1. Perkenalan
Baru-baru ini, proyek casting wajah NFT yang diprakarsai oleh Privasea menjadi sangat populer!
Sekilas terlihat sangat sederhana. Dalam proyek ini, pengguna dapat memasukkan wajah mereka di aplikasi seluler IMHUMAN (Saya manusia) dan memasukkan data wajah mereka ke dalam NFT NFT telah memungkinkan proyek ini memperoleh lebih dari 20 W+ volume casting NFT sejak diluncurkan pada akhir April, dan popularitasnya terbukti.
Saya juga sangat bingung, kenapa? Bisakah data wajah diunggah ke blockchain meskipun ukurannya besar? Apakah informasi wajah saya akan dicuri? Apa yang dilakukan Privasea?
Tunggu dulu, mari kita terus meneliti proyek itu sendiri dan pihak proyek Privasea untuk mengetahuinya.
Kata Kunci: NFT, AI, FHE (enkripsi homomorfik penuh), DePIN
2. Dari Web2 ke Web3 - konfrontasi antara manusia dan mesin tidak pernah berhenti
Pertama, mari kita jelaskan tujuan dari proyek casting wajah NFT itu sendiri. Jika Anda mengira proyek ini hanya untuk memasukkan data wajah ke dalam NFT, Anda salah besar.
Nama Aplikasi dari proyek yang kami sebutkan di atas, IMHUMAN (Saya manusia), sudah menggambarkan masalah ini dengan sangat baik: sebenarnya, proyek ini bertujuan menggunakan pengenalan wajah untuk menentukan apakah Anda adalah orang sungguhan di depan layar.
Pertama-tama, mengapa kita memerlukan pengenalan manusia-mesin?
Menurut laporan Q1 tahun 2024 yang disediakan oleh Akamai (lihat lampiran), Bot (program otomatis yang dapat menyimulasikan manusia yang mengirim permintaan HTTP dan operasi lainnya) menyumbang 42,1% lalu lintas Internet, dan lalu lintas berbahaya menyumbang 27,5% dari lalu lintas Internet. seluruh lalu lintas Internet.
Bot Berbahaya dapat membawa konsekuensi bencana seperti respons tertunda atau bahkan waktu henti pada penyedia layanan terpusat, sehingga memengaruhi pengalaman pengguna sebenarnya.
Mari kita ambil contoh skenario pengambilan tiket. Dengan membuat beberapa akun virtual untuk mengambil tiket, penipu dapat meningkatkan kemungkinan berhasil mendapatkan tiket secara signifikan. Terlebih lagi, mereka bahkan langsung menerapkan program otomatis di sebelah ruang komputer penyedia layanan untuk mencapai hampir 0 Pembelian tiket tertunda.
Pengguna biasa hampir tidak memiliki peluang untuk menang ketika menghadapi pengguna teknologi tinggi ini.
Penyedia layanan juga telah melakukan beberapa upaya dalam hal ini. Di sisi klien, dalam skenario Web2, otentikasi nama asli, kode verifikasi perilaku, dan metode lain diperkenalkan untuk membedakan manusia dan mesin dilakukan melalui kebijakan WAF dan cara lainnya.
Apakah ini akan menyelesaikan masalah?
Tentu saja tidak, sebab manfaat dari berbuat curang sangatlah besar.
Pada saat yang sama, konfrontasi antara manusia dan mesin terus berlanjut, dan baik penipu maupun penguji terus meningkatkan persenjataan mereka.
Mengambil contoh para penipu, memanfaatkan pesatnya perkembangan AI dalam beberapa tahun terakhir, kode verifikasi perilaku klien hampir dikurangi secara dimensi oleh berbagai model visual bahkan memiliki kemampuan pengenalan yang lebih cepat dan akurat daripada manusia. Hal ini memaksa pemverifikasi untuk melakukan peningkatan secara pasif, secara bertahap beralih dari deteksi fitur perilaku pengguna awal (kode verifikasi gambar) ke deteksi fitur biometrik (verifikasi persepsi: seperti pemantauan lingkungan klien, sidik jari perangkat, dll.). hingga deteksi fitur biologis (sidik jari, pengenalan wajah).
