作者：Weikeng Chen
原文連結： https://blog.polyhedra.network/tee-in-polyhedra/
Polyhedra 正在為其跨鏈橋接協議、預言機系統以及可驗證 AI 市場引入新一層安全機制，依托Google Confidential Computing技術實現可信任執行環境（Trusted Execution Environment，簡稱TEE）。在廣泛研究當前主流 TEE 解決方案後，Polyhedra 選擇基於Google Confidential Space搭建 TEE 安全模組，並率先驗證了其零知識-TEE 結合（ZK-TEE）的全新證明機制—— 實現在Google Cloud 上運行的計算結果可被 EVM 鏈端驗證，開闢了可信計算區塊與鏈互闢的新路徑。
此安全層將逐步部署至Polyhedra 旗下多款基於零知識的核心產品，涵蓋多個鏈之間的跨鏈互操作系統。同時，Polyhedra 也計劃透過預先編譯合約形式，將 TEE 證明能力與 TEE 安全防護的 AI 應用原生整合至其自主研發的 EXPchain 中。
什麼是TEE？
TEE，全名為「受信執行環境」（Trusted Execution Environment），是一種CPU 技術。它可以讓CPU 在加密且保護完整性的記憶體中執行運算—— 就連雲端服務提供者（例如Google Cloud）、作業系統，甚至是在同一個虛擬機器環境中的其他系統，都無法查看這些資料。
換句話說，TEE 能在硬體層面保證資料在使用過程中的機密性和安全性。
這種技術其實已經被廣泛使用了。例如蘋果的裝置預設啟用了全碟加密功能（也叫「資料保護」 ），它就是基於蘋果晶片上的TEE 實現的。只有當使用者用指紋或密碼解鎖裝置後，才能存取裝置裡儲存的密碼和金鑰等敏感資訊。微軟的Windows 系統也是一樣，近幾個版本都支援TEE 加持下的全碟加密（ BitLocker ）。這樣只有在作業系統和啟動流程沒有被竄改的前提下，磁碟才會解鎖。
Polyhedra 的 TEE 技術願景：建構安全且可信的下一代網路基礎設施
從去年開始，Polyhedra 就一直專注於跨鏈互通性和AI 的安全性、可信賴性與可驗證性三大核心維度。我們正在推動多個產品研發，其中部分已正式發布。整體而言，Polyhedra 的核心聚焦點涵蓋三個關鍵方向：
跨鏈橋接協議
ZKML 與可驗證 AI 智能體
可驗證 AI 市場，包括 MCP 伺服器（多方協同推理）
安全性始終是Polyhedra 的首要目標，也是創始團隊組成Polyhedra Network 的初衷。我們已透過deVirgo 實現對底層共識機制的可驗證性，包括以太坊的完整共識驗證。
同時，Polyhedra zkBridge 已支援的諸多鏈大多採用BFT 風格的PoS 共識，這些系統的驗證難度相對較低。然而，在保障系統安全性的同時，我們也意識到引入可信任執行環境（TEE）對於改善使用者體驗至關重要。 TEE 能夠實現更低成本、更快終局確認時間、更強的非鏈上互通性以及更高的資料隱私保護，為我們的產品體系提供重要補充。 TEE，將成為我們安全架構中關鍵的一環，也是跨鏈與AI 未來發展的加速器。
成本更低：Polyhedra 在 ZK 系統中的降本策略
Polyhedra 一直致力於透過多種技術路徑降低跨鏈橋接成本。這項成本主要來自於目的鏈上對零知識證明的產生與驗證開銷，不同區塊鏈的驗證成本差異較大，以太坊的驗證費用通常偏高。在現網運作中，Polyhedra 主要透過「批量處理」機制來優化成本。在zkBridge 中，核心步驟「區塊同步」並非對每個區塊都執行，而是每隔數個區塊統一進行，該區塊間隔會根據鏈上活躍度動態調整，從而有效降低整體成本。
