Reenviar el Título Original 'Explicando el Reciente Auge del Cifrado Homomórfico Total en la Industria Blockchain'

Presentación del Cifrado Homomórfico Completo (FHE): Una exploración de sus emocionantes aplicaciones, limitaciones y desarrollos recientes que impulsan su popularidad.

Cuando escuché por primera vez sobre el ‘Cifrado homomórfico completo’ (FHE), me pregunté sobre la tendencia del espacio blockchain de asignar nombres largos a conceptos de moda. Hemos encontrado una buena cantidad de palabras de moda que han arrasado con la industria a lo largo de los años, siendo la más reciente ‘pruebas de conocimiento cero’ (ZKPs).

Después de investigar y explorar las nuevas empresas que construyen productos con Cifrado homomórfico, noté un horizonte lleno de una brillante nueva suite de herramientas. En los próximos meses y años, el Cifrado homomórfico podría ser la próxima gran tecnología que arrase en la industria, como lo hicieron las Pruebas de Conocimiento Cero.

Las empresas están aprovechando los avances recientes en diversas áreas de la criptografía y la computación en la nube para allanar el camino hacia un futuro poderoso que preserve la privacidad de los datos. La pregunta no es si llegaremos allí, sino cuándo, y creo que el cifrado homomórfico (FHE) podría ser un catalizador crucial para avanzar en la privacidad y la propiedad de los datos.

En las próximas semanas, me sumergiré en aprender más sobre el cifrado homomórfico (FHE) e investigar sus limitaciones, potencial y aplicaciones. Compartiré mis hallazgos en una serie de artículos que examinan diferentes aspectos del diálogo en torno al FHE. Esta semana, presentaré esta tecnología y discutiré por qué recientemente ha llamado mucho la atención. Muchas personas en la industria están hablando de ello, incluyendo Kyle Samani de Multicoin Capital , quien tuvo esto que decir:

“FHE es el Santo Grial de la criptografía. Con el tiempo, FHE remodelará el tejido de toda la computación, tanto en la web2 como en la web3.”

¿Qué es el cifrado homomórfico?

Abordar el elefante en la habitación, un buen comienzo sería entender qué significa 'homomórfico'. Rastreando sus raíces, el homomorfismo se origina en las matemáticas y es definidocomo un mapa entre dos estructuras algebraicas del mismo tipo que preserva un componente central entre ellas.

Si eres como yo y prefieres una definición más práctica, un principio subyacente detrás de las matemáticas es que dos grupos no necesitan ser idénticos para poseer las mismas propiedades fundamentales. Por ejemplo, imagina dos cajas de fruta, cada una correspondiente a un grupo distinto:

La caja A contiene frutas de tamaño pequeño.
La caja B contiene frutas de gran tamaño.

Aunque las frutas individuales difieren en tamaño, al exprimir una manzana pequeña y una naranja juntas en la Caja A se produce un jugo mixto con el mismo sabor que al exprimir una manzana grande y una naranja juntas en la Caja B. Exprimir las frutas para obtener el mismo sabor es análogo a preservar un componente básico entre ambas cajas. Suponiendo que el sabor idéntico es nuestra principal preocupación, no importa de qué caja saquemos el jugo de las frutas porque una cantidad mayor/menor de jugo no es nuestro enfoque. Los grupos son equivalentes en lo que importa (sabor) de modo que la diferencia entre ellos (tamaño y cantidad) no tiene impacto en su función principal, que definimos como producir un sabor específico de jugo de frutas.

Estableciendo un paralelo con el cifrado homomórfico, hemos capturado sus dos principales características:

1. Mapeo: Establecemos una conexión entre las frutas en la que cada fruta pequeña en la Caja A corresponde a una versión más grande en la Caja B. Entonces, la manzana pequeña en la Caja A corresponde a la manzana grande en la Caja B, y así sucesivamente.
2. Preservación de la Operación: Si exprimir dos frutas pequeñas en la Caja A produce un sabor particular, exprimir sus versiones más grandes correspondientes en la Caja B debería producir el mismo sabor. El 'perfil de sabor' se conserva a pesar de las diferencias en el tamaño y la cantidad del jugo obtenido.

¿Qué es el cifrado homomórfico completo?

