1. Ievads
Pēdējā laikā ārkārtīgi populārs ir Privasea iniciēts sejas NFT kastinga projekts!
No pirmā acu uzmetiena tas šķiet ļoti vienkārši. Projektā lietotāji var ievadīt savas sejas mobilajā lietojumprogrammā IMHUMAN (I am human) un pārsūtīt savus sejas datus NFT NFT ir ļāvis projektam iegūt vairāk nekā 20 W+ NFT apraides apjomu kopš tā palaišanas aprīļa beigās, un popularitāte ir acīmredzama.
Es arī esmu ļoti neizpratnē, kāpēc? Vai sejas datus var augšupielādēt blokķēdē, pat ja tie ir lieli? Vai mana sejas informācija tiks nozagta? Ko dara Privasea?
Pagaidiet, turpināsim pētīt pašu projektu un projekta partiju Privasea, lai to noskaidrotu.
Atslēgvārdi: NFT, AI, FHE (pilnīgi homomorfā šifrēšana), DePIN
2. No Web2 uz Web3 – konfrontācija starp cilvēku un mašīnu nekad neapstājas
Pirmkārt, izskaidrosim paša sejas NFT apraides projekta mērķi.
Iepriekš minētā projekta lietotnes nosaukums IMHUMAN (I am human) jau ļoti labi ilustrē šo problēmu: patiesībā šī projekta mērķis ir izmantot sejas atpazīšanu, lai noteiktu, vai ekrāna priekšā esat īsta persona.
Pirmkārt, kāpēc mums ir vajadzīga cilvēka un mašīnas atpazīšana?
Saskaņā ar Akamai sniegto 2024. gada 1. ceturkšņa ziņojumu (skatīt pielikumu), Bot (automatizēta programma, kas var simulēt cilvēkus, kas sūta HTTP pieprasījumus un citas darbības) veido pārsteidzošus 42,1% no interneta trafika, no kuriem 27,5% ir ļaunprātīga trafika. visa interneta trafika.
Ļaunprātīgi roboti var radīt katastrofālas sekas, piemēram, aizkavētu reakciju vai pat dīkstāves centralizētajiem pakalpojumu sniedzējiem, ietekmējot reālu lietotāju lietošanas pieredzi.
Ņemsim par piemēru biļešu sagrābšanas scenāriju. Izveidojot vairākus virtuālos kontus, lai saņemtu biļetes, krāpnieki var ievērojami palielināt iespēju, ka biļetes tiks iegūtas, turklāt viņi pat tieši izvieto automatizētas programmas blakus pakalpojumu sniedzēja datortelpai, lai sasniegtu gandrīz 0 Aizkavēta biļešu iegāde.
Parastajiem lietotājiem nav gandrīz nekādu izredžu uzvarēt pret šiem augsto tehnoloģiju lietotājiem.
Pakalpojumu sniedzēji ir pielikuši arī zināmas pūles Web2 scenārijā, lai atšķirtu cilvēkus un mašīnas izmantojot WAF politiku un citus līdzekļus.
Vai tas atrisinās problēmu?
Acīmredzot nē, jo krāpšanās priekšrocības ir milzīgas.
Tajā pašā laikā konfrontācija starp cilvēku un mašīnu ir nepārtraukta, un gan krāpnieki, gan pārbaudītāji nemitīgi pilnveido savus arsenālus.
Ņemot par piemēru krāpniekus, izmantojot AI straujo attīstību pēdējos gados, klienta uzvedības pārbaudes kods ir gandrīz samazināts ar dažādiem vizuāliem modeļiem, un tam ir pat ātrākas un precīzākas atpazīšanas iespējas nekā cilvēkiem. Tas liek verificētājiem pasīvi veikt jaunināšanu, pakāpeniski pārejot no agrīnas lietotāja uzvedības funkciju noteikšanas (attēla verifikācijas kods) uz biometrisko funkciju noteikšanu (uztveres pārbaude: piemēram, klienta vides uzraudzība, ierīces pirkstu nospiedumi utt.). Dažām augsta riska darbībām var būt nepieciešama jaunināšana bioloģisko pazīmju noteikšanai (pirkstu nospiedumi, sejas atpazīšana).
Cilvēka-mašīnas noteikšana ir arī liels pieprasījums attiecībā uz Web3.
Dažos projektos krāpnieki var izveidot vairākus viltus kontus, lai uzsāktu raganu uzbrukumus. Šobrīd mums ir jāidentificē īstā persona.
