ข้อมูลเบื้องต้นเกี่ยวกับโปรเซสเซอร์ร่วม

สู่การปลดล็อคแอพพลิเคชั่นคลาสใหม่ ไม่ใช่คอมพิวเตอร์ที่เราต้องการ แต่เป็นคอมพิวเตอร์ที่เราสมควรได้รับ

แอปที่กระจายอำนาจเผชิญกับข้อจำกัดในการคำนวณออนไลน์ที่ซับซ้อน เนื่องจากความสามารถในการประมวลผลที่จำกัดของ Ethereum ด้วยเหตุนี้ เราจึงเห็นโปรโตคอล DeFi จำนวนมากย้ายส่วนประกอบต่างๆ เช่น หนังสือสั่งซื้อ และระบบความเสี่ยงแบบออฟไลน์ สิ่งนี้ชี้ให้เห็นถึงความจำเป็นสำหรับสภาพแวดล้อมการคำนวณที่ปรับแต่งให้เหมาะกับงานเฉพาะ

เราได้เห็นการเปลี่ยนแปลงอย่างช้าๆ แต่ค่อยเป็นค่อยไปของแอป defi จำนวนมากที่ใช้งานแบบออนเชนเพื่อจัดการส่วนต่างๆ ของระบบแบบออฟไลน์ Dydx V4 กำลังจะคงใบสั่งซื้อไว้นอกเครือข่าย และอาจมีระบบมาร์จิ้นด้วยเช่นกัน Blur เก็บบางส่วนของการแลกเปลี่ยนแบบ off-chain เพื่อ UX ที่ราบรื่น Aevo ซึ่งเป็นการแลกเปลี่ยนตัวเลือก จะเก็บสมุดคำสั่งซื้อและเครื่องมือความเสี่ยงไว้นอกเครือข่าย เหตุผลที่ง่ายที่สุดคือความยากลำบากในการรักษาระบบออนไลน์ที่เน้นประสิทธิภาพเป็นศูนย์กลางเหล่านี้อย่างมีประสิทธิภาพและในลักษณะที่ปรับขนาดได้

การโยกย้ายส่วนประกอบนอกเครือข่ายชี้ให้เห็นถึงความต้องการที่กว้างขึ้น - สภาพแวดล้อมการคำนวณที่ปรับแต่ง (และมีประสิทธิภาพ) ที่ปรับให้เหมาะกับงานเฉพาะ นี่ยังไม่ใช่ทั้งหมด ในระบอบการปกครองนี้ สภาพที่เป็นอยู่ก็ใช้ได้ดี เมื่อโปรโตคอลรันระบบ off-chain ในที่สุดมันก็คลุมเครือสำหรับคุณซึ่งเป็นผู้ใช้ในการไว้วางใจว่าระบบ off-chain ทำงานตามที่กล่าวไว้หรือไม่ การคำนวณที่ตรวจสอบได้จะขจัดสมมติฐานด้านความน่าเชื่อถือ ทำให้โปรโตคอลสามารถทำการคำนวณนอกเครือข่ายได้โดยไม่ต้องนำปัจจัยด้านความน่าเชื่อถือมาใช้ นี่คือคำมั่นสัญญาของโปรเซสเซอร์ร่วมสำหรับ Ethereum ก่อนที่จะพูดถึงโมเดลตัวประมวลผลร่วมใน Ethereum เรามาสรุปสั้นๆ ว่าแนวคิดนี้มีต้นกำเนิดมาจากอะไร

แนวคิดของโปรเซสเซอร์ร่วมมีต้นกำเนิดในสถาปัตยกรรมคอมพิวเตอร์เพื่อเป็นเทคนิคในการเพิ่มประสิทธิภาพ คอมพิวเตอร์แบบดั้งเดิมอาศัยหน่วยประมวลผลกลาง (CPU) เพียงหน่วยเดียวในการจัดการการคำนวณทั้งหมด อย่างไรก็ตาม CPU มีภาระงานมากเกินไปเนื่องจากปริมาณงานมีความซับซ้อนมากขึ้น

มีการแนะนำโปรเซสเซอร์ร่วมเพื่อช่วย – โปรเซสเซอร์พิเศษเฉพาะสำหรับงานเฉพาะ ตัวอย่างเช่น หน่วยประมวลผลกราฟิก (GPU) จะจัดการกับการคำนวณแบบขนานอันมหาศาลที่จำเป็นสำหรับการเรนเดอร์ 3D ซึ่งช่วยให้ CPU หลักมุ่งเน้นไปที่การประมวลผลวัตถุประสงค์ทั่วไปได้ ตัวประมวลผลร่วมทั่วไปอื่นๆ ได้แก่ ตัวเร่งการเข้ารหัสสำหรับการเข้ารหัส/ถอดรหัส ตัวประมวลผลสัญญาณสำหรับมัลติมีเดีย และตัวประมวลผลร่วมทางคณิตศาสตร์สำหรับการคำนวณทางวิทยาศาสตร์ โปรเซสเซอร์ร่วมแต่ละตัวมีสถาปัตยกรรมที่ได้รับการปรับปรุงเพื่อให้ทำงานเวิร์กโหลดเฉพาะได้อย่างมีประสิทธิภาพ (แม้ว่าคุณจะพูดได้ว่าสิ่งนี้ส่วนใหญ่ย่อยด้วยการเขียนโปรแกรมแบบขนาน ala GPUs)

การแบ่งงานระหว่าง CPU และโปรเซสเซอร์ร่วมนี้นำไปสู่การปรับปรุงประสิทธิภาพตามลำดับความสำคัญ โมเดลโปรเซสเซอร์ร่วมช่วยให้คอมพิวเตอร์รับภาระงานที่ซับซ้อนมากขึ้น ซึ่งไม่สามารถทำได้ด้วย CPU ทั่วไปเพียงตัวเดียว

