-banyak-data.html.

“Apa Itu Enkripsi Homomorfik Penuh?” Inpher, 11 Apr. 2021, inpher.io/teknologi/apa-itu-enkripsi-homomorfik-penuh/.

White, Matt. "Sejarah Singkat Kecerdasan Buatan Generatif." Medium, 8 Juli 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb1837e67106#:~:text=Meskipun%20sebagian%20besar%20orang%20akan,mengalami%20Diffusi%20Stabil

Disclaimer：

1. Artikel ini dicetak ulang dari [@mustafa.hourani/menjelaskan-kenaikan-terbaru-enkripsi-homomorphic-penuh-di-industri-blockchain-c7081fa05458">Medium]. Meneruskan Judul Asli 'Menguraikan Kenaikan Terbaru Enkripsi Homomorfik Penuh di Industri Blockchain'. Seluruh hak cipta dimiliki oleh penulis asli [Mustafa Hourani]. Jika ada keberatan terhadap cetakan ulang ini, silakan hubungi Belajar Gatetim, dan mereka akan menanganinya dengan segera.
2. Penolakan Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan saran investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau melakukan plagiarisme terhadap artikel yang diterjemahkan dilarang.