Untuk Web3, deteksi manusia-mesin juga merupakan permintaan yang kuat.
Untuk beberapa proyek airdrop, penipu dapat membuat beberapa akun palsu untuk melancarkan serangan penyihir. Saat ini, kami perlu mengidentifikasi orang sebenarnya.
Karena atribut keuangan Web3, untuk beberapa operasi berisiko tinggi, seperti login akun, penarikan mata uang, transaksi, transfer, dll., tidak hanya orang sungguhan yang perlu memverifikasi pengguna, tetapi juga pemilik akun, jadi pengenalan wajah telah menjadi pilihan terbaik.
Permintaannya sudah ditentukan, tapi pertanyaannya adalah bagaimana mewujudkannya?
Seperti kita ketahui, desentralisasi adalah tujuan awal Web3. Saat kita membahas cara mengimplementasikan pengenalan wajah di Web3, pertanyaan yang lebih mendalam sebenarnya adalah bagaimana Web3 harus beradaptasi dengan skenario AI:
Bagaimana seharusnya kita membangun jaringan komputasi pembelajaran mesin yang terdesentralisasi?
Bagaimana cara memastikan privasi data pengguna tidak bocor?
Bagaimana cara menjaga pengoperasian jaringan, dll?
3. Jaringan AI Privasea - Eksplorasi Komputasi Privasi + AI
Mengenai masalah yang disebutkan di akhir bab sebelumnya, Privasea memberikan solusi inovatif: Privasea membangun Privasea AI NetWork berdasarkan FHE (Fully Homomorphic Encryption) untuk memecahkan masalah komputasi privasi skenario AI di Web3.
Dalam istilah awam, FHE adalah teknologi enkripsi yang memastikan bahwa hasil operasi yang sama pada teks biasa dan teks sandi konsisten.
Privasea telah mengoptimalkan dan merangkum THE tradisional, membaginya menjadi lapisan aplikasi, lapisan pengoptimalan, lapisan aritmatika, dan lapisan asli, membentuk perpustakaan HESea untuk menyesuaikannya dengan skenario pembelajaran mesin. Berikut ini adalah fungsi spesifik yang bertanggung jawab untuk setiap lapisan:
Melalui struktur berlapisnya, Privasea memberikan solusi yang lebih spesifik dan disesuaikan untuk memenuhi kebutuhan unik setiap pengguna.
Kemasan pengoptimalan Privasea terutama berfokus pada lapisan aplikasi dan lapisan pengoptimalan. Dibandingkan dengan solusi dasar di perpustakaan homomorfik lainnya, penghitungan khusus ini dapat memberikan percepatan lebih dari seribu kali lipat.
3.1 Arsitektur jaringan Privasea AI NetWork
Dilihat dari arsitektur Privasea AI NetWork-nya:
Ada total 4 peran di jaringannya, pemilik data, node Privanetix, decryptor, dan penerima hasil.
Pemilik Data: Digunakan untuk mengirimkan tugas dan data dengan aman melalui Privasea API.
Node Privanetix: adalah inti dari keseluruhan jaringan, dilengkapi dengan perpustakaan HESea yang canggih dan mekanisme insentif berbasis blockchain yang terintegrasi untuk melakukan penghitungan yang aman dan efisien sekaligus melindungi privasi data yang mendasarinya dan memastikan integritas dan kerahasiaan penghitungan.
Decryptor: Dapatkan hasil dekripsi melalui Privasea API dan verifikasi hasilnya.
Penerima hasil: Hasil tugas akan dikembalikan kepada orang yang ditunjuk oleh pemilik data dan penerbit tugas.
3.2 Alur kerja inti Privasea AI NetWork
Berikut adalah diagram alur kerja umum Privasea AI NetWork:
LANGKAH 1: Registrasi Pengguna: Pemilik data memulai proses registrasi di Jaringan AI Privasi dengan memberikan kredensial autentikasi dan otorisasi yang diperlukan. Langkah ini memastikan bahwa hanya pengguna yang berwenang yang dapat mengakses sistem dan berpartisipasi dalam aktivitas jaringan.
LANGKAH 2: Pengiriman tugas: Kirimkan tugas penghitungan dan masukkan data. Data dienkripsi oleh perpustakaan HEsea. Pada saat yang sama, pemilik data juga menentukan dekripsi resmi dan penerima hasil yang dapat mengakses hasil akhir.