Ethereum ยังถือได้ว่าเป็น CPU VM ทั่วไป และไม่มีความพร้อมสำหรับการคำนวณหนักเพียงเพราะค่าใช้จ่ายที่จำกัดที่เราต้องจ่ายเพื่อให้ทำงานบนเครือข่าย ซึ่งเป็นสิ่งที่จำกัดการใช้งานของโปรโตคอลที่หลากหลาย แม้กระทั่ง บังคับให้นักออกแบบต้องคิดสิ่งใหม่ภายใต้ข้อจำกัดของ EVM พูดง่ายๆ ก็คือ ต้นทุนมีจำกัดเกินไปสำหรับการใช้งานที่ซับซ้อน สิ่งนี้ยังนำไปสู่โปรโตคอลต่างๆ ที่ทำให้โปรโตคอลบางส่วนเป็นแบบออฟไลน์ และโมเดลแบบออฟไลน์ทุกแบบที่ถูกใช้งานจึงนำแนวคิดเรื่องความเสี่ยงมาด้วย ความเสี่ยงของการรวมศูนย์และความเสี่ยงเพียงแค่ความไว้วางใจ คุณเชื่อถือโปรโตคอลว่าจะไม่เป็นอันตราย ซึ่งขัดต่อหลักการของแอปที่มีการกระจายอำนาจ

ในบทความนี้ ฉันพยายามดูโซลูชันบางส่วนเหล่านี้ และเสนอภาพรวมว่าแอปพลิเคชันประเภทใดที่สามารถปลดล็อกได้ด้วยโครงสร้างพื้นฐานนี้ นอกจากนี้ ฉันจะลองมองหาวิธีอื่นในการลดภาระการคำนวณ ซึ่งแน่นอนว่าจะกลายเป็นรากฐานสำคัญของแอปพลิเคชันภายในพื้นที่ crypto

Zk-โปรเซสเซอร์ร่วม

โปรเซสเซอร์ร่วมเช่นที่นำเสนอโดย Axiom และ RiscZero เพิ่งเปิดมิติใหม่ของแอปพลิเคชันที่เป็นไปได้แบบออนไลน์โดยอนุญาตให้สัญญาอัจฉริยะลดภาระการประมวลผลจำนวนมาก ระบบเสนอหลักฐานว่าโค้ดถูกดำเนินการในลักษณะที่ใครๆ ก็สามารถตรวจสอบได้

บอนไซและ Axiom เป็นโซลูชันที่คล้ายกันโดยอนุญาตให้มีการคำนวณโดยพลการพร้อมการเข้าถึงสถานะออนไลน์เพื่อทำงานนอกเครือข่ายและให้ "ใบเสร็จรับเงิน" ที่ทำการคำนวณ

สัจพจน์

Axiom ช่วยให้ Ethereum Smart Contract สามารถเข้าถึงข้อมูลออนไลน์ในอดีตได้มากขึ้น และดำเนินการคำนวณที่ซับซ้อน ในขณะที่ยังคงรักษาการกระจายอำนาจและความปลอดภัยของเครือข่าย ปัจจุบัน สัญญาสามารถเข้าถึงข้อมูลที่จำกัดมากจากบล็อกปัจจุบัน ซึ่งจำกัดประเภทของแอปพลิเคชันที่สามารถสร้างได้ ในเวลาเดียวกัน การอนุญาตให้สัญญาเข้าถึงข้อมูลการเก็บถาวรในอดีตแบบเต็มนั้น โหนดเครือข่ายทั้งหมดจะต้องจัดเก็บการเก็บถาวรแบบเต็ม ซึ่งเป็นไปไม่ได้เนื่องจากต้นทุนการจัดเก็บข้อมูล และอาจส่งผลเสียต่อการกระจายอำนาจ

เพื่อแก้ไขปัญหานี้ Axiom กำลังพัฒนาระบบ "ZK co-processor" ช่วยให้สัญญาสามารถสืบค้นข้อมูลบล็อกเชนในอดีตและดำเนินการคำนวณนอกเครือข่ายผ่านเครือข่าย Axiom โหนด Axiom เข้าถึงข้อมูลออนไลน์ที่ร้องขอและดำเนินการคำนวณที่ระบุ กุญแจสำคัญคือการสร้างหลักฐานที่ไม่มีความรู้ว่าผลลัพธ์ได้รับการคำนวณอย่างถูกต้องจากข้อมูลออนไลน์ที่ถูกต้อง หลักฐานนี้ได้รับการตรวจสอบแบบออนไลน์ เพื่อให้มั่นใจว่าผลลัพธ์สามารถเชื่อถือได้ตามสัญญา

แนวทางนี้ช่วยให้สัญญาสามารถเข้าถึงข้อมูลได้มากขึ้นจากประวัติลูกโซ่ และความสามารถในการคำนวณที่ซับซ้อนโดยไม่ต้องสร้างภาระให้กับโหนดชั้นฐาน Axiom เชื่อว่าสิ่งนี้จะช่วยให้แอปพลิเคชันประเภทใหม่ ๆ อาศัยการวิเคราะห์ที่พิสูจน์ได้และมีวัตถุประสงค์ของกิจกรรมบล็อกเชนในอดีต พวกเขาได้เปิดตัวฟังก์ชัน mainnet สำหรับการอ่านข้อมูลพื้นฐานแล้ว และวางแผนที่จะขยายไปสู่การเข้าถึงข้อมูลที่เก็บถาวรเต็มรูปแบบและการตรวจสอบ ZK ของฟังก์ชันมุมมองสัญญาในอนาคตอันใกล้นี้ วิสัยทัศน์ระยะยาวของพวกเขาคือการคำนวณ ZK ขั้นสูงที่เหนือกว่าความสามารถของ EVM