Web3 finansiālo atribūtu dēļ dažām augsta riska operācijām, piemēram, konta pieteikšanās, valūtas izņemšana, darījumi, pārskaitījumi utt., lietotājs ir jāverificē ne tikai reālajai personai, bet arī konta īpašniekam, tāpēc sejas atpazīšana ir kļuvusi par labāko izvēli.
Pieprasījums ir noteikts, bet jautājums, kā to realizēt?
Kā mēs visi zinām, Web3 sākotnējais nolūks ir decentralizācija. Kad mēs apspriežam sejas atpazīšanas ieviešanu vietnē Web3, dziļāks jautājums ir par to, kā Web3 pielāgoties AI scenārijiem.
Kā mums vajadzētu izveidot decentralizētu mašīnmācības skaitļošanas tīklu?
Kā nodrošināt, lai lietotāja datu privātums netiek nopludināts?
Kā uzturēt tīkla darbību utt.?
3. Privasea AI tīkls — privātuma skaitļošanas + AI izpēte
Attiecībā uz iepriekšējās nodaļas beigās minētajām problēmām Privasea piedāvāja revolucionāru risinājumu: Privasea izveidoja Privasea AI tīklu, kura pamatā ir FHE (Fully Homomorphic Encryption), lai atrisinātu AI scenāriju privātuma skaitļošanas problēmu Web3.
Nespeciālista izteiksmē FHE ir šifrēšanas tehnoloģija, kas nodrošina, ka vienas un tās pašas darbības rezultāti vienkāršajam tekstam un šifrētajam tekstam ir konsekventi.
Privasea ir optimizējis un iekapsulējis tradicionālo THE, sadalot to lietojumprogrammu slānī, optimizācijas slānī, aritmētiskajā slānī un sākotnējā slānī, veidojot HESea bibliotēku, lai pielāgotu to mašīnmācīšanās scenārijiem. Tālāk ir norādītas par katru slāni atbildīgās īpašās funkcijas.
Pateicoties slāņveida struktūrai, Privasea nodrošina specifiskākus un pielāgotākus risinājumus, lai apmierinātu katra lietotāja unikālās vajadzības.
Privasea optimizācijas iepakojums galvenokārt koncentrējas uz lietojumprogrammas slāni un optimizācijas slāni, salīdzinot ar pamata risinājumiem citās homomorfās bibliotēkās, šie pielāgotie aprēķini var nodrošināt vairāk nekā tūkstoš reižu paātrinājumu.
3.1. Privasea AI tīkla tīkla arhitektūra
Spriežot pēc tā Privasea AI tīkla arhitektūras:
Tā tīklā kopumā ir 4 lomas, datu īpašnieks, Privanetix mezgls, atšifrētājs un rezultāta saņēmējs.
Datu īpašnieks: izmanto, lai droši iesniegtu uzdevumus un datus, izmantojot Privasea API.
Privanetix mezgli: ir visa tīkla kodols, kas aprīkots ar uzlabotām HESea bibliotēkām un integrētiem uz blokķēdes balstītiem stimulēšanas mehānismiem, lai veiktu drošus un efektīvus aprēķinus, vienlaikus aizsargājot pamatā esošo datu privātumu un nodrošinot aprēķinu integritāti un konfidencialitāti.
Atšifrētājs: iegūstiet atšifrēto rezultātu, izmantojot Privasea API, un pārbaudiet rezultātu.
Rezultāta saņēmējs: uzdevuma rezultāti tiks atgriezti datu īpašnieka un uzdevuma izsniedzēja norādītajai personai.
3.2. Privasea AI tīkla galvenā darbplūsma
Tālāk ir sniegta Privasea AI tīkla vispārējā darbplūsmas diagramma:
1. SOLIS. Lietotāja reģistrācija. Datu īpašnieks uzsāk reģistrācijas procesu Privacy AI tīklā, nodrošinot nepieciešamos autentifikācijas un autorizācijas akreditācijas datus. Šī darbība nodrošina, ka tikai pilnvaroti lietotāji var piekļūt sistēmai un piedalīties tīkla darbībās.
2. SOLIS: Uzdevuma iesniegšana: HEsea bibliotēka šifrē datus. Tajā pašā laikā datu īpašnieks norāda arī autorizētos atšifrētājus un rezultātu saņēmējus, kuri var piekļūt gala rezultātiem.