不過，在一些冷清時段（例如某條鏈的凌晨），使用者可能是「唯一發起跨鏈操作的人」。為了不讓這類使用者等待太久，zkBridge 會直接觸發同步、產生證明並完成驗證，這樣就會產生額外的成本。這些成本有時由用戶自己承擔，也可能分攤到其他用戶的交易費用。 對於大額跨鏈交易，為了確保安全，證明成本幾乎不可避免。但對於小額交易，我們正在探索一種新機制：由Polyhedra 預支資金流動性，在可控範圍內承擔部分風險，為用戶帶來更快、更便宜的跨鏈體驗。
除了跨鏈橋，Polyhedra 也持續優化zkML 的生成與驗證成本。其旗艦產品Expander 庫已廣泛被其他團隊用於ZK 機器學習場景，並在向量化、平行運算和GPU 加速等方面取得顯著進展。此外，其證明系統也進行了多輪最佳化，大幅降低了證明產生開銷。在鏈上驗證方面，Polyhedra 正在其自主公鏈EXPchain 中部署用於zkML 驗證的預編譯模組，該功能預計將在下一階段測試網中上線，從而實現zkML 證明的高效驗證，併計劃推廣至更多區塊鏈生態。
儘管Polyhedra 已實現參數規模高達80 億的Llama 模型的證明，但目前的生成過程尚未做到「即時」。對於更大規模的模型，尤其是影像或影片生成類別模型，證明生成時間仍然較長。 Polyhedra 專注於建立AI 智能體系統，在樂觀執行架構下運行模型－使用者如遭遇惡意操作，可透過zkML 證明向鏈上發起申訴並懲罰操作者，無需每次都產生證明，僅在挑戰時使用。證明成本相對可接受，但智能體操作者需鎖定一定資本作為保險金，產生資金佔用壓力。
因此，對於運行超大模型、對安全性要求更高或期望更低費用的用戶，引入另一層安全機制（如TEE）將非常關鍵。 TEE 不僅可用於保障鏈上AI 應用（如交易機器人）的可信度，也可在技術上提升系統抗攻擊能力，進而降低所需保險資金的規模。
快速終局：應對Rollup 上鍊延遲挑戰
Polyhedra 也在持續推動「快速終局」（Fast Finality）的能力，尤其是為了解決部分Rollup 在以太坊L1 上結算週期過長的問題。由於依賴以太坊L1 的狀態共識以繼承其安全性，終局延遲會影響使用者體驗與互動效率。這問題在樂觀Rollup（如Optimism 和Arbitrum）中尤其明顯，其提款期通常長達7 天，顯然難以滿足大多數用戶的即時性需求。而在zkRollup 中，儘管安全性更強，但許多項目仍採取每30 分鐘至10-12 小時不等的延遲批量提交方案，也造成一定延遲。
為了解決跨鏈互通性的問題，Polyhedra 在與Arbitrum 和Optimism 的整合中採用了結合零知識證明（ZK proofs）的狀態委員會（State Committee）機制。相同的技術也已部署於opBNB 。該方案透過多個節點運行這些Rollup 的全節點客戶端，主要任務是從官方RPC API 取得最新區塊資料。在可能的情況下，我們引入了RPC 多樣性以增強系統的安全性和可用性。每台機器都會對橋接合約中即將跨鏈傳送的事件進行簽名，並最終將多個簽名聚合為一個可在鏈上驗證的ZK 證明。之所以採用簽章聚合設計，是為了支援更多的驗證節點參與，提升去中心化程度。
此狀態委員會系統已穩定運作約一年時間。然而，需要注意的是，狀態委員會所產生的ZK 聚合簽名在安全性方面，尚不及針對整個共識過程產生的完整ZK 證明。因此，我們在快速確認機制中對該方案進行了限制：僅適用於小額資產的跨鏈轉移；對於大額資產，Polyhedra 推薦用戶使用官方的L2 到L1 橋接管道，以獲得更強的安全保證。