ด้วยการสร้างหลักฐานการดำเนินการนอกเครือข่ายที่ถูกต้อง Axiom จะปลดล็อกแอปพลิเคชันบล็อกเชนประเภทใหม่

ริสซีซีโร่บอนไซ

Risc Zero ได้พัฒนาเครื่องเสมือนที่ไม่มีความรู้ (zkVM) สำหรับการใช้งานทั่วไป ซึ่งช่วยให้สามารถพิสูจน์โปรแกรมที่กำหนดเองที่เขียนในภาษาต่างๆ เช่น Rust, C/C++ และ Go ในความรู้เป็นศูนย์

zkVM ช่วยให้นักพัฒนาสามารถพิสูจน์โค้ด Rust ได้โดยไร้ความรู้โดยไม่จำเป็นต้องออกแบบวงจรแบบกำหนดเอง เป้าหมายคือการทำให้การพัฒนาแอปพลิเคชันที่ไม่มีความรู้เข้าถึงได้มากขึ้น zkVM สร้างหลักฐานการรับที่ยืนยันว่าโปรแกรมดำเนินการอย่างถูกต้องโดยไม่เปิดเผยอินพุตหรือตรรกะส่วนตัว ซึ่งช่วยให้การประมวลผลแบบเข้มข้นเกิดขึ้นนอกเครือข่ายได้ โดยมีใบเสร็จรับเงินที่เป็นหลักฐานยืนยันการดำเนินการที่ถูกต้องบนเครือข่าย ลังสนิมทำงานใน zkVM นี้ แต่มีข้อจำกัดบางประการเกี่ยวกับการเรียกของระบบ คุณลักษณะที่เรียกว่าความต่อเนื่องช่วยให้สามารถแยกการคำนวณขนาดใหญ่ออกเป็นส่วนๆ ซึ่งสามารถพิสูจน์ได้โดยอิสระ ซึ่งเปิดใช้การพิสูจน์แบบคู่ขนาน ซึ่งช่วยขจัดข้อจำกัดด้านขนาดการคำนวณ และอนุญาตให้โปรแกรม zkVM หยุดชั่วคราว/ดำเนินการต่อได้ ความต่อเนื่องได้เปิดใช้งานกรณีการใช้งานใหม่ๆ เช่น การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์, EVM และ WASM ใน zkVM

Bonsai เป็นบริการพิสูจน์ความรู้แบบศูนย์นอกเครือข่ายที่พัฒนาโดย Risc Zero เพื่อให้สามารถใช้งาน zkVM วัตถุประสงค์ทั่วไปสำหรับแอปพลิเคชัน Ethereum และบล็อกเชน โดยเป็นสะพานเชื่อมระหว่างสัญญาอัจฉริยะแบบออนไลน์และการคำนวณนอกเครือข่ายใน zkVM

ขั้นตอนการทำงานที่เปิดใช้งานโดยบอนไซมีดังนี้:

นักพัฒนาเขียนสัญญาอัจฉริยะที่เรียกร้องให้สัญญารีเลย์ของบอนไซเพื่อขอการคำนวณนอกเครือข่าย

บอนไซเฝ้าดูคำขอออนไลน์เหล่านี้และรันโปรแกรม zkVM ที่เกี่ยวข้องซึ่งเขียนด้วยภาษา Rust

โปรแกรม zkVM ทำงานในโครงสร้างพื้นฐานของบอนไซ โดยดำเนินการประมวลผลนอกเครือข่ายแบบเข้มข้นหรือแบบส่วนตัว จากนั้นสร้างข้อพิสูจน์ว่ามีการดำเนินการอย่างถูกต้อง

ผลการพิสูจน์ที่เรียกว่า “ใบเสร็จรับเงิน” จะถูกโพสต์กลับออนไลน์โดยบอนไซผ่านสัญญาส่งต่อ

สัญญาอัจฉริยะของนักพัฒนาจะได้รับผลลัพธ์ในฟังก์ชันการโทรกลับ

สิ่งนี้ทำให้ตรรกะที่เข้มข้นหรือละเอียดอ่อนสามารถเกิดขึ้นนอกเครือข่ายได้ ในขณะที่ยังคงตรวจสอบความถูกต้องของการดำเนินการผ่าน zk proofs on-chain สัญญาอัจฉริยะต้องจัดการกับการร้องขอการคำนวณและการใช้ผลลัพธ์เท่านั้น

บอนไซขจัดความซับซ้อนของการคอมไพล์โค้ด Rust เป็น zkVM bytecode การอัพโหลดโปรแกรม การดำเนินการใน VM และการส่งคืนการพิสูจน์ นักพัฒนาสามารถมุ่งเน้นไปที่การเขียนตรรกะของโปรแกรมได้ โครงสร้างพื้นฐานนี้ช่วยให้สามารถรันการคำนวณนอกเครือข่ายเพื่อวัตถุประสงค์ทั่วไป ในขณะเดียวกันก็รักษาข้อมูลที่ละเอียดอ่อนและตรรกะให้เป็นส่วนตัว

Bonsai ช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันบล็อกเชนด้วยการประมวลผลแบบออฟไลน์ได้อย่างตรงไปตรงมา โดยไม่จำเป็นต้องมีความเชี่ยวชาญในการเข้ารหัสและโครงสร้างพื้นฐานของ zkVM พูดง่ายๆ ก็คือบอนไซช่วยให้นักพัฒนาสามารถรวมการคำนวณนอกเครือข่ายได้อย่างง่ายดายโดยไม่ต้องมีความเชี่ยวชาญด้าน zk

