1. Giới thiệu
Gần đây, dự án casting gương mặt NFT do Privasea khởi xướng đã trở nên cực kỳ nổi tiếng!
Thoạt nhìn thì có vẻ rất đơn giản. Trong dự án, người dùng có thể nhập khuôn mặt của họ trên ứng dụng di động IMHUMAN (I am human) và truyền dữ liệu khuôn mặt của họ vào NFT. Đây chỉ là dữ liệu khuôn mặt được tải lên chuỗi + Sự kết hợp. của NFT đã cho phép dự án đạt được khối lượng truyền hơn 20 W+ NFT kể từ khi ra mắt vào cuối tháng 4 và mức độ phổ biến là điều hiển nhiên.
Tôi cũng rất bối rối, tại sao vậy? Dữ liệu khuôn mặt có thể được tải lên blockchain ngay cả khi nó lớn không? Thông tin khuôn mặt của tôi có bị đánh cắp không? Privasea làm gì?
Đợi đã, chúng ta hãy tiếp tục nghiên cứu chính dự án và bên dự án Privasea để tìm hiểu nhé.
Từ khóa: NFT, AI, FHE (mã hóa đồng cấu hoàn toàn), DePIN
2. Từ Web2 đến Web3 - cuộc đối đầu giữa con người và máy móc không bao giờ dừng lại
Trước tiên, hãy giải thích mục đích của dự án truyền khuôn mặt NFT. Nếu bạn nghĩ rằng dự án này chỉ đơn giản là truyền dữ liệu khuôn mặt vào NFT thì bạn đã hoàn toàn sai lầm.
Tên ứng dụng của dự án mà chúng tôi đề cập ở trên, IMHUMAN (Tôi là con người), đã minh họa rất rõ vấn đề này: trên thực tế, dự án này nhằm mục đích sử dụng nhận dạng khuôn mặt để xác định xem bạn có phải là người thật trước màn hình hay không.
Trước hết, tại sao chúng ta cần nhận dạng người-máy?
Theo báo cáo quý 1 năm 2024 do Akamai cung cấp (xem phụ lục), Bot (một chương trình tự động có thể mô phỏng con người gửi yêu cầu HTTP và các hoạt động khác) chiếm tới 42,1% lưu lượng truy cập Internet, trong đó lưu lượng truy cập độc hại chiếm 27,5% lưu lượng truy cập Internet. toàn bộ lưu lượng truy cập Internet.
Bot độc hại có thể mang đến những hậu quả thảm khốc như phản hồi chậm hoặc thậm chí ngừng hoạt động cho các nhà cung cấp dịch vụ tập trung, ảnh hưởng đến trải nghiệm người dùng của người dùng thực.
Hãy lấy kịch bản lấy vé làm ví dụ. Bằng cách tạo nhiều tài khoản ảo để lấy vé, những kẻ gian lận có thể tăng đáng kể xác suất lấy vé thành công. Hơn nữa, chúng thậm chí còn trực tiếp triển khai các chương trình tự động bên cạnh phòng máy của nhà cung cấp dịch vụ để đạt được gần như bằng 0. Mua vé bị trì hoãn.
Người dùng thông thường gần như không có cơ hội chiến thắng khi đối mặt với những người dùng công nghệ cao này.
Các nhà cung cấp dịch vụ cũng đã thực hiện một số nỗ lực trong vấn đề này. Về phía máy khách, trong kịch bản Web2, xác thực tên thật, mã xác minh hành vi và các phương pháp khác được đưa ra để phân biệt con người và máy móc. được thực hiện thông qua các chính sách của WAF và các phương tiện khác.
Điều này sẽ giải quyết được vấn đề?
Rõ ràng là không, vì lợi ích của việc gian lận là rất lớn.
Đồng thời, cuộc đối đầu giữa con người và máy móc diễn ra liên tục, cả kẻ gian lận và người thử nghiệm đều không ngừng nâng cấp kho vũ khí của mình.
Lấy kẻ gian lận làm ví dụ, lợi dụng sự phát triển nhanh chóng của AI trong những năm gần đây, mã xác minh hành vi của khách hàng gần như bị giảm kích thước bởi nhiều mô hình trực quan khác nhau. AI thậm chí còn có khả năng nhận dạng nhanh hơn và chính xác hơn con người. Điều này buộc người xác minh phải nâng cấp một cách thụ động, chuyển dần từ phát hiện sớm tính năng hành vi của người dùng (mã xác minh hình ảnh) sang phát hiện tính năng sinh trắc học (xác minh bằng nhận thức: như giám sát môi trường máy khách, dấu vân tay của thiết bị, v.v.). để phát hiện đặc điểm sinh học (dấu vân tay, nhận dạng khuôn mặt).