在ZKML 場景中，尤其是需要即時執行的場景（如AI 交易機器人），實現「快速終局」顯得尤為關鍵。為此，Polyhedra 正在探索在其可驗證AI 技術堆疊中引入TEE（可信任執行環境）作為解決方案，使AI 推理過程運行在具備TEE 的計算環境中，以保障資料的可信性和執行結果的可驗證性。
我們計劃利用Google Vertex AI 的模型庫，證明某一模型的輸出確實源自Vertex AI的API 調用，或透過TEE 證明結果來自官方的ChatGPT或DeepSeek API服務。雖然這需要一定程度上信任平台方（如Google、OpenAI），但我們認為這是一個可以接受的工程假設，尤其是在與純鏈上計算的ZKML 搭配使用時。
若使用者希望執行自訂模型，我們也可在支援TEE 的Nvidia GPU 執行個體（ Google 近期已支援）中部署該模型。此機制可與ZKML 證明並行使用：ZK 證明可在系統遭到質疑時生成，或延遲生成作為保險補充機制。例如，在以AI 交易機器人或代理程式導向的保險機制中，營運者可在保額達到上限前產生ZKML 證明，用於釋放安全保證金，從而提升代理系統的交易吞吐量，使其在原有保額下處理更多任務。
非區塊鏈互通性：連結鏈上與真實世界的可信任通道
Polyhedra 一直在探索將零知識證明（ZKP）應用於非區塊鏈場景，代表性案例包括中心化交易所（CEX）的儲備證明系統，透過對資料庫進行隱私保護驗證，從而實現可審計性。此外，我們也積極推動鏈與鏈外系統之間的互通，例如為AI 交易機器人和現實資產（RWA）提供股票、黃金、白銀等傳統金融資產價格的可信任預言機，或透過Google 登入、Auth 0 登入等社交方式實現鏈上身份認證。
鏈外資料主要分為兩類：
JWT（JSON Web Token）簽署資料：可直接在EVM 上驗證（儘管gas 成本較高），或經ZK 證明包裹後進行驗證。 Polyhedra 採用的就是後者方式。
TLS（傳輸層安全協定）資料：可透過ZK-TLS 進行證明，但目前技術要求使用者信任用於重建TLS 金鑰的MPC 節點。 ZK-TLS 在處理簡單網頁或API 資料時表現良好，但處理複雜網頁或PDF 文件時成本較高。
在這一背景下，Polyhedra 引入了ZK-TEE 方案。我們可以在可信任執行環境（TEE）中執行一個TLS 用戶端，透過Google Confidential Computing 產生可信任運算證明，再轉換為ZK-TEE 證明上鍊，實現鏈外資料的安全讀取與驗證。
此TLS 用戶端為通用架構，運作高效，可支援幾乎所有TLS 連線場景，包括但不限於：
造訪Nasdaq 等金融網站取得股票價格
代表用戶操作股票帳戶進行買賣交易
透過線上銀行進行法幣轉賬，實現與傳統銀行帳戶的“跨域橋接”
搜尋與預訂航班及飯店
從多個中心化交易所（CEX）和去中心化交易所（DEX）即時取得加密貨幣價格
在AI 場景中，非區塊鏈資料的可信性尤其重要。當下的大型語言模型（LLM）不僅接收使用者輸入，還會使用搜尋引擎或LangGraph 、 Model Context Protocol（MCP）等方式動態取得外部資料。透過TEE，我們可以驗證這些資料來源的真實性。例如，AI 代理在解決數學問題時可呼叫Wolfram Mathematica或遠端的Wolfram Alpha API 服務，並使用TEE 來保障這些呼叫過程與結果的完整性。
隱私保障：建構可信的AI 推理環境
目前，zkBridge 主要利用ZK 證明提升安全性，並未與隱私鏈整合。但隨著AI 應用的興起（如鏈上AI 代理和交易機器人），隱私成為新一輪核心需求。我們正在深入探索多個關鍵應用場景：
在零知識機器學習（ZKML）領域，核心應用之一是驗證私有模型的正確推理。這類模型通常會將參數保密（使用者無需知悉特定參數），有時連模型架構等商業機密也會隱藏。私有模型非常普遍：OpenAI 的ChatGPT 、Anthropic 的Claude以及Google的Gemini均屬此類。目前最先進的模型大多保持閉源有其必然性——需要透過商業收益覆蓋高昂的訓練研發成本，這一現狀預計還將持續數年。
儘管私有化有其合理性，但在自動化環境中，當模型輸出直接觸發鏈上操作（如代幣買賣）尤其是涉及大額資金時，用戶往往需要更強的可追溯性和可驗證性保障。
ZKML 透過證明模型在基準測試和實際推理中保持一致性來解決這個問題。這對 AI 交易機器人尤其重要：使用者基於歷史回測資料選擇模型後，既可確保模型持續採用相同參數運行，又無需知曉具體參數細節，從而完美平衡了驗證需求與隱私保護。
我們同時探索可信任執行環境（TEE）技術，因其能提供 ZK 無法實現的使用者輸入隱私保護。 ZKML 要求證明方掌握包括模型參數和使用者輸入在內的全部資訊。雖然理論上可以結合零知識和多方計算（MPC），但對大模型而言，這種組合會導致驗證速度急劇下降——不僅模型推理，整個證明過程都需在 MPC 內完成。此外，MPC 本身也存在節點共謀風險。而 TEE 能有效解決這些問題。
在多方計算伺服器（MCP）隱私權保護方面，TEE 同樣發揮關鍵作用。 Polyhedra 正在開發的可驗證 MCP 市場將列明透過 ZKP 或 TEE 實現可驗證性、可追溯性和安全性的 MCP 伺服器。當模型在配備 TEE 的 Proof Cloud 中運行，且僅調用標有隱私認證的 MCP 服務時，我們能確保用戶輸入資料始終加密於 TEE 環境，永不外洩。
TEE 是如何運作的？
前文我們已探討了Polyhedra 的技術願景，以及可信執行環境（TEE）如何與零知識證明（ZKP）共同構成我們產品體系中的關鍵支柱。接下來，我們將進一步深入介紹TEE 的工作原理。
TEE 透過創建安全飛地(enclave)實現計算與資料的全封閉保護，但這僅是基礎能力。其革命性價值在於透過遠端認證(remote attestation)機制實現公開可驗證性。
遠端認證的工作流程包含三個關鍵環節：
飛地初始化階段：CPU 對安全飛地內的可執行程式二進位程式碼進行完整性度量
證明產生階段：透過AMD 金鑰分發服務(KDS)或英特爾認證服務(IAS)產生可公開驗證的證明
憑證鏈驗證階段：此證明包含簽章及憑證鏈，其根憑證分別由 AMD 或英特爾簽發
當證明文件能通過根證書驗證時，即可確認兩點核心事實：
計算確實在配備 TEE 技術的 AMD/英特爾晶片飛地中執行
簽名內容所包含的程式資訊與模型輸出等關鍵資料真實可信
Polyhedra 的創新突破在於：透過 ZK-TEE 證明技術，將 TEE 認證證明壓縮為可在鏈上高效驗證的精簡證明。以 zkBridge 為例，我們即將展示該技術如何為多款產品提供安全保障。
SGX、SEV 與TDX：TEE 技術的選擇與比較
在建構可信任執行環境（TEE）支援的產品體系過程中，Polyhedra 深入研究了當前主流的三種TEE 技術實現，分別為：
Intel SGX（ Software Guard Extensions ）：適用於部分Intel 伺服器級CPU；
AMD SEV（ Secure Encrypted Virtualization ）：廣泛適用於AMD EPYC 系列CPU；
Intel TDX（ Trust Domain Extensions ）：新一代Intel Xeon 處理器的技術。
以下是我們對這三種技術的比較分析，以及對實際選型的思考：
SGX：最早落地的TEE 技術
Intel SGX 是目前可用時間最長的可信任執行環境（TEE）方案之一。然而在主流雲端服務供應商中，僅Microsoft Azure 支援SGX，而Google Cloud 和AWS 都已轉向支援SEV 與TDX 等替代方案。
SGX 的核心機制是在Intel 處理器內部劃定一塊隔離記憶體區域（Enclave），CPU 直接對此記憶體區域進行管理和存取控制。透過REPORT指令，CPU 對enclave 中的執行程式碼進行測量，從而產生可信任證明，確保其中執行的二進位程式碼在建立時即處於確定性、可重現的狀態。
此模型具有顯著的低層級特性：
開發者必須確保enclave 內的程式和資料在創建時處於一致性狀態；
並確保其作為可信任計算根（Root of Trust），不依賴任何未驗證的外部輸入或動態載入程式碼。
這底層設計讓SGX 對開發者而言始終不夠友好，幾乎持續了整個過去十年。早期的SGX 開發幾乎只能使用C/C++ 編寫enclave 程序，不僅無法支援多執行緒等常見作業系統特性，而且往往需要對原有應用程式乃至其依賴函式庫進行大幅改動。
為了簡化這個開發過程，近年來開發者嘗試將SGX 應用程式部署在虛擬化作業系統（如Gramine ）上運作。 Gramine 提供了類別作業系統的封裝，幫助開發者在不完全重寫程式碼的前提下適配SGX 環境。然而，使用Gramine 仍需格外謹慎：如果依賴的某些Linux 常用函式庫未被充分支持，依然可能造成程式異常。尤其在追求性能優化時，仍需對底層實現做出不少調整。
值得注意的是，業界已經出現了更易落地的替代方案：AMD SEV 和Intel TDX，它們在保障安全可信的前提下，避免了SGX 所面臨的大量開發門檻，為建構隱私運算基礎設施提供了更高的靈活性和實用性。
SEV 與TDX：虛擬化為導向的可信任運算解決方案
與SGX 僅保護一小塊稱為enclave 的記憶體區域不同，AMD SEV 和Intel TDX 旨在保護運行於不可信主機上的整台虛擬機器（VM）。這種設計思路的背後邏輯，源自於現代雲端運算基礎設施的架構特性。例如，Google Cloud 等雲端服務商通常會在實體伺服器上執行hypervisor（裸金屬管理程式），用於在同一台機器上調度來自多個使用者的虛擬運算節點。
這些hypervisor 廣泛使用硬體級虛擬化技術，如Intel VT-x 或AMD-V，以取代效能較差的軟體虛擬化方法，後者已逐漸被淘汰。
換言之，在雲端運算環境中，CPU 本身已天然具備對虛擬機器與hypervisor 的辨識能力與隔離控制。 CPU 不僅提供跨虛擬機器的資料隔離機制，確保資源公平分配，也將網路與磁碟存取虛擬化隔離。實際上，hypervisor 越來越多地被簡化為軟體前端接口，而真正承擔虛擬機資源管理任務的，是底層的硬體CPU。
因此，在雲端虛擬機器之上部署受保護的執行環境（enclave）變得自然而高效，這正是SEV 與TDX 的核心設計目標。
具體來說，這兩項技術透過以下機制，確保虛擬機器在不可信環境中仍具備可信賴運算能力：
記憶體加密與完整性保護：SEV 和TDX 在硬體層對虛擬機器記憶體進行加密，並附加完整性校驗機制。即使底層hypervisor 被惡意竄改，其也無法存取或修改虛擬機器內部的資料內容。
遠端證明（Remote Attestation）機制：它們透過整合可信任平台模組（TPM） 為虛擬機器提供遠端證明功能。 TPM 會在啟動時度量虛擬機器的初始狀態，並產生帶有簽名的證明，確保虛擬機器在可驗證的、可信任的環境中運作。
儘管SEV 與TDX 提供了強大的虛擬機器等級保護機制，但在實際部署中仍存在一個關鍵挑戰，也是許多專案常見的陷阱：TPM 預設只度量虛擬機器作業系統的啟動序列，而不會涉及其上運行的特定應用程式。
要確保遠端證明涵蓋運行在虛擬機器內的應用程式邏輯，通常有兩種方式：
方法一：將應用程式寫入作業系統鏡像（hardcode into the OS）
此方法要求虛擬機器啟動至一個經過加強、僅可執行目標應用程式的作業系統，從根本上排除執行任何非預期程式的可能性。 建議的實踐是採用微軟提出的dm-verity機制：在啟動時，系統僅掛載一個唯讀磁碟映像，該映像的雜湊是公開且固定的，確保所有可執行檔都經過驗證，且不能被篡改或替換。驗證過程可透過AMD KDS 或Intel IAS 完成。
這種方式的複雜之處在於：應用程式必須重構為唯讀磁碟結構的一部分。如果需要暫時可寫存儲，則需使用記憶體檔案系統或加密/具完整性校驗的外部存儲。同時，整個系統需以Unified Kernel Image (UKI)格式封裝，包含應用程式、作業系統映像與核心。儘管實現成本較高，但它可以提供高度確定性的可信任執行環境。
方法二：使用Google Confidential Space（推薦）
Google Confidential Space提供了一個託管式解決方案，它實質上也是對方法一的抽象與封裝。其核心思想與前者一致：確保整個虛擬機器環境的可信任性，但開發者只需建立標準的Docker 容器映像即可，無需手動配置核心與磁碟映像。 Google 會負責底層的加強OS 鏡像與遠端證明配置，大幅簡化了開發流程。
我們將在未來的部落格中進一步分享基於Confidential Space 的技術方案實現，包括金鑰管理與部署策略等細節。
TEE 在Polyhedra 產品體系中的應用總結
1.橋接協議（Bridges）
在橋接協議的實作中，Polyhedra 將在現有的零知識證明（ZK）或狀態委員會的基礎上，加入額外的安全檢查。這些檢查可能包括執行輕客戶端（如果可用），或透過多條規範化的RPC API 服務與相應的鏈進行交互，確保資料傳輸的安全性和可靠性。
2.零知識機器學習（ZKML）
在ZKML 領域，Polyhedra 可能會運行一個TEE 代理，呼叫Google Vertex API 或外部AI API 服務進行推理，並驗證模型輸出是否來自Vertex API，且沒有被篡改；或者在沒有使用Google 模型庫的情況下，直接透過Nvidia GPU 上的保密計算運行AI 模型。需要注意的是，在此方案中，隱私保護是其附帶的副產品。我們可以輕鬆隱藏模型的參數、輸入和輸出，以保障資料的隱私性。
3.可驗證AI 市場（Verifiable AI Marketplace）
對於可驗證AI 市場，包括MCP 伺服器，Polyhedra 採用類似的策略：透過執行TEE 代理，或在可能的情況下直接執行應用程式。例如，在需要數學解法的MCP 服務中，我們可以選擇搭建TEE 代理程式連接到Wolfram Alpha，或直接執行Mathematica 的本機副本。在某些場景下，我們必須使用TEE 代理，例如與機票預訂系統、Slack 或搜尋引擎互動時。需要特別指出的是，TEE 還可以將一個不符合MCP 標準的服務（例如任意Web2 API）轉換為符合MCP 的服務，方法是透過代理程式在服務之間進行架構和格式的轉換。
展望：TEE 加入將加速產品落地並帶來多重價值
TEE 技術的引入是Polyhedra 技術堆疊的重要補充，未來我們將率先在跨鏈橋模組中落地部署，並逐步推廣至AI 推理和去中心化服務市場。 TEE 技術將大幅降低用戶成本、加速交易最終確認、實現更多生態系統的互通性，並為用戶提供全新的隱私保護特性。