โซลูชั่นทางเลือก

ตัวประมวลผลร่วม ZK เป็นวิธีเดียวที่จะบรรลุการคำนวณนอกเครือข่ายที่ตรวจสอบได้ใช่หรือไม่ มีแอปพลิเคชันอื่นใดอีกบ้างที่จะลดภาระการประมวลผลด้วยวิธีที่ไม่น่าเชื่อถือและปลอดภัย แม้ว่าความคิดเห็นเกี่ยวกับคุณสมบัติด้านความปลอดภัย ประสิทธิภาพ และการใช้งานจะแตกต่างกัน แต่พวกเขากำลังได้รับการสำรวจในมุมต่างๆ ของสกุลเงินดิจิทัล และจะมาอยู่แถวหน้าอย่างช้าๆ

ทางเลือกอื่นเช่น MPC และ TEE มอบแนวทางอื่นในการคำนวณนอกเครือข่ายที่ตรวจสอบได้ MPC ช่วยให้สามารถประมวลผลข้อมูลที่ละเอียดอ่อนร่วมกันได้ ในขณะที่ TEE นำเสนอระบบรักษาความปลอดภัยที่ใช้ฮาร์ดแวร์ ทั้งสองข้อดีข้อเสียในปัจจุบัน แต่สามารถเป็นทางเลือกสำหรับโปรเซสเซอร์ร่วม ZK ได้

MPC (การคำนวณแบบหลายฝ่าย)

การประมวลผลหลายฝ่ายที่ปลอดภัย (MPC) ช่วยให้หลายฝ่ายสามารถคำนวณฟังก์ชันผ่านอินพุตของตนร่วมกัน ในขณะเดียวกันก็รักษาอินพุตเหล่านั้นไว้เป็นส่วนตัว ช่วยให้สามารถทำงานร่วมกันกับข้อมูลที่ละเอียดอ่อน ดังนั้นจึงรักษาความเป็นส่วนตัวสำหรับผู้เข้าร่วมทุกคน อย่างไรก็ตาม การบรรลุความเป็นธรรมใน กนง. ซึ่งทุกฝ่ายต่างเรียนรู้ผลลัพธ์หรือไม่ได้ทำเลย ย่อมเป็นไปไม่ได้หากพรรคส่วนใหญ่ไม่ซื่อสัตย์ กล่าวอีกนัยหนึ่ง การรับประกันความเป็นส่วนตัวและความสมบูรณ์จะหายไปเมื่อโหนดทั้งหมดเสียหาย เทคโนโลยีบล็อคเชนสามารถช่วยทำให้โปรโตคอลของ MPC มีความยุติธรรมมากขึ้น

ลองนึกภาพเพื่อนสามคนที่ต้องการทราบเงินเดือนโดยเฉลี่ยโดยไม่เปิดเผยเงินเดือนให้กันและกัน พวกเขาสามารถใช้ Secure MPC เพื่อทำสิ่งนี้ให้สำเร็จ

สมมติว่าเพื่อนคืออลิซ บ๊อบ และอีฟ:

อลิซรับเงินเดือนของเธอ เพิ่มตัวเลขสุ่มเข้าไป และบอกผลลัพธ์ให้บ๊อบทราบ

บ๊อบบวกเงินเดือนและตัวเลขสุ่มอีกตัวเข้ากับตัวเลขที่เขาได้รับจากอลิซ จากนั้นจึงบอกผลลัพธ์ให้อีฟฟัง

อีฟบวกเงินเดือนของเธอเข้ากับตัวเลขจากบ๊อบ จากนั้นลบตัวเลขสุ่มทั้งหมดที่บวกไว้ก่อนหน้านี้ และหารผลลัพธ์ด้วย 3 เพื่อหาค่าเฉลี่ย

ตัวเลขสุดท้ายคือค่าเฉลี่ยของเงินเดือน ไม่มีใครได้เรียนรู้อะไรเกี่ยวกับเงินเดือนของผู้อื่น ข้อแตกต่างประการหนึ่งที่ควรคำนึงถึงคือ แม้ว่าไม่มีใครรู้เงินเดือนที่แน่นอนของกันและกัน หากค่าเฉลี่ยต่ำกว่าเงินเดือนของอีฟ อีฟก็สามารถอนุมานได้ว่าเงินเดือนหนึ่งของอีกสองคนนั้นน้อยกว่าของเธอ

บล็อกเชนจัดให้มีบัญชีแยกประเภทสาธารณะที่มีการป้องกันการงัดแงะซึ่งช่วยให้ฝ่ายต่างๆ สามารถโพสต์ข้อมูลได้ ฝ่ายต่างๆ สามารถเข้ารหัสเอาต์พุตของโปรโตคอล MPC ที่ไม่ยุติธรรมได้โดยใช้การเข้ารหัสพยาน พวกเขาโพสต์โทเค็นไปยังบัญชีแยกประเภทที่อนุญาตให้แยกคีย์ถอดรหัส เนื่องจากบัญชีแยกประเภทเป็นแบบสาธารณะ ทุกฝ่ายจึงสามารถเข้าถึงคีย์ถอดรหัสได้ในเวลาเดียวกัน สิ่งนี้ทำให้มีโปรโตคอลการถอดรหัสที่ยุติธรรมโดยที่ทุกฝ่ายถอดรหัสเอาต์พุตหรือไม่มีใครถอดรหัสเลย

