Автор: Пол, CoinmanLabs
Привет всем, я Пол из Coinmanlabs. Сегодня я хочу поговорить с вами о проекте AI — Privasea.
Вопрос·Что такое остров данных?
Многие из нас сталкивались с тем, что, когда мы идем в больницу на прием к врачу, нам нужно взять с собой фильмы, медицинские записи и другую информацию. Вы когда-нибудь задумывались, почему?
В сфере медицины разные больницы и клиники могут использовать разные системы электронных медицинских записей и базы данных. Форматы данных и интерфейсы между этими системами могут быть несовместимыми, что не позволяет врачам напрямую получать доступ и интегрировать полную информацию о медицинских записях, когда пациенты посещают разные медицинские учреждения.
Это связано с тем, что противоречивые технические стандарты, строгая независимость руководства больницы, правила конфиденциальности и другие ограничения могут затруднить обмен и интеграцию медицинских данных.
Аналогичным образом, многие люди столкнулись с тем, что обращаться в разные государственные ведомства для ведения бизнеса очень затруднительно. Это связано с тем, что разные государственные ведомства и агентства несут ответственность за разные государственные услуги и сбор данных. Например, налоговый департамент, департамент социального обеспечения и департамент здравоохранения управляют большими объёмами данных, но эти данные часто не интегрированы и не используются совместно, что приводит к неэффективности государственных услуг. Такие факторы, как законы, защита конфиденциальности и независимое правительство. структуры ограничивают обмен данными между правительственными ведомствами и возможность интеграции.
Именно здесь мы слышим множество примеров разрозненности данных — явления, при котором данные не могут быть эффективно интегрированы и совместно использованы.
Разрозненность данных может существовать по разным причинам:
1. Технические препятствия: разные системы или платформы используют разные форматы данных, методы хранения, стандарты интерфейсов и т. д., что затрудняет взаимодействие данных.
2. Проблемы организационной структуры. Отсутствие эффективных механизмов и культуры обмена данными между различными отделами или бизнес-подразделениями в крупных организациях приводит к вертикальной или функциональной изоляции данных.
3. Юридические вопросы и вопросы конфиденциальности. Данные содержат конфиденциальную информацию или ограничены законами и постановлениями, что приводит к ограничению или затруднению обмена данными.
4. Владение данными и контроль. Владелец или контролер данных не желает или не может передавать данные другим организациям, что может затрагивать такие вопросы, как коммерческие интересы и конкурентные отношения.
5. Ограничения по стоимости и ресурсам. Интеграция и обмен данными могут потребовать значительных ресурсов и затрат, а некоторые организации могут быть неспособны или не захотят инвестировать эти ресурсы.
6. Культура и идеология. Некоторые организации или отдельные лица могут полагать, что данные должны быть конфиденциальными, и не хотят или не хотят делиться ими с другими сторонами.
Вопрос · Каковы общие технические средства для устранения «островков данных»?
Текущие технические средства исследований и практики для решения «островков данных» в основном включают в себя: федеративное обучение, доказательство с нулевым разглашением (ZKP), полное гомоморфное шифрование (FHE) и безопасные многосторонние вычисления (SMC), дифференциальную конфиденциальность (дифференциальная конфиденциальность), разделенное обучение (разделенное обучение). Обучение).
Из-за нехватки места сегодня мы не будем вдаваться в подробности. Мы в основном будем говорить о полностью гомоморфном шифровании (FHE).
ФХЕ
Во-первых, давайте подумаем, какое слово является самым важным в полностью гомоморфном шифровании? Я думаю, что это должен быть гомоморфизм. Действительно, гомоморфизм является основой технологии полностью гомоморфного шифрования. Он позволяет выполнять сложные вычисления и операции с данными в зашифрованном состоянии, обеспечивая мощный метод обеспечения безопасности данных и защиты конфиденциальности.
Гомоморфизм — это математическое понятие, которое конкретно относится к отображению между двумя множествами (обычно одним и тем же набором) в алгебраическую структуру, которая поддерживает структуру операции. В полностью гомоморфном шифровании (FHE) гомоморфизм является одной из его основных функций, которая позволяет выполнять сложные вычисления в зашифрованном состоянии без расшифровки данных.
В полностью гомоморфном шифровании обычно задействованы два основных типа гомоморфизма: аддитивный гомоморфизм и мультипликативный гомоморфизм.
Тогда давайте определим полностью гомоморфное шифрование. Fully Homomorphic Encryption (FHE) — это специальная технология шифрования, которая позволяет выполнять произвольные вычисления в зашифрованном состоянии. Результаты можно расшифровать и сравнить с незашифрованными. Результаты вычислений точно такие же. Эта функция позволяет выполнять сложные вычисления и обработку данных, сохраняя при этом данные зашифрованными, без необходимости их расшифровки.
Основной принцип: Основная концепция FHE реализуется посредством ряда математических операций, включая операции сложения и умножения. Алгоритм шифрования FHE позволяет складывать и умножать зашифрованные данные в зашифрованном домене без расшифровки для получения конечного результата. Схемы FHE обычно строятся на криптографии с открытым ключом, используя открытые ключи для шифрования и закрытые ключи для дешифрования, обеспечивая при этом конфиденциальность и целостность вычислений.
Текущие сценарии применения FHE в основном включают в себя: безопасный вычислительный аутсорсинг: возможность отправлять данные поставщикам облачных услуг без расшифровки, чтобы вычисления могли выполняться в зашифрованном состоянии. Анализ данных с сохранением конфиденциальности: позволяет владельцам данных выполнять анализ и обработку данных, сохраняя при этом шифрование данных, например, анализ медицинских данных, анализ финансовых данных и т. д.
Так почему же сейчас его нельзя использовать в больших масштабах?
Эффективность вычислений. Процессы шифрования и дешифрования FHE часто занимают много времени, особенно для сложных операций шифрования.
Управление ключами. Безопасное управление открытыми и закрытыми ключами имеет решающее значение для реализации FHE, поэтому необходимо учитывать такие вопросы, как генерация, распространение и обновление ключей.
Гарантия безопасности. Хотя FHE обеспечивает надежные возможности шифрования, в реальных приложениях необходимо тщательно учитывать безопасность и уязвимости реализации.
Так можем ли мы обрабатывать данные, не раскрывая исходную форму информации? Конфиденциальная информация может обрабатываться без раскрытия ее исходной формы, обеспечивая конфиденциальность конфиденциальной информации.
Конфиденциальность
Сайт: https://www.privasea.ai/.
Твиттер: https://x.com/Privasea_ai
Введение: Privasea AI Network — это мощная система, предназначенная для обеспечения приоритета конфиденциальности и безопасности данных на протяжении всего процесса вычислений с использованием ИИ. Он использует инновационную технологию, называемую полностью гомоморфным шифрованием (FHE), которая может выполнять вычисления с зашифрованными данными и давать те же результаты, что и вычисления, выполняемые с незашифрованными данными. Это обеспечивает циркуляцию значений данных через FHEML. Сеть предоставляет распределенные вычислительные ресурсы для операций FHE AI. Вся система основана на конкретном ML ZAMA и стимулированном краудсорсинге токенов $PRVA.
Инвестиционные институты:
Архитектура системы
Сеть Privasea AI состоит из четырех основных компонентов: библиотеки HESea, Privasea API, Privanetix и набора смарт-контрактов Privasea.
Ядром AI-сети Privasea является библиотека HESea, имеющая эффективные реализации большого количества популярных полностью гомоморфных схем шифрования, таких как TFHE, CKKS, BGV, BFV и т. д.
Эта библиотека с открытым исходным кодом предоставляет разработчикам криптографические технологии и высокопроизводительную оптимизацию для безопасных вычислений. С помощью библиотеки HESea разработчики могут получить доступ к множеству функций для выполнения основных примитивных, арифметических и логических операций с зашифрованными данными. Библиотека уникальна тем, что она была тщательно оптимизирована и для улучшения использует такие технологии, как упаковка зашифрованного текста и пакетная обработка. эффективность и общая производительность.
Privasea API — это комплексный набор протоколов и инструментов, созданный на основе библиотеки HESea. Этот API — ценный ресурс для разработчиков, желающих создавать приложения искусственного интеллекта, сохраняющие конфиденциальность.
Используя возможности базовой схемы FHE, предоставляемой библиотекой HESea, разработчики могут создавать мощные приложения, в которых приоритет отдается конфиденциальности и безопасности данных. Privasea API позволяет разработчикам легко интегрировать расширенные функции защиты конфиденциальности в свои приложения искусственного интеллекта.
Privanetix — это сеть взаимосвязанных вычислительных узлов, задачей которых является обеспечение безопасных вычислений с зашифрованными данными. Эти узлы используют алгоритм FHE для расчета зашифрованных данных, чтобы гарантировать, что конфиденциальная информация не будет обнаружена преступниками.
Privanetix повышает масштабируемость и эффективность сети Privasea AI за счет распределения вычислений между несколькими узлами. Сеть действует как мощный щит от утечек данных и несанкционированного доступа, еще больше повышая безопасность конфиденциальной информации пользователей.
Для эффективного управления сетью Privanetix и стимулирования вычислительных узлов был создан пакет смарт-контрактов Privasea. Пакет включает в себя серию тщательно разработанных смарт-контрактов для управления различными аспектами управления сетью. Используя эти смарт-контракты, организации могут эффективно управлять сетью Privanetix и обеспечивать бесперебойную работу. Кроме того, пакет смарт-контрактов Privasea предоставляет вычислительным узлам стимулы для поощрения их активного участия, что еще больше повышает общую производительность сети.
Зарегистрируйтесь на ImHuman
В настоящее время на официальном сайте чиновник также пишет, что вы можете получить аирдропы, зарегистрировавшись на ImHuman, и первый сезон мероприятия Genesis: рост числа пользователей продолжается. Тогда мы можем попробовать мастурбировать,
На что следует обратить внимание
Время проведения первого сезона: 27 мая – 31 июля.
Многоуровневое приглашение:
Код Genesis: пользователи с кодом Genesis имеют рекомендательный уровень 3.
Уровень 1 (Прямой реферал): заработайте 100 звезд за каждого привлеченного вами пользователя.
Уровень 2 (рекомендации людей, которых вы рекомендуете): заработайте 50 звезд за каждого привлеченного пользователя.
Уровень 3 (рекомендации от рефереров 2-го уровня): зарабатывайте 25 звезд за каждого привлеченного пользователя.
Производный код. Пользователи, владеющие производными кодами, имеют рекомендательный уровень 2.
Уровень 1 (Прямой реферал): заработайте 100 звезд за каждого привлеченного вами пользователя.
Уровень 2 (рекомендации людей, которых вы рекомендуете): заработайте 50 звезд за каждого привлеченного пользователя.
В конце сезона звезды можно будет обменять на официальные воздушные капли Privasea.
ШАГ 1. Загрузите ImHuman
Мы можем перейти на https://www.privasea.ai/download-app, чтобы загрузить соответствующее приложение на мобильный телефон.
Если у вас нет магазина Google Play, вы можете загрузить APK-файл Android напрямую и установить его локально.
ШАГ.2Зарегистрируйте аккаунт
После загрузки аккаунта вы можете зарегистрировать аккаунт.
Просто введите код приглашения: cLz7aZS.
ШАГ 3. Создайте свой собственный NFT
Поскольку звезды тесно связаны с нашими последующими аирдропами, всем рекомендуется получить больше звезд. Главное здесь — отчеканить NFT, который стоит 0,03сола (около 4U).
Мы нажимаем на Crypto, чтобы получить собственный адрес sol, вводим определенное количество sol в адрес, а затем нажимаем NFT, чтобы отчеканить указанный NFT. Когда вы закончите, вы получите соответствующую звезду.
думать
В этот проект инвестировали как Binance, так и OKX, и он того стоит.
С появлением таких технологий, как zkp, все больше людей будут обращать внимание на трек FHE, и нам нужно всегда обращать на это внимание.
В настоящее время распознавание лиц требует определенного порога.