Đối với Web3, việc phát hiện người-máy cũng là một nhu cầu mạnh mẽ.
Đối với một số airdrop của dự án, những kẻ gian lận có thể tạo nhiều tài khoản giả để thực hiện các cuộc tấn công phù thủy. Lúc này, chúng ta cần xác định danh tính người thật.
Do đặc tính tài chính của Web3, đối với một số hoạt động có rủi ro cao, chẳng hạn như đăng nhập tài khoản, rút tiền, giao dịch, chuyển khoản, v.v., không chỉ người thật cần xác minh người dùng mà còn cả chủ tài khoản, vì vậy nhận dạng khuôn mặt đã trở thành sự lựa chọn tốt nhất.
Nhu cầu đã được xác định nhưng vấn đề là làm thế nào để hiện thực hóa nó?
Như chúng ta đã biết, phân quyền là mục đích ban đầu của Web3. Khi chúng ta thảo luận về cách triển khai nhận dạng khuôn mặt trên Web3, câu hỏi sâu hơn thực sự là Web3 sẽ thích ứng như thế nào với các kịch bản AI:
Chúng ta nên xây dựng một mạng máy tính học máy phi tập trung như thế nào?
Làm thế nào để đảm bảo quyền riêng tư dữ liệu người dùng không bị rò rỉ?
Làm thế nào để duy trì hoạt động của mạng, v.v.?
3. Privasea AI NetWork - Khám phá điện toán bảo mật + AI
Liên quan đến các vấn đề được đề cập ở cuối chương trước, Privasea đã đưa ra một giải pháp mang tính đột phá: Privasea xây dựng Privasea AI NetWork dựa trên FHE (Fully Homomorphic Encryption) để giải quyết vấn đề tính toán quyền riêng tư của các kịch bản AI trên Web3.
Theo thuật ngữ thông thường, FHE là một công nghệ mã hóa đảm bảo rằng kết quả của cùng một thao tác trên văn bản thuần túy và văn bản mã hóa là nhất quán.
Privasea đã tối ưu hóa và gói gọn THE truyền thống, chia nó thành lớp ứng dụng, lớp tối ưu hóa, lớp số học và lớp gốc, tạo thành thư viện HESea để điều chỉnh nó phù hợp với các kịch bản học máy. Sau đây là các chức năng cụ thể chịu trách nhiệm cho từng lớp:
Thông qua cấu trúc phân lớp, Privasea cung cấp các giải pháp cụ thể và phù hợp hơn để đáp ứng nhu cầu riêng của từng người dùng.
Gói tối ưu hóa của Privasea chủ yếu tập trung vào lớp ứng dụng và lớp tối ưu hóa. So với các giải pháp cơ bản trong các thư viện đồng cấu khác, những phép tính tùy chỉnh này có thể mang lại khả năng tăng tốc hơn một nghìn lần.
3.1 Kiến trúc mạng của Privasea AI NetWork
Đánh giá từ kiến trúc Privasea AI NetWork của nó:
Có tổng cộng 4 vai trò trên mạng của nó, chủ sở hữu dữ liệu, nút Privanetix, người giải mã và người nhận kết quả.
Chủ sở hữu dữ liệu: Được sử dụng để gửi các tác vụ và dữ liệu một cách an toàn thông qua API Privasea.
Các nút Privanetix: là cốt lõi của toàn bộ mạng, được trang bị các thư viện HESea tiên tiến và các cơ chế khuyến khích dựa trên blockchain tích hợp để thực hiện các phép tính an toàn và hiệu quả, đồng thời bảo vệ quyền riêng tư của dữ liệu cơ bản và đảm bảo tính toàn vẹn và bảo mật của các phép tính.
Bộ giải mã: Lấy kết quả được giải mã thông qua API Privasea và xác minh kết quả.
Người nhận kết quả: Kết quả nhiệm vụ sẽ được trả về cho người được chủ sở hữu dữ liệu và người phát hành nhiệm vụ chỉ định.
3.2 Quy trình làm việc cốt lõi của Privasea AI NetWork
Sau đây là sơ đồ quy trình làm việc chung của Privasea AI NetWork:
BƯỚC 1: Đăng ký người dùng: Chủ sở hữu dữ liệu bắt đầu quá trình đăng ký trên Mạng AI về quyền riêng tư bằng cách cung cấp thông tin xác thực và ủy quyền cần thiết. Bước này đảm bảo rằng chỉ những người dùng được ủy quyền mới có thể truy cập vào hệ thống và tham gia các hoạt động mạng.