ใน “MPC as a Blockchain Confidentiality layer” Andrew Miller พูดถึงวิธีที่ MPC สามารถช่วยคำนวณข้อมูลส่วนตัวได้ MPC ที่ตรวจสอบได้โดยสาธารณะจะใช้การพิสูจน์ที่ไม่มีความรู้เพื่อรักษาความสมบูรณ์แม้ว่าโหนดจะเสียหายทั้งหมดก็ตาม ลูกค้าจะส่งข้อมูลเพื่อพิสูจน์ความถูกต้อง โหนด MPC สร้างการพิสูจน์การคำนวณที่ถูกต้อง ในที่สุด ผู้ตรวจสอบจะตรวจสอบอินพุต เอาท์พุต และการพิสูจน์ที่ตรงกัน การตรวจสอบนี้มีค่าใช้จ่ายขั้นต่ำเกินกว่าต้นทุน MPC มาตรฐาน การพิสูจน์มีความกระชับโดยใช้ SNARK พร้อมการตั้งค่าแบบสากล อย่างไรก็ตาม ยังคงมีคำถามเกี่ยวกับการเพิ่มประสิทธิภาพ โมเดลการเขียนโปรแกรม และการปรับใช้ในโลกแห่งความเป็นจริง

วงล้อมที่ปลอดภัย / TEE

ข้อมูลที่ละเอียดอ่อน เช่น ข้อมูลส่วนบุคคล ข้อมูลทางการเงิน ฯลฯ จะต้องได้รับการปกป้องเมื่อจัดเก็บหรือส่งผ่าน และเมื่อมีการใช้และคำนวณ วิธีการเข้ารหัสแบบเดิมจะปกป้องข้อมูลที่อยู่นิ่งและระหว่างการส่งผ่าน แต่ไม่ปกป้องข้อมูลเมื่อมีการใช้ข้อมูลอย่างแข็งขัน นี่เป็นปัญหาเพราะเมื่อมีการประมวลผลข้อมูล มักจะอยู่ในรูปแบบที่ไม่ได้เข้ารหัส ส่งผลให้เสี่ยงต่อการถูกโจมตี

สภาพแวดล้อมการดำเนินการที่เชื่อถือได้ (หรือเครือข่ายที่ปลอดภัย) คือสภาพแวดล้อมแบบแยกที่สามารถเข้ารหัสข้อมูลได้ แต่ยังคงสามารถคำนวณได้ แนวคิดหลักคือการแยกข้อมูลและการคำนวณออกไป แม้แต่กระบวนการของระบบที่มีสิทธิพิเศษก็ไม่สามารถเข้าถึงได้ Trusted Execution Environments (TEE) เป็นพื้นที่ที่ปลอดภัยภายในโปรเซสเซอร์ที่ให้คุณสมบัติความปลอดภัยบนฮาร์ดแวร์เพื่อปกป้องข้อมูลและรหัสที่ละเอียดอ่อน โดยจะแยกซอฟต์แวร์เฉพาะออกจากส่วนที่เหลือของระบบ เพื่อให้มั่นใจว่าข้อมูลภายใน TEE จะไม่ถูกแก้ไข แม้แต่โดยระบบปฏิบัติการหรือซอฟต์แวร์อื่นที่ทำงานบนอุปกรณ์ก็ตาม

TEE ช่วยให้ข้อมูลที่ละเอียดอ่อนได้รับการปกป้องแม้ในขณะที่มีการใช้งาน ซึ่งช่วยให้แอปพลิเคชันต่างๆ เช่น เครือข่ายสังคมที่รักษาความเป็นส่วนตัว บริการทางการเงิน การดูแลสุขภาพ ฯลฯ มีข้อจำกัดบางประการเกี่ยวกับสมมติฐานด้านประสิทธิภาพและความน่าเชื่อถือ แต่วงล้อมเป็นเทคโนโลยีที่ทรงพลังพร้อมการใช้งานที่เป็นไปได้มากมาย โดยเฉพาะอย่างยิ่งเมื่อรวมกับเครือข่ายบล็อกเชนเพื่อสร้างระบบที่แข็งแกร่งและไม่ถูกเซ็นเซอร์ การแลกเปลี่ยนความน่าเชื่อถืออาจเป็นที่ยอมรับสำหรับแอปพลิเคชันเชิงพาณิชย์และไม่แสวงหาผลกำไรจำนวนมากที่จำเป็นต้องมีความเป็นส่วนตัวของข้อมูลที่เข้มงวด

สภาพแวดล้อมการดำเนินการที่เชื่อถือได้ (TEE) ช่วยให้คุณสามารถเอาท์ซอร์สการคำนวณให้กับผู้ให้บริการคลาวด์บุคคลที่สามที่ไม่น่าเชื่อถือ ในขณะเดียวกันก็รักษาข้อมูลของคุณไว้เป็นความลับและป้องกันการงัดแงะการดำเนินงาน สิ่งนี้มีประโยชน์อย่างมากสำหรับแอปและองค์กรที่มีการกระจายอำนาจที่ต้องการใช้ประโยชน์จากความสะดวกสบายและประหยัดต้นทุนของระบบคลาวด์โดยไม่กระทบต่อความเป็นส่วนตัวหรือการควบคุม แต่ TEE ไม่ได้แก้ปัญหาทั้งหมดได้อย่างน่าอัศจรรย์ แต่ก็ยังมีความท้าทายในทางปฏิบัติบางประการที่ต้องดำเนินการก่อนที่นักพัฒนาส่วนใหญ่จะสามารถใช้งานได้ง่าย