LANGKAH 3: Alokasi tugas: Kontrak pintar berbasis Blockchain yang diterapkan di jaringan mengalokasikan tugas komputasi ke node Privanetix yang sesuai berdasarkan ketersediaan dan kemampuan. Proses alokasi dinamis ini memastikan alokasi sumber daya yang efisien dan distribusi tugas komputasi.
LANGKAH 4: Perhitungan terenkripsi: Node Privanetix yang ditunjuk menerima data terenkripsi dan menggunakan perpustakaan HESea untuk melakukan perhitungan. Perhitungan ini dapat dilakukan tanpa mendekripsi data sensitif, sehingga menjaga kerahasiaannya. Untuk lebih memverifikasi integritas penghitungan, node Privanetix menghasilkan bukti tanpa pengetahuan untuk langkah-langkah ini.
LANGKAH 5: Peralihan kunci: Setelah menyelesaikan penghitungan, node Privanetix yang ditunjuk menggunakan teknologi peralihan kunci untuk memastikan bahwa hasil akhir diotorisasi dan hanya dapat diakses oleh dekripsi yang ditunjuk.
LANGKAH 6: Verifikasi hasil: Setelah menyelesaikan penghitungan, node Privanetix mengirimkan hasil enkripsi dan bukti nol-pengetahuan terkait kembali ke kontrak pintar berbasis blockchain untuk verifikasi di masa mendatang.
LANGKAH 7: Mekanisme insentif: lacak kontribusi node Privanetix dan distribusikan hadiah
LANGKAH 8: Pengambilan hasil: Dekripsi menggunakan Privasea API untuk mengakses hasil enkripsi. Prioritas pertama mereka adalah memverifikasi integritas penghitungan, memastikan bahwa node Privanetix melakukan penghitungan sebagaimana dimaksud oleh pemilik data.
LANGKAH 9: Pengiriman hasil: Bagikan hasil yang didekripsi dengan penerima hasil yang ditentukan sebelumnya oleh pemilik data.
Dalam alur kerja inti Privasea AI NetWork, yang dipaparkan kepada pengguna adalah API terbuka, yang memungkinkan pengguna hanya memperhatikan parameter masukan dan hasil yang sesuai tanpa harus memahami operasi kompleks dalam jaringan itu sendiri, tanpa terlalu banyak usaha mental . beban. Pada saat yang sama, enkripsi ujung ke ujung mencegah kebocoran data itu sendiri tanpa memengaruhi pemrosesan data.
Superposisi mekanisme ganda PoW PoS
WorkHeart NFT dan StarFuel NFT yang baru-baru ini diluncurkan oleh Privasea menggunakan mekanisme ganda PoW dan PoS untuk mengelola node jaringan dan mengeluarkan hadiah. Dengan membeli WorkHeart NFT, Anda berhak menjadi node Privanetix untuk berpartisipasi dalam komputasi jaringan dan memperoleh pendapatan token berdasarkan mekanisme PoW. StarFuel NFT adalah node gainer (terbatas hingga 5.000) yang dapat digabungkan dengan WorkHeart, mirip dengan PoS. Semakin banyak token yang dijanjikan, semakin besar pengganda pendapatan dari node WorkHeart.
Jadi mengapa PoW dan PoS?
Sebenarnya pertanyaan ini lebih mudah dijawab.
Inti dari PoW adalah untuk mengurangi tingkat kejahatan node dan menjaga stabilitas jaringan melalui biaya waktu perhitungan. Berbeda dari banyaknya perhitungan verifikasi nomor acak BTC yang tidak valid, keluaran kerja aktual (operasi) dari node jaringan komputasi pribadi ini dapat langsung dihubungkan ke mekanisme beban kerja, yang secara alami cocok untuk PoW.
Dan PoS mempermudah keseimbangan sumber daya ekonomi.