BƯỚC 2: Gửi nhiệm vụ: Gửi nhiệm vụ tính toán và dữ liệu đầu vào. Dữ liệu được mã hóa bởi thư viện HEsea, đồng thời, chủ sở hữu dữ liệu cũng chỉ định người giải mã được ủy quyền và người nhận kết quả có thể truy cập kết quả cuối cùng.
BƯỚC 3: Phân bổ nhiệm vụ: Các hợp đồng thông minh dựa trên chuỗi khối được triển khai trên mạng sẽ phân bổ các nhiệm vụ điện toán cho các nút Privanetix thích hợp dựa trên tính khả dụng và khả năng. Quá trình phân bổ động này đảm bảo phân bổ tài nguyên hiệu quả và phân phối các nhiệm vụ tính toán.
BƯỚC 4: Tính toán được mã hóa: Nút Privanetix được chỉ định sẽ nhận dữ liệu được mã hóa và sử dụng thư viện HESea để thực hiện các phép tính. Những tính toán này có thể được thực hiện mà không cần giải mã dữ liệu nhạy cảm, do đó duy trì tính bảo mật của dữ liệu. Để xác minh thêm tính toàn vẹn của các phép tính, các nút Privanetix tạo ra bằng chứng không có kiến thức cho các bước này.
BƯỚC 5: Chuyển đổi khóa: Sau khi hoàn thành tính toán, nút Privanetix được chỉ định sử dụng công nghệ chuyển đổi khóa để đảm bảo rằng kết quả cuối cùng được ủy quyền và chỉ bộ giải mã được chỉ định mới có thể truy cập được.
BƯỚC 6: Xác minh kết quả: Sau khi hoàn thành tính toán, nút Privanetix truyền kết quả mã hóa và bằng chứng không có kiến thức tương ứng trở lại hợp đồng thông minh dựa trên blockchain để xác minh trong tương lai.
BƯỚC 7: Cơ chế khuyến khích: theo dõi sự đóng góp của các nút Privanetix và phân phối phần thưởng
BƯỚC 8: Truy xuất kết quả: Bộ giải mã sử dụng API Privasea để truy cập kết quả mã hóa. Ưu tiên hàng đầu của họ là xác minh tính toàn vẹn của các phép tính, đảm bảo rằng các nút Privanetix thực hiện các phép tính theo dự định của chủ sở hữu dữ liệu.
BƯỚC 9: Gửi kết quả: Chia sẻ kết quả được giải mã với những người nhận kết quả được chỉ định do chủ sở hữu dữ liệu xác định trước.
Trong quy trình làm việc cốt lõi của Privasea AI NetWork, thứ được đưa ra cho người dùng là một API mở, cho phép người dùng chỉ chú ý đến các tham số đầu vào và kết quả tương ứng mà không cần phải hiểu các hoạt động phức tạp trong chính mạng, mà không cần phải tốn quá nhiều công sức. . gánh nặng. Đồng thời, mã hóa đầu cuối giúp dữ liệu không bị rò rỉ mà không ảnh hưởng đến quá trình xử lý dữ liệu.
Sự chồng chất cơ chế kép PoW PoS
WorkHeart NFT và StarFuel NFT mới ra mắt gần đây của Privasea sử dụng cơ chế kép PoW và PoS để quản lý các nút mạng và phát hành phần thưởng. Bằng cách mua WorkHeart NFT, bạn sẽ đủ điều kiện trở thành nút Privanetix để tham gia vào điện toán mạng và nhận thu nhập từ token dựa trên cơ chế PoW. StarFuel NFT là một công cụ tăng nút (giới hạn ở 5.000) có thể được kết hợp với WorkHeart, tương tự như PoS. Càng nhiều mã thông báo cam kết với nó, hệ số nhân doanh thu của nút WorkHeart càng lớn.
Vậy tại sao lại là PoW và PoS?
Trên thực tế, câu hỏi này dễ trả lời hơn.
Bản chất của PoW là giảm tỷ lệ xấu của nút và duy trì sự ổn định của mạng thông qua chi phí thời gian tính toán. Khác với số lượng lớn các phép tính không hợp lệ khi xác minh số ngẫu nhiên của BTC, đầu ra (hoạt động) công việc thực tế của nút mạng máy tính riêng này có thể được liên kết trực tiếp với cơ chế khối lượng công việc, điều này đương nhiên phù hợp với PoW.
Và PoS giúp việc cân bằng nguồn lực kinh tế trở nên dễ dàng hơn.
Bằng cách này, WorkHeart NFT có được thu nhập thông qua cơ chế PoW, trong khi StarFuel NFT tăng bội số thu nhập thông qua cơ chế PoS, hình thành cơ chế khuyến khích đa cấp và đa dạng, cho phép người dùng lựa chọn phương thức tham gia phù hợp dựa trên nguồn lực và chiến lược của riêng họ. Sự kết hợp của hai cơ chế có thể tối ưu hóa cấu trúc phân phối doanh thu và cân bằng tầm quan trọng của tài nguyên tính toán và tài nguyên kinh tế trong mạng.
3.3 Tóm tắt
Có thể thấy Privatosea AI NetWork đã xây dựng phiên bản mã hóa của hệ thống machine learning dựa trên FHE. Nhờ các đặc điểm của điện toán bảo mật FHE, các tác vụ điện toán được ký hợp đồng phụ với các nút điện toán khác nhau (Privanetix) trong môi trường phân tán, tính hợp lệ của kết quả được xác minh thông qua ZKP và cơ chế kép của PoW và PoS được sử dụng để cung cấp kết quả tính toán Các nút thưởng hoặc trừng phạt để duy trì hoạt động của mạng. Có thể nói, thiết kế của Privasea AI NetWork đang mở đường cho các ứng dụng AI bảo vệ quyền riêng tư trong nhiều lĩnh vực khác nhau.
4. Mã hóa đồng cấu FHE - Chén Thánh mới của mật mã?
Chúng ta có thể thấy trong chương trước rằng tính bảo mật của Privatosea AI NetWork phụ thuộc vào FHE cơ bản của nó. Với những đột phá công nghệ liên tục của ZAMA, người dẫn đầu xu hướng FHE, FHE thậm chí còn được các nhà đầu tư mệnh danh là Chén Thánh mới. hãy so sánh nó với ZKP và các giải pháp liên quan.
Khi so sánh, có thể thấy rằng các kịch bản áp dụng của ZKP và FHE khá khác nhau, tập trung vào tính toán quyền riêng tư, trong khi ZKP tập trung vào xác minh quyền riêng tư.
SMC dường như có mức độ trùng lặp lớn hơn với FHE. Khái niệm về SMC là tính toán chung an toàn, giúp giải quyết vấn đề bảo mật dữ liệu của các máy tính riêng lẻ cùng nhau tính toán.
5. Hạn chế của FHE
FHE đạt được sự tách biệt giữa quyền xử lý dữ liệu và quyền sở hữu dữ liệu, từ đó ngăn chặn rò rỉ dữ liệu mà không ảnh hưởng đến tính toán. Nhưng đồng thời, sự hy sinh là tốc độ tính toán.
Mã hóa giống như một con dao hai lưỡi. Mặc dù nó cải thiện tính bảo mật nhưng nó cũng làm giảm đáng kể tốc độ tính toán.
Trong những năm gần đây, nhiều loại giải pháp cải thiện hiệu suất FHE đã được đề xuất, một số dựa trên tối ưu hóa thuật toán và một số dựa trên khả năng tăng tốc phần cứng.
Về mặt tối ưu hóa thuật toán, các sơ đồ FHE mới như CKKS và các phương pháp khởi động được tối ưu hóa giúp giảm đáng kể sự tăng trưởng nhiễu và chi phí tính toán;
Về khả năng tăng tốc phần cứng, GPU tùy chỉnh, FPGA và phần cứng khác đã cải thiện đáng kể hiệu suất của các hoạt động đa thức.
Ngoài ra, việc áp dụng các sơ đồ mã hóa lai cũng đang được khám phá bằng cách kết hợp mã hóa đồng cấu một phần (PHE) và mã hóa tìm kiếm (SE), hiệu quả có thể được cải thiện trong các tình huống cụ thể.
Mặc dù vậy, FHE vẫn có khoảng cách lớn về hiệu suất so với các tính toán bằng văn bản gốc.
6. Tóm tắt
Thông qua kiến trúc độc đáo và công nghệ điện toán bảo mật tương đối hiệu quả, Privasea không chỉ cung cấp cho người dùng môi trường xử lý dữ liệu có độ bảo mật cao mà còn mở ra một chương mới trong quá trình tích hợp sâu giữa Web3 và AI. Mặc dù FHE cơ bản mà nó dựa vào có nhược điểm tự nhiên về tốc độ tính toán, Privasea gần đây đã đạt được sự hợp tác với ZAMA để cùng giải quyết vấn đề về tính toán riêng tư. Trong tương lai, với những đột phá công nghệ không ngừng, Privasea được kỳ vọng sẽ phát huy tiềm năng của mình ở nhiều lĩnh vực hơn và trở thành người khai phá các ứng dụng điện toán riêng tư và AI.
