Este ano, em setembro, ocorreu um avanço interessante no campo da criptografia — uma biblioteca FHE de código aberto teve um aumento de desempenho de 80%, parece um detalhe técnico, mas na verdade tem um impacto bastante grande.
Como foi essa conquista? Existem alguns pontos-chave: a velocidade de cálculo com ciphertext foi otimizada de uma vez por todas, passando de ser 80 vezes mais lenta para apenas 15 vezes mais lenta, uma diferença significativa; mais importante ainda, foi a primeira vez que se conseguiu executar cálculos de privacidade em tempo real numa GPU de consumo, algo que antes só era possível em servidores; além disso, suportou compressão de ciphertexts com curvas elípticas, reduzindo significativamente o volume de dados.
Blockchains voltadas para privacidade como Mina e Aztec já anunciaram integração, e professores de criptografia de Princeton também se pronunciaram — essa tecnologia torna possível "implementar privacidade real na blockchain sem depender de ambientes de execução confiáveis", algo que antes era apenas uma ideia, agora realmente viável.
Na prática, pode ser aplicada em votação privada, análise de dados médicos, transações financeiras confidenciais e outros cenários. Em resumo, esse avanço é como um novo motor para o cálculo de privacidade.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
11 gostos
Recompensa
11
5
Republicar
Partilhar
Comentar
0/400
ShadowStaker
· 12h atrás
ngl a otimização de 80x para 15x é realmente impressionante, mas o cálculo de GPU para consumidores na fhe? essa é a verdadeira reviravolta aqui. tenho sido cético quanto à necessidade de fallback TEE para cadeias de privacidade para sempre, então se isso realmente se sustentar sob carga real de rede... talvez. embora a integração rápida do aztec e mina me deixe desconfiado — geralmente significa que um ciclo de hype de marketing está chegando lol
Ver originalResponder0
SchrodingerPrivateKey
· 12h atrás
80 vezes otimizado para 15 vezes? Agora o cálculo de privacidade realmente vai decolar, as placas gráficas de consumo conseguem fazer cálculos em tempo real, isso é realmente impressionante
Ver originalResponder0
ContractHunter
· 12h atrás
80 vezes otimizado para 15 vezes, isso é realmente impressionante... uma placa gráfica de consumo pode rodar cálculos de privacidade, uma inovação sem precedentes
Ver originalResponder0
PanicSeller
· 12h atrás
Caramba, uma placa gráfica de consumo consegue fazer computação de privacidade? Se isso for verdade, a Aztec vai decolar!
Ver originalResponder0
GasFeeCrier
· 12h atrás
Porra, uma placa gráfica de consumo a rodar computação de privacidade? Isto é mesmo a verdadeira democratização, antes estava tudo monopolizado pelos servidores.
Este ano, em setembro, ocorreu um avanço interessante no campo da criptografia — uma biblioteca FHE de código aberto teve um aumento de desempenho de 80%, parece um detalhe técnico, mas na verdade tem um impacto bastante grande.
Como foi essa conquista? Existem alguns pontos-chave: a velocidade de cálculo com ciphertext foi otimizada de uma vez por todas, passando de ser 80 vezes mais lenta para apenas 15 vezes mais lenta, uma diferença significativa; mais importante ainda, foi a primeira vez que se conseguiu executar cálculos de privacidade em tempo real numa GPU de consumo, algo que antes só era possível em servidores; além disso, suportou compressão de ciphertexts com curvas elípticas, reduzindo significativamente o volume de dados.
Blockchains voltadas para privacidade como Mina e Aztec já anunciaram integração, e professores de criptografia de Princeton também se pronunciaram — essa tecnologia torna possível "implementar privacidade real na blockchain sem depender de ambientes de execução confiáveis", algo que antes era apenas uma ideia, agora realmente viável.
Na prática, pode ser aplicada em votação privada, análise de dados médicos, transações financeiras confidenciais e outros cenários. Em resumo, esse avanço é como um novo motor para o cálculo de privacidade.