สิ่งเหล่านี้เป็นส่วนสำคัญที่มีประสิทธิภาพ แต่ยังต้องมีการวิจัยระบบที่รอบคอบเพื่อแก้ไขข้อจำกัดเกี่ยวกับข้อจำกัดที่กล่าวมาข้างต้น และการรวมศูนย์ผู้จำหน่าย การปรับขนาด และความทนทานต่อข้อผิดพลาด

สภาพแวดล้อมการดำเนินการที่เชื่อถือได้ (TEE) เช่น Intel SGX และ AWS Nitro Enclaves มอบสภาพแวดล้อมที่แยกออกมาสำหรับการเรียกใช้การคำนวณที่ละเอียดอ่อนและการจัดเก็บข้อมูลที่เป็นความลับ TEE ช่วยให้มั่นใจได้ว่าแม้แต่กระบวนการของระบบที่ได้รับสิทธิพิเศษก็ไม่สามารถเข้าถึงหรือยุ่งเกี่ยวกับโค้ดและข้อมูลภายใน TEE ได้ ซึ่งช่วยให้แอปและองค์กรที่มีการกระจายอำนาจสามารถจ้างบุคคลภายนอกในการประมวลผลไปยังโฮสต์คลาวด์บุคคลที่สามที่ไม่น่าเชื่อถือ โดยไม่ต้องกังวลเกี่ยวกับความเป็นส่วนตัวหรือความสมบูรณ์

การแก้ปัญหาความท้าทายเหล่านี้จะขยายการบังคับใช้ TEE อย่างมากสำหรับแอปที่มีการกระจายอำนาจซึ่งต้องการความสมบูรณ์ที่แข็งแกร่ง การรักษาความลับ และการต่อต้านการเซ็นเซอร์ ขณะเดียวกันก็จ้างบุคคลภายนอกในการคำนวณและการจัดเก็บไปยังคลาวด์ที่ไม่น่าเชื่อถือ TEE เป็นระบบดั้งเดิมที่ทรงพลัง แต่การออกแบบระบบร่วมที่รอบคอบยังคงเป็นสิ่งจำเป็นเพื่อแก้ไขข้อจำกัดของพวกเขา

เปรียบเทียบสั้นๆ

เมื่อประเมินตัวประมวลผลร่วม ข้อควรพิจารณาที่สำคัญคือโมเดลความปลอดภัยและระดับการรับประกันที่จำเป็นสำหรับการคำนวณประเภทต่างๆ การคำนวณที่ละเอียดอ่อนบางอย่าง เช่น การจับคู่คำสั่งซื้อ จำเป็นต้องมีการรักษาความปลอดภัยสูงสุดและสมมติฐานด้านความน่าเชื่อถือน้อยที่สุด สำหรับสิ่งเหล่านี้ ตัวประมวลผลร่วมที่ใช้การพิสูจน์ความรู้แบบศูนย์ เช่น ตัวประมวลผลร่วม zk ให้การรับประกันที่รัดกุม เนื่องจากสามารถตรวจสอบผลลัพธ์ได้โดยไม่ต้องเชื่อใจผู้ปฏิบัติงาน

อย่างไรก็ตาม โปรเซสเซอร์ร่วม zk อาจมีข้อเสียในด้านประสิทธิภาพและความยืดหยุ่น วิธีการอื่นๆ เช่น MPC หรือฮาร์ดแวร์ที่เชื่อถือได้อาจเป็นการแลกเปลี่ยนที่ยอมรับได้สำหรับการคำนวณที่มีความละเอียดอ่อนน้อยกว่า เช่น การวิเคราะห์หรือการสร้างแบบจำลองความเสี่ยง แม้จะให้การรับประกันที่อ่อนแอกว่า แต่ก็ช่วยให้ประมวลผลได้หลากหลายและมีประสิทธิภาพมากขึ้น ระดับความปลอดภัยที่ต้องการขึ้นอยู่กับความเสี่ยงที่ยอมรับได้ของแอปพลิเคชัน ทีมควรวิเคราะห์ค่าที่เป็นเดิมพันและประเมินว่าตัวประมวลผลร่วมที่ไม่ได้รับการตรวจสอบแต่มีประสิทธิภาพนั้นมีการประนีประนอมทางวิศวกรรมที่สมเหตุสมผลสำหรับการคำนวณที่ไม่สำคัญบางอย่างหรือไม่

โดยรวมแล้ว ตัวประมวลผลร่วมขยายขอบเขตของโมเดลการรักษาความปลอดภัย และทีมควรจับคู่โซลูชันกับข้อกำหนดด้านความปลอดภัยของงานเฉพาะ ระบบนิเวศยังเพิ่งเกิดขึ้น ดังนั้นความก้าวหน้าเพิ่มเติมในการคำนวณที่ตรวจสอบได้และปรับขนาดได้จะขยายความเป็นไปได้ให้กว้างขึ้น

การใช้งาน

การควบคุมแบบไดนามิกสำหรับโปรโตคอลการให้ยืม

ในบล็อก “Feedback Control as a new primitive for Defi” ผู้เขียนกล่าวถึงกลไกการควบคุมสำหรับกลไก defi อาจค่อยๆ อัปเกรดจากปลายด้านหนึ่งไปยังอีกด้านหนึ่ง โดยใช้การเรียนรู้แบบเสริมกำลัง (RL) และ DRL เนื่องจากการคำนวณและการจัดเก็บข้อมูลมีมากมาย แม้ว่า RL อาจจะยังเป็นเรื่องยาก แต่แอปพลิเคชัน Machine Learning ก็อาจยังเป็นไปได้เนื่องจากการคำนวณที่ตรวจสอบได้