3. SOLIS. Uzdevumu sadale. Uz blokķēdes balstīti viedie līgumi, kas izvietoti tīklā, piešķir skaitļošanas uzdevumus atbilstošiem Privanetix mezgliem, pamatojoties uz pieejamību un iespējām. Šis dinamiskais sadales process nodrošina efektīvu resursu piešķiršanu un skaitļošanas uzdevumu sadali.
4. SOLIS. Šifrēts aprēķins. Norādītais Privanetix mezgls saņem šifrētos datus un izmanto HESea bibliotēku, lai veiktu aprēķinus. Šos aprēķinus var veikt, neatšifrējot sensitīvos datus, tādējādi saglabājot to konfidencialitāti. Lai vēl vairāk pārbaudītu aprēķinu integritāti, Privanetix mezgli šīm darbībām ģenerē nulles zināšanu pierādījumus.
5. SOLIS. Atslēgu maiņa. Pēc aprēķina pabeigšanas izraudzītais Privanetix mezgls izmanto atslēgu maiņas tehnoloģiju, lai nodrošinātu, ka gala rezultāts ir autorizēts un tam var piekļūt tikai norādītais atšifrētājs.
6. SOLIS. Rezultāta pārbaude. Pēc aprēķina pabeigšanas Privanetix mezgls pārsūta šifrēšanas rezultātu un atbilstošo nulles zināšanu pierādījumu atpakaļ uz blokķēdes viedo līgumu turpmākai pārbaudei.
7. SOLIS. Stimulēšanas mehānisms: izsekojiet Privanetix mezglu ieguldījumu un sadaliet atlīdzības
8. SOLIS. Rezultātu izguve: atšifrētājs izmanto Privasea API, lai piekļūtu šifrēšanas rezultātiem. Viņu pirmā prioritāte ir pārbaudīt aprēķinu integritāti, nodrošinot, ka Privanetix mezgli veica aprēķinus, kā to bija iecerējis datu īpašnieks.
9. DARBĪBA. Rezultātu piegāde. Kopīgojiet atšifrētos rezultātus ar norādītajiem rezultātu saņēmējiem, ko iepriekš noteicis datu īpašnieks.
Privasea AI tīkla galvenajā darbplūsmā lietotājiem ir atvērta API, kas ļauj lietotājiem pievērst uzmanību tikai ievades parametriem un atbilstošajiem rezultātiem, neizprotot sarežģītās darbības pašā tīklā, bez pārmērīgas garīgās piepūles. slogu. Tajā pašā laikā pilnīga šifrēšana novērš pašu datu noplūdi, neietekmējot datu apstrādi.
PoW PoS divu mehānismu superpozīcija
Privasea nesen izlaistie WorkHeart NFT un StarFuel NFT izmanto divus PoW un PoS mehānismus, lai pārvaldītu tīkla mezglus un piešķirtu atlīdzības. Iegādājoties WorkHeart NFT, jūs būsiet kvalificēts kļūt par Privanetix mezglu, lai piedalītos tīkla skaitļošanā un iegūtu marķiera ienākumus, pamatojoties uz PoW mehānismu. StarFuel NFT ir mezglu ieguvējs (ierobežots ar 5000), ko var apvienot ar WorkHeart, līdzīgi kā PoS Jo vairāk marķieru tam ir ieķīlāts, jo lielāks ir WorkHeart mezgla ieņēmumu reizinātājs.
Tātad, kāpēc PoW un PoS?
Patiesībā uz šo jautājumu ir vieglāk atbildēt.
PoW būtība ir samazināt mezgla ļaunuma līmeni un uzturēt tīkla stabilitāti, izmantojot aprēķina laika izmaksas. Atšķirībā no lielā BTC nejaušo skaitļu verifikācijas nederīgo aprēķinu skaita, šī privātā skaitļošanas tīkla mezgla faktisko darba rezultātu (darbību) var tieši saistīt ar darba slodzes mehānismu, kas dabiski ir piemērots PoW.
Un PoS atvieglo ekonomisko resursu sabalansēšanu.
Tādā veidā WorkHeart NFT gūst ienākumus, izmantojot PoW mehānismu, savukārt StarFuel NFT palielina ienākumus, izmantojot PoS mehānismu, veidojot daudzlīmeņu un daudzveidīgu stimulēšanas mehānismu, ļaujot lietotājiem izvēlēties atbilstošas līdzdalības metodes, pamatojoties uz saviem resursiem un stratēģijām. Abu mehānismu kombinācija var optimizēt ieņēmumu sadales struktūru un līdzsvarot skaitļošanas resursu un ekonomisko resursu nozīmi tīklā.