Volviendo a relacionar esto con el tema central de este artículo,cifrado homomórfico completo(FHE) es un método específico de cifrado de datos que permite a las personas realizar cálculos con datos cifrados sin revelar los datos en bruto. Teóricamente, el análisis y cálculos realizados en los datos cifrados deberían producir resultados idénticos a los realizados en los datos en bruto. Con FHE, establecemos una conexión 1:1 entre los datos en el conjunto de datos cifrados que corresponden a los datos en el conjunto de datos en bruto. La preservación del componente central, en este caso, es la capacidad de realizar cualquier cálculo en los datos de cualquiera de los conjuntos y producir los mismos resultados.

Para contextualizar, muchas empresas ya toman medidas preventivas para proteger los datos de los usuarios y mantener la privacidad diferencial. Las empresas rara vez almacenan datos en la nube o en sus bases de datos en forma cruda, sin cifrar. Por lo tanto, incluso si los atacantes toman el control de los servidores de una empresa, aún tienen que superar el cifrado para leer y acceder a los datos. Sin embargo, los datos no son interesantes cuando simplemente están ahí, cifrados y sin usar. Cuando las empresas desean realizar análisis de datos para obtener información valiosa, no tienen más opción que descifrar los datos para hacerlo. Cuando se descifran, los datos se vuelven vulnerables. Sin embargo, a través del cifrado de extremo a extremo, el cifrado homomórfico se vuelve muy útil, ya que ya no es necesario descifrar los datos para analizarlos; esto es solo la punta del iceberg de lo que es posible.

Una consideración crucial es si las empresas deberían poder leer y almacenar nuestra información personal en primer lugar. La respuesta estándar a esto por parte de muchos ha sido que las empresas necesitan ver nuestros datos para proporcionarnos mejores servicios.

Si YouTube no almacena datos como mi historial de visualización y búsqueda, el algoritmo no puede operar a su máximo potencial y mostrarme los videos que me interesan. Por esta razón, muchas personas han considerado que el compromiso entre la privacidad de los datos y obtener mejores servicios vale la pena hacerlo. Sin embargo, con FHE, ya no necesitamos hacer este compromiso. Empresas como YouTube pueden entrenar sus algoritmos con datos encriptados y producir resultados idénticos para el usuario final sin infringir en la privacidad de los datos. Específicamente, pueden cifrar homomórficamente información como mi historial de visualización y búsqueda, analizarla sin mirarla ya que está encriptada, y luego mostrarme los videos que me interesan basados en el análisis.

El FHE es un paso significativo hacia la construcción de un futuro en el que nuestros datos ya no sean una mercancía valiosa por la que hacemos el compromiso de ceder libremente a las organizaciones.

Aplicaciones del Cifrado homomórfico completo

El cifrado completamente homomórfico (FHE) aplicado correctamente es un avance para todos los sectores que almacenan datos de usuarios. Estamos ante una tecnología que podría transformar completamente nuestra actitud hacia la privacidad de los datos y los límites de intromisión aceptables por parte de las corporaciones.

Comencemos examinando cómo el cifrado homomórfico podría remodelar las prácticas de datos en industria de la salud. Muchos hospitales tienen registros privados de pacientes almacenados en sus bases de datos, que deben mantener confidenciales por razones éticas y legales. Sin embargo, esta información es valiosa para los investigadores médicos externos que pueden analizar estos datos para deducir ideas significativas sobre enfermedades y posibles curas. Un obstáculo importante que ralentiza la investigación es mantener la total confidencialidad de los datos de los pacientes cuando se externaliza a los investigadores. Hay muchas formas de anonimizar o pseudonimizar los registros de pacientes. Aún así, son imperfectos y pueden revelar demasiado sobre alguien, haciéndolos identificables, o no revelar suficiente sobre sus casos, lo que dificulta obtener ideas precisas sobre las enfermedades.

Con el FHE, los hospitales pueden cifrar los datos de los pacientes de forma homomórfica, facilitando la protección de la privacidad de los pacientes en la nube. Los investigadores médicos pueden realizar cálculos y ejecutar funciones analíticas sobre los datos cifrados sin comprometer la privacidad de los pacientes. Dado que existe una correspondencia de 1:1 entre los datos cifrados y sin procesar, los resultados obtenidos a partir del conjunto de datos cifrados proporcionan ideas reales que se pueden aplicar a casos reales. El FHE podría acelerar rápidamente los avances en la industria de la salud.

Otra aplicación emocionante para el cifrado homomórfico es el entrenamiento de Inteligencia Artificial (IA). Actualmente, el sector de la IA lucha con preocupaciones de privacidad, que impiden a las empresas acceder a muchos conjuntos de datos expansivos esenciales para refinar los algoritmos de IA. Las empresas que entrenan IA deben elegir entre usar conjuntos de datos públicos limitados, pagar mucho dinero para comprar conjuntos de datos privados o crear conjuntos de datos, lo cual es un desafío para las empresas más pequeñas con menos usuarios. El cifrado homomórfico debería abordar las preocupaciones de privacidad que impiden que muchos proveedores de conjuntos de datos ingresen a este mercado. Por lo tanto, las mejoras en el cifrado homomórfico probablemente llevarán a un aumento en la cantidad de conjuntos de datos disponibles para entrenar la IA. Esto hará que el entrenamiento de IA sea más accesible financieramente y refinado, dada la mayor diversificación de conjuntos de datos disponibles.

Limitaciones pasadas en el cifrado homomórfico completo

Si el Cifrado Homomórfico Total (FHE) realmente promete transformar los datos masivos de la actualidad, ¿por qué aún no lo hemos visto más en acción?

Si bien el cifrado homomórfico ha sido un tema del que la gente ha discutido e investigado durante años, la realidad es que implementar el cifrado homomórfico en la práctica es muy difícil. El desafío principal radica en la potencia computacional necesaria para ejecutar el cifrado homomórfico. Un conjunto de datos completamente seguro homomórficamente puede producir resultados analíticos idénticos a su forma de datos sin procesar. Esto es una hazaña desafiante y demanda velocidades y capacidades de cálculo elevadas, muchas de las cuales son imprácticas de implementar en computadoras existentes. Una operación que normalmente lleva segundos en datos sin procesar podría llevar horas o días en conjuntos de datos cifrados homomórficamente. Este desafío computacional ha creado un ciclo de auto-perpetuación donde muchos ingenieros están posponiendo la realización de proyectos de cifrado homomórfico, lo que ralentiza consecuentemente su desarrollo y limita la plena realización de sus beneficios.

Un ejemplo específico del problema computacional al que se enfrentan los ingenieros con el cifrado homomórfico es abordar el ‘error de ruidoAl realizar cálculos en conjuntos de datos cifrados homomórficamente, muchos ingenieros se han encontrado con instancias en las que se producen ruido o errores superfluos cada vez que se realiza un cálculo. Esto es tolerable cuando solo se necesitan un par de cálculos, pero después de múltiples análisis, el ruido puede volverse tan prominente que los datos originales se vuelven incomprensibles. Los datos están virtualmente perdidos.

¿Por qué ahora?

Como @matthewdwhite/a-brief-history-of-generative-ai-cb1837e67106">generative AI, una vez considerada limitada y primitiva antes de convertirse en algo común, el cifrado homomórfico total (FHE) está en una trayectoria hacia un progreso similar. Muchos líderes de la industria, incluso aquellos que van más allá del espacio de la cadena de bloques, se han reunido para organizar una intensa investigación y desarrollo en FHE. Esto ha dado lugar a varios desarrollos recientes en la industria, impulsando una narrativa convincente para el avance de esta tecnología.

Programa DPRIVE

En marzo de 2021, Microsoft, Intel y la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) acordaron lanzar un programa plurianualpara acelerar el desarrollo del Cifrado homomórfico Totalmente (FHE). Nombrado Protección de Datos en Entornos Virtuales (DPRIVE), este programa significó una progresión sustancial para FHE. Mostró a dos gigantes de la industria especializados en computación en la nube y hardware informático, unidos para abordar la privacidad de los datos. Iniciaron este programa para construir computadoras y software capaces de gestionar las velocidades de computación de FHE y establecer pautas para una implementación precisa de FHE, protegiéndose contra las violaciones de datos que puedan surgir por un uso incorrecto.

Como parte del programa DPRIVE, los ingenieros se han embarcado en la tarea de mitigar el mencionado 'error de ruido' explorando métodos para reducir el ruido a niveles que preserven los datos en bruto. Una solución prometedora ha sido diseñar Tamaño de palabra aritmética grandeLas representaciones de datos de (LAWS). Mientras que los procesadores de computadora convencionales (CPUs) suelen usar palabras de 64 bits, los ingenieros están desarrollando hardware novedoso capaz de procesar palabras de 1024 bits o más con LAWS. Este enfoque ha sido efectivo porque la investigación indica que palabras más largas influencian directamente la relación señal-ruido. En pocas palabras, las palabras más largas generan menos ruido con cada paso computacional adicional en FHE, lo que permite realizar más cálculos antes de alcanzar el umbral de pérdida de datos. Al construir nuevo hardware para abordar estos desafíos, los ingenieros involucrados en el programa DPRIVE reducen sustancialmente la carga computacional requerida para ejecutar FHE.

Para acelerar los cálculos y acercarse a su objetivo de hacer que el cifrado homomórfico sea 100,000 veces más rápido, el equipo de DPRIVE emprendió un viaje continuo para diseñar nuevos sistemas de procesamiento de datos que superen las capacidades de las unidades de procesamiento y gráficos convencionales. Desarrollaron un nuevo Múltiples Instrucciones, Múltiples DatosSistema (MIMD) capaz de gestionar simultáneamente numerosas instrucciones y conjuntos de datos. MIMD es análogo a la construcción de una nueva autopista en lugar de utilizar carreteras existentes mal equipadas para dar cabida al tráfico necesario para cálculos rápidos y en tiempo real de FHE.

Lo interesante del programa DPRIVE es su uso extensivo de ‘paralelismoen cálculos matemáticos de computadora. Esto permite a los desarrolladores realizar múltiples cálculos de números grandes simultáneamente. Puedes pensar en el paralelismo como desplegar un grupo de matemáticos para trabajar en diferentes partes de un problema matemático gigante al mismo tiempo en lugar de hacer que cada uno de ellos haga su trabajo uno tras otro. Aunque realizar múltiples cálculos simultáneamente facilita la resolución rápida de problemas, las computadoras deben estar refrigeradas por aire para evitar el sobrecalentamiento.

En septiembre de 2022, más de un año y medio después de lanzar el programa, Microsoft, Intel y DARPA anunciadohabían completado con éxito la Fase 1 del programa DPRIVE. Actualmente están en proceso de llevar a cabo la Fase 2 de DPRIVE.

SDKs y bibliotecas de código abierto

Con numerosas corporaciones importantes liderando avances en el Cifrado homomórfico completo (FHE), ha habido un aumento en la disponibilidad de Kits de Desarrollo de Software (SDK) y bibliotecas de código abierto que permiten a los desarrolladores construir sobre el trabajo de los demás.

Microsoftanunciadoel lanzamiento de Microsoft Seal, una biblioteca de código abierto que proporciona a los desarrolladores herramientas para ejecutar cifrado homomórfico en conjuntos de datos. Esto democratiza el acceso a servicios de cifrado de extremo a extremo y de computación, lo que permite a un grupo más amplio de desarrolladores explorar FHE. La biblioteca proporciona ejemplos de programas cifrados homomórficamente, completos con comentarios detallados, para guiar a los desarrolladores hacia un uso correcto y seguro.

Intel también lanzadosu propio Conjunto de herramientas de Cifrado homomórfico, ofreciendo a los desarrolladores herramientas para facilitar un cifrado homomórfico más rápido en la nube. Intel diseñó este conjunto de herramientas de forma flexible, garantizando la compatibilidad con los últimos avances en procesamiento de datos y computación. Incluye funciones especializadas adaptadas para la criptografía de retículas, integraciones para una operación sin problemas con Microsoft Seal, ejemplos de esquemas cifrados homomórficamente y documentos técnicos para guiar a los usuarios.

Google’sUnirse y Calcular en PrivadoLa biblioteca de código abierto proporciona a los desarrolladores herramientas de cálculo multipartito (MPC). Este método computacional permite a las partes obtener información compartida combinando sus diferentes conjuntos de datos sin exponer sus datos brutos entre sí. Private Join and Compute fusiona las técnicas criptográficas de FHE con la Intersección Privada de Conjuntos (PSI) para optimizar las prácticas de confidencialidad de datos. PSI, otro método criptográfico, permite a las partes con conjuntos de datos distintos identificar elementos comunes o puntos de datos sin revelar sus datos. La aproximación de Google para avanzar en la privacidad de datos no se centra únicamente en FHE; prioriza el concepto más amplio de MPC integrando FHE con otras prácticas de datos impactantes.

La creciente disponibilidad de bibliotecas de código abierto reputadas para el cifrado homomórfico es notable. Sin embargo, se vuelve aún más convincente al observar a empresas de renombre experimentando con estas bibliotecas en sus operaciones. En abril de 2021, Nasdaq, una renombrada bolsa de valores y entidad tecnológica global para los mercados de capitales, incorporadoFHE en sus operaciones. Utilizando las herramientas de FHE de Intel y un procesador de alta velocidad, Nasdaq abordó el delito financiero a través de esfuerzos contra el lavado de dinero y detección de fraudes. Esto se logró mediante el uso de cifrado homomórfico para identificar ideas valiosas y actividades potencialmente ilícitas en conjuntos de datos que contienen información sensible.

Recientes aumentos de capital

Además de la investigación y desarrollo realizados por las empresas mencionadas anteriormente, varias otras compañías han asegurado recientemente rondas de financiamiento sustanciales para iniciativas centradas en el Cifrado Homomórfico Total (FHE)

Cornami, una gran empresa de tecnología, es celebrada por ser pionera en el desarrollo de tecnología escalable de computación en la nube diseñada específicamente para el cifrado homomórfico. Están comprometidos en numerosos esfuerzos para crear sistemas informáticos que respalden el FHE de manera más efectiva que las CPUs convencionales. También dirigen iniciativas destinadas a proteger los datos cifrados contra las amenazas planteadas por la computación cuántica. En mayo de 2022, Cornami anunciadouna exitosa ronda de financiación de la Serie C, asegurando $68 millones liderada por Softbank y elevando su capital total recaudado a $150 millones.

Zamaes otra empresa en la industria blockchain que está construyendo herramientas de cifrado homomórfico de código abierto que los desarrolladores pueden aprovechar para construir aplicaciones emocionantes utilizando FHE, blockchain y IA. Zama ha construido una Máquina Virtual Ethereum Totalmente Homomórfica (fhEVM) como parte de sus ofertas de productos. Este protocolo de contrato inteligente permite que los datos de transacciones en cadena permanezcan encriptados durante el procesamiento. Los desarrolladores que exploran diversas aplicaciones con la biblioteca de Zama han quedado impresionados con el rendimiento, incluso en casos de uso complejos. Zama cerrado exitosamentesu ronda de financiación de la Serie A de $42 millones en febrero de 2022, liderada por Protocol Labs, elevando su capital total recaudado a $50 millones.

Fhenixtambién es un proyecto emergente que está llevando el cifrado homomórfico a la cadena de bloques. Su objetivo es extender las aplicaciones del cifrado homomórfico más allá de los pagos confidenciales, abriendo puertas a emocionantes casos de usodel FHE en áreas como las finanzas descentralizadas (DeFi), el puente, la votación de gobernanza y los juegos Web3. En septiembre de 2023, Fhenixanunciadoel cierre de su ronda de financiación inicial de $7 millones, liderada por Multicoin Capital y Collider Ventures.

¿Qué sigue?

Durante años, el Cifrado Homomórfico Total (FHE) permaneció como una idea que prometía una sólida encriptación de extremo a extremo, anunciando un futuro de una sólida privacidad de datos. Los desarrollos recientes están comenzando a cambiar el FHE de un sueño teórico a una realidad práctica. Aunque varias empresas compiten para ser pioneras en implementar la primera versión robusta y totalmente funcional de FHE, muchas están colaborando para navegar las complejidades de esta tecnología formidable conjuntamente. Este espíritu colaborativo es evidente a través de su implementación de varios programas interdisciplinarios y el desarrollo de bibliotecas de código abierto que se integran con otras bibliotecas.

Basándome en mis hallazgos, la discusión en torno al cifrado homomórfico parece tener un alcance amplio. En las próximas semanas, estoy emocionado por adentrarme más, compartiendo más ideas de mi investigación sobre el cifrado homomórfico. Específicamente, estoy ansioso por explorar más sobre temas como:

• Aplicaciones emergentes de FHE.
• La interacción entre las pruebas de conocimiento cero (ZKPs) y el FHE.
• Integrando el cifrado homomórfico con la Intersección Privada de Conjuntos (PSI) para avanzar en la Computación Segura de Multi-Partes (MPC).
• Nuevas empresas, como Zama y Fhenix, que están liderando desarrollos en Cifrado homomórfico.
  

Citas:

Arampatzis, Anastasios. "Últimos desarrollos en cifrado homomórfico." Venafi, 1 de febrero de 2022, venafi.com/blog/what-are-latest-developments-cifrado homomórfico-ask-experts/.

Arampatzis, Anastasios. “Qué es el Cifrado homomórfico y cómo se utiliza.” Venafi, 28 de abril de 2023, venafi.com/blog/Cifrado homomórfico-what-it-and-how-it-used/.

"Construyendo hardware para habilitar protecciones continuas de datos." DARPA, 2 de marzo de 2020,www.darpa.mil/news-events/2020-03-02.

Cristobal, Samuel. "Cifrado homomórfico completo: El Santo Grial de la Criptografía." Datascience.Aero, 7 de enero de 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

“Cifrado homomórfico: ¿Qué es y por qué es importante?” Sociedad de Internet, 9 de marzo de 2023, www.internetsociety.org/resources/doc/2023/Cifrado homomórfico/.

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 cifrado homomórfico Intel®.” Intel, www.intel.com/content/www/us/es/developer/tools/cifrado-homomórfico/overview.html#gs.fu55im.Accedido 8 de octubre de 2023.

"Intel colaborará con Microsoft en el PROGRAMA DARPA." Intel, 8 de marzo de 2021,www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

“Intel Xeon avanza la investigación y desarrollo de cifrado homomórfico de NASDAQ.” Intel, 6 de abril de 2021,www.intel.com/content/www/us/es/newsroom/news/xeon-advances-nasdaqs-cifrado homomórfico-rd.html#gs.6mpgme.

Johnson, Rick. "Intel Completes DARPA DPRIVE Phase One Milestone for a Fully Cifrado homomórfico 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.

“Microsoft Seal: Biblioteca de cifrado homomórfico rápido y fácil de usar.” Investigación de Microsoft, 4 de enero de 2023,www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr. Pascal. “Cifrado homomórfico total: El Santo Grial de la criptografía.” Business Age, 9 de marzo de 2023,www.businessage.com/post/fully-homomorphic-encryption-the-holy-grail-of-cryptography

Samani, Kyle. “El Amanecer del Cifrado Homomórfico en Cadena.” Multicoin Capital, 26 de septiembre de 2023, multicoin.capital/2023/09/26/el-amanecer-del-cifrado-homomorfico-en-cadena/.

Walker, Amanda, et al. “Ayudando a las organizaciones a hacer más sin recopilar más datos.” Blog de seguridad en línea de Google, 19 de junio de 2019,security.googleblog.com/2019/06/ayudando-a-las-organizaciones-a-hacer-mas-sin-recolectar-mas-datos.html.

"¿Qué es el cifrado homomórfico completo?" Inpher, 11 de abril de 2021,inpher.io/technology/what-is-fully-homomorphic-encryption/.

White, Matt. “Una breve historia de la IA generativa.” Medium, 8 de julio de 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb1837e67106#:~:text=Aunque%20la%20mayoría%20de%20las,personas%20admitirán%20que%20la%20IA.

Descargo de responsabilidad：

1. Este artículo es reimpreso de [@mustafa.hourani/explaining-the-recent-rise-of-fully-homomorphic-encryption-in-the-blockchain-industry-c7081fa05458">Medium]. Reenviar el Título Original 'Explicando el Reciente Auge del Cifrado Homomórfico Completo en la Industria de la Cadena de Bloques'. Todos los derechos de autor pertenecen al autor original [Mustafa Hourani]. Si hay objeciones a esta reimpresión, por favor contacte al Gate Learnequipo y lo resolverán rápidamente.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen consejos de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione lo contrario, está prohibido copiar, distribuir o plagiar los artículos traducidos.