โปรโตคอลการให้กู้ยืมในปีที่ผ่านมาได้รับการตรวจสอบอย่างละเอียด เนื่องจากความเป็นไปได้ของหนี้เสียเนื่องจากพารามิเตอร์เชิงรุกสำหรับโทเค็นที่ให้ยืมในตลาดหมีที่ไม่มีสภาพคล่อง โมเดลที่สามารถเข้าถึงสภาพคล่องออนไลน์และสร้างโปรไฟล์สภาพคล่องสำหรับสินทรัพย์อาจเปลี่ยนแปลงพารามิเตอร์แบบไดนามิกได้

ตัวอย่างเช่น โปรโตคอลการให้ยืมอาจได้รับประโยชน์จากการควบคุมอัตราดอกเบี้ยแบบไดนามิกโดยอิงตามข้อมูลออนไลน์แบบเรียลไทม์ แทนที่จะอาศัยแบบจำลองอัตราดอกเบี้ยที่กำหนดไว้ล่วงหน้า ระบบควบคุมผลป้อนกลับสามารถปรับอัตราตามอัลกอริทึมตามการใช้งานและปัจจัยสภาพคล่องในปัจจุบัน

ตัวอย่างเช่น เมื่อความต้องการยืมสินทรัพย์สูง ทำให้อัตราการใช้เพิ่มขึ้น ผู้ควบคุมสามารถเพิ่มอัตราดอกเบี้ยอย่างรวดเร็วเพื่อจูงใจอุปทานและรักษาเสถียรภาพของการใช้ประโยชน์ ในทางกลับกัน เมื่ออัตราการใช้ประโยชน์ต่ำ อัตราอาจถูกลดลงเพื่อจูงใจในการกู้ยืม พารามิเตอร์ตัวควบคุมสามารถปรับให้เหมาะสมเพื่อวัตถุประสงค์ เช่น เพิ่มรายได้โปรโตคอลสูงสุดหรือลดความผันผวนให้เหลือน้อยที่สุด

โปรโตคอลจะต้องเข้าถึงข้อมูลออนไลน์แบบเรียลไทม์ เช่น จำนวนที่ยืมทั้งหมด สภาพคล่องที่มีอยู่ และตัวชี้วัดการใช้งานอื่น ๆ เพื่อดำเนินการนี้ ตรรกะของตัวควบคุมจะประมวลผลข้อมูลนี้เพื่อคำนวณการปรับอัตราดอกเบี้ยที่เหมาะสมที่สุด การอัปเดตอัตราอาจควบคุมแบบออนไลน์ผ่าน DAO หรือนอกเครือข่ายพร้อมการตรวจสอบหลักฐาน

โปรโตคอลจะต้องเข้าถึงข้อมูลออนไลน์แบบเรียลไทม์ เช่น จำนวนที่ยืมทั้งหมด สภาพคล่องที่มีอยู่ และตัวชี้วัดการใช้งานอื่น ๆ เพื่อดำเนินการนี้ ตรรกะของตัวควบคุมจะประมวลผลข้อมูลนี้เพื่อคำนวณการปรับอัตราดอกเบี้ยที่เหมาะสมที่สุด การอัปเดตอัตราอาจควบคุมแบบออนไลน์ผ่าน DAO หรือนอกเครือข่ายพร้อมการตรวจสอบหลักฐาน แม้ว่างานล่าสุด “การโจมตีเส้นโค้งอัตราดอกเบี้ย Dynamic Defi” โดย Chitra และคณะ ได้แสดงให้เห็นว่ารูปแบบการให้กู้ยืมแบบไดนามิกส่งผลให้มี MEV มากขึ้น ดังนั้นการออกแบบโปรโตคอลเหล่านี้จึงจำเป็นต้องพิจารณาอย่างรอบคอบ

แอปพลิเคชัน ML

การเข้าถึงข้อมูลบล็อกเชนที่มีมากมายทำให้เราได้ข้อสรุปโดยธรรมชาติของการใช้แอปพลิเคชันการเรียนรู้ของเครื่องด้วยวิธีนี้ แม้ว่าการพิสูจน์การคำนวณสำหรับแอปพลิเคชันแมชชีนเลิร์นนิงอาจยากกว่าเล็กน้อย แต่การคำนวณ ML ที่ตรวจสอบได้นั้นเป็นตลาดขนาดใหญ่ในตัวเอง สิ่งเหล่านี้ยังสามารถใช้สำหรับแอปพลิเคชันออนไลน์ โดยเฉพาะอย่างยิ่งในแอปพลิเคชันความปลอดภัยบางตัว

ข้อมูลบล็อกเชนมีสัญญาณอันมีค่าที่โมเดลการเรียนรู้ของเครื่องสามารถใช้เพื่อตรวจจับกิจกรรมที่น่าสงสัยหรือระบบการจัดการความเสี่ยงด้านพลังงาน อย่างไรก็ตาม การเรียกใช้ ML on-chain ในปัจจุบันไม่สามารถทำได้เนื่องจากต้นทุนค่าน้ำมันและข้อกังวลด้านความเป็นส่วนตัว ซึ่งอาจดูเหมือนระบบตรวจสอบออนไลน์สำหรับสัญญาอัจฉริยะ กระเป๋าเงิน หรือผู้จัดการพอร์ตโฟลิโอเพื่อตรวจจับการถอนหรือโอนที่น่าสงสัย มีข้อมูลโปรไฟล์จำนวนมหาศาลสำหรับสัญญาณประเภทต่างๆ ที่จะได้รับในกรณีด้านความปลอดภัย ซึ่งจะเป็นสำหรับ “Ruggers” “แฮ็ก” และการโจมตีที่เป็นอันตรายอื่นๆ นอกจากนี้ยังสามารถใช้สำหรับแอปพลิเคชัน defi เพื่อความน่าเชื่อถือทางเครดิตและความเสี่ยงในการจัดทำโปรไฟล์สำหรับผู้ให้กู้และผู้ยืมตามประวัติ onchain ของพวกเขา