3.3. Kopsavilkums
Var redzēt, ka Privatosea AI NetWork ir izveidojis šifrētu mašīnmācīšanās sistēmas versiju, kuras pamatā ir FHE. Pateicoties FHE privātuma skaitļošanas īpašībām, skaitļošanas uzdevumi tiek slēgti ar dažādiem skaitļošanas mezgliem (Privanetix) sadalītā vidē, rezultātu derīgums tiek pārbaudīts, izmantojot ZKP, un skaitļošanas rezultātu nodrošināšanai tiek izmantoti divi PoW un PoS mehānismi. Mezgli atlīdzina vai soda, lai uzturētu tīkla darbību. Var teikt, ka Privasea AI NetWork dizains paver ceļu privātumu saglabājošām AI lietojumprogrammām dažādās jomās.
4. FHE homomorfā šifrēšana — jaunais kriptogrāfijas Svētais Grāls?
Kā redzams pēdējā nodaļā, Privatosea AI tīkla drošība balstās uz tā pamatā esošo FHE. Pateicoties FHE līdera ZAMA nepārtrauktajiem tehnoloģiskajiem sasniegumiem, investori FHE pat ir nodēvējuši par jauno kriptogrāfijas Svēto Grālu. , salīdzināsim ar ZKP un ar to saistītiem risinājumiem.
Salīdzinājumam var redzēt, ka piemērojamie ZKP un FHE scenāriji ir diezgan atšķirīgi, FHE koncentrējas uz privātuma aprēķiniem, bet ZKP koncentrējas uz privātuma pārbaudi.
Šķiet, ka SMC vairāk pārklājas ar FHE. SMC jēdziens ir droša kopīgā skaitļošana, kas atrisina atsevišķu datoru datu privātuma problēmu, kas veic kopīgus aprēķinus.
5. FHE ierobežojumi
FHE panāk datu apstrādes tiesību un datu īpašumtiesību nodalīšanu, tādējādi novēršot datu noplūdi, neietekmējot skaitļošanu. Bet tajā pašā laikā upuris ir skaitļošanas ātrums.
Šifrēšana ir kā abpusēji griezīgs zobens. Lai gan tā uzlabo drošību, tā arī ievērojami samazina skaitļošanas ātrumu.
Pēdējos gados ir ierosināti dažāda veida FHE veiktspējas uzlabošanas risinājumi, daži ir balstīti uz algoritmu optimizāciju un daži balstās uz aparatūras paātrinājumu.
Runājot par algoritmu optimizāciju, jaunas FHE shēmas, piemēram, CKKS un optimizētas sāknēšanas metodes, ievērojami samazina trokšņu pieaugumu un skaitļošanas izmaksas;
Runājot par aparatūras paātrinājumu, pielāgotais GPU, FPGA un cita aparatūra ir ievērojami uzlabojusi polinoma darbību veiktspēju.
Turklāt tiek pētīta arī hibrīda šifrēšanas shēmu pielietošana, apvienojot daļēji homomorfo šifrēšanu (PHE) un meklēšanas šifrēšanu (SE), konkrētos scenārijos var uzlabot efektivitāti.
Neskatoties uz to, FHE veiktspējas ziņā joprojām ievērojami atpaliek no vienkārša teksta aprēķiniem.
6. Kopsavilkums
Pateicoties unikālajai arhitektūrai un salīdzinoši efektīvajai privātuma skaitļošanas tehnoloģijai, Privasea ne tikai nodrošina lietotājiem ļoti drošu datu apstrādes vidi, bet arī atver jaunu nodaļu dziļā Web3 un AI integrācijā. Lai gan pamatā esošajai FHE, uz kuru tā paļaujas, ir dabisks skaitļošanas ātruma trūkums, Privasea nesen ir panākusi sadarbību ar ZAMA, lai kopīgi risinātu privātuma skaitļošanas problēmu. Paredzams, ka nākotnē ar nepārtrauktiem tehnoloģiskiem sasniegumiem Privasea atraisīs savu potenciālu vairākās jomās un kļūs par privātuma skaitļošanas un AI lietojumprogrammu pētnieku.