Dengan cara ini, WorkHeart NFT memperoleh pendapatan melalui mekanisme PoW, sementara StarFuel NFT meningkatkan kelipatan pendapatan melalui mekanisme PoS, membentuk mekanisme insentif multi-level dan terdiversifikasi, memungkinkan pengguna untuk memilih metode partisipasi yang tepat berdasarkan sumber daya dan strategi mereka sendiri. Kombinasi kedua mekanisme tersebut dapat mengoptimalkan struktur distribusi pendapatan dan menyeimbangkan pentingnya sumber daya komputasi dan sumber daya ekonomi dalam jaringan.
3.3 Ringkasan
Terlihat bahwa Privatosea AI NetWork telah membangun versi terenkripsi dari sistem pembelajaran mesin berdasarkan FHE. Berkat karakteristik komputasi privasi FHE, tugas komputasi disubkontrakkan ke berbagai node komputasi (Privanetix) dalam lingkungan terdistribusi, validitas hasil diverifikasi melalui ZKP, dan mekanisme ganda PoW dan PoS digunakan untuk memberikan hasil komputasi . Node memberi penghargaan atau hukuman untuk mempertahankan pengoperasian jaringan. Dapat dikatakan bahwa desain Privasea AI NetWork membuka jalan bagi aplikasi AI yang menjaga privasi di berbagai bidang.
4. Enkripsi homomorfik FHE - Cawan Suci kriptografi yang baru?
Seperti yang bisa kita lihat di bab terakhir, keamanan Privatosea AI NetWork bergantung pada FHE yang mendasarinya. Dengan terobosan teknologi berkelanjutan dari ZAMA, pemimpin jalur FHE, FHE bahkan dijuluki sebagai Holy Grail baru dalam kriptografi oleh para investor. , mari kita bandingkan dengan ZKP dan solusi terkait.
Sebagai perbandingan, terlihat bahwa skenario penerapan ZKP dan FHE sangat berbeda. FHE berfokus pada penghitungan privasi, sedangkan ZKP berfokus pada verifikasi privasi.
SMC tampaknya memiliki tingkat tumpang tindih yang lebih besar dengan FHE. Konsep SMC adalah komputasi bersama yang aman, yang memecahkan masalah privasi data dari masing-masing komputer yang melakukan komputasi bersama.
5. Keterbatasan FHE
FHE mencapai pemisahan hak pemrosesan data dan kepemilikan data, sehingga mencegah kebocoran data tanpa mempengaruhi komputasi. Namun di saat yang sama, yang dikorbankan adalah kecepatan komputasi.
Enkripsi ibarat pedang bermata dua. Meskipun meningkatkan keamanan, hal ini juga sangat mengurangi kecepatan komputasi.
Dalam beberapa tahun terakhir, berbagai jenis solusi peningkatan kinerja FHE telah diusulkan, beberapa berdasarkan optimasi algoritma dan beberapa mengandalkan akselerasi perangkat keras.
Dalam hal optimasi algoritma, skema FHE baru seperti CKKS dan metode bootstrap yang dioptimalkan secara signifikan mengurangi pertumbuhan kebisingan dan overhead komputasi;
Dalam hal akselerasi perangkat keras, GPU yang disesuaikan, FPGA, dan perangkat keras lainnya telah meningkatkan kinerja operasi polinomial secara signifikan.
Selain itu, penerapan skema enkripsi hibrid juga sedang dijajaki. Dengan menggabungkan enkripsi homomorfik parsial (PHE) dan enkripsi pencarian (SE), efisiensi dapat ditingkatkan dalam skenario tertentu.
Meskipun demikian, FHE masih memiliki kesenjangan kinerja yang besar dibandingkan penghitungan teks biasa.
6. Ringkasan
Melalui arsitekturnya yang unik dan teknologi komputasi privasi yang relatif efisien, Privasea tidak hanya menyediakan lingkungan pemrosesan data yang sangat aman bagi pengguna, namun juga membuka babak baru dalam integrasi mendalam Web3 dan AI. Meskipun FHE yang mendasarinya memiliki kelemahan kecepatan komputasi alami, Privasea baru-baru ini menjalin kerja sama dengan ZAMA untuk bersama-sama mengatasi masalah komputasi privasi. Di masa depan, dengan terobosan teknologi yang berkelanjutan, Privasea diharapkan dapat mengeluarkan potensinya di lebih banyak bidang dan menjadi penjelajah komputasi privasi dan aplikasi AI.