ความท้าทายรวมถึงคุณภาพของข้อมูล การเบี่ยงเบนของแนวคิด และข้อจำกัดด้านประสิทธิภาพของระบบพิสูจน์อักษร แต่ด้วยการรวม ML เข้ากับการคำนวณนอกเครือข่ายที่ตรวจสอบได้ โปรเซสเซอร์ร่วมจึงเปิดโอกาสใหม่ๆ มากมายสำหรับการวิเคราะห์บล็อกเชนและการบริหารความเสี่ยง

การแลกเปลี่ยนและตัวเลือกแบบถาวร

ระบบมาร์จิ้นสำหรับการแลกเปลี่ยนแบบไม่จำกัดระยะเวลาจะถูกซ่อนไม่ให้ผู้ใช้เห็นเสมอเกี่ยวกับการแลกเปลี่ยนแบบรวมศูนย์และแม้แต่การแลกเปลี่ยนแบบกระจายอำนาจ ระบบมาร์จิ้นสำหรับอนุพันธ์ เช่น perpetual swaps และ options เดิมทีเป็นกล่องดำทึบแสงที่ควบคุมโดยการแลกเปลี่ยนแบบรวมศูนย์

โปรเซสเซอร์ร่วมนำเสนอโอกาสในการใช้ตรรกะมาร์จิ้นที่โปร่งใสและตรวจสอบได้สำหรับการซื้อขายแบบกระจายอำนาจ คำมั่นสัญญาในการใช้ระบบการโอนหนี้อัตโนมัติในลักษณะที่ได้รับการตรวจสอบแล้วมอบปัจจัยความน่าเชื่อถือที่สูงกว่าสำหรับผู้ใช้ และทำให้ผู้ใช้แตกต่างจากระบบที่รวมศูนย์ในทันที

ระบบมาร์จิ้นสามารถตรวจสอบฟีดราคาที่จัดทำดัชนีและค่าตำแหน่งสำหรับสวอปแบบถาวร การชำระสถานะก่อนที่ยอดมาร์จิ้นจะติดลบ พารามิเตอร์ความเสี่ยงทั้งหมด เช่น อัตราส่วนมาร์จิ้นในการบำรุงรักษา อัตราเงินทุน และบทลงโทษในการชำระบัญชี สามารถควบคุมแบบออนไลน์ได้

อย่างไรก็ตาม การคำนวณที่เข้มข้นสำหรับการคำนวณยอดมาร์จิ้น PnL ที่ยังไม่รับรู้ จำนวนการชำระบัญชี ฯลฯ สามารถถ่ายโอนไปยังตัวประมวลผลร่วมได้ โดยจะดำเนินการตรรกะของ Margin Engine ในสภาพแวดล้อมที่เป็นความลับ และสร้างข้อพิสูจน์ที่ยืนยันถึงการแก้ไขการคำนวณ

ประโยชน์ของแนวทางตัวประมวลผลร่วมรวมถึงความโปร่งใส การตรวจสอบได้ และความเป็นส่วนตัว ตรรกะของ Margin Engine ไม่ใช่กล่องดำที่เป็นกรรมสิทธิ์อีกต่อไป การคำนวณเกิดขึ้นนอกเครือข่าย แต่ผู้ใช้สามารถเชื่อถือหลักฐานการดำเนินการที่ถูกต้องได้ สามารถทำได้เช่นเดียวกันสำหรับตัวเลือกต่างๆ เช่นกัน

ความท้าทายรวมถึงการสร้างหลักฐานที่มีประสิทธิภาพสำหรับการคำนวณมาร์จิ้นแบบเข้มข้น แต่โดยรวมแล้ว โปรเซสเซอร์ร่วมจะปลดล็อกศักยภาพใหม่สำหรับแพลตฟอร์มอนุพันธ์แบบกระจายอำนาจโดยการรวมความเป็นส่วนตัวเข้ากับความสามารถในการตรวจสอบได้

บทสรุป

โปรเซสเซอร์ร่วมขยายความเป็นไปได้อย่างมากสำหรับแอปพลิเคชันบล็อกเชนโดยไม่กระทบต่อการกระจายอำนาจ ในขณะที่โครงการที่ล้ำหน้ายังคงสร้างสรรค์สิ่งใหม่ๆ ในพื้นที่นี้ อนาคตก็ดูสดใสสำหรับการคำนวณนอกเครือข่ายที่ตรวจสอบได้บน Ethereum และที่อื่นๆ

ในบทความต่อๆ ไป ผมจะเจาะลึกถึงข้อควรพิจารณาด้านความปลอดภัยของโซลูชันเหล่านี้ การเปรียบเทียบกับ Rollups วิธีที่เหมาะกับภูมิทัศน์แอปพลิเคชัน ethereum ที่กว้างขึ้น และหากสิ่งเหล่านี้เป็นยาครอบจักรวาลในการปรับขนาดปัญหา

ข้อสงวนสิทธิ์：

1. บทความนี้พิมพ์ซ้ำจาก [Mirror] ลิขสิทธิ์ทั้งหมดเป็นของผู้แต่งต้นฉบับ [จักรพรรดิ์] หากมีการคัดค้านการพิมพ์ซ้ำนี้ โปรดติดต่อทีมงาน Gate Learn แล้วพวกเขาจะจัดการโดยเร็วที่สุด
2. การปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นดำเนินการโดยทีมงาน Gate Learn เว้นแต่จะกล่าวถึง ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว