Privasea の詳細な解釈: 顔データ キャスティング NFT、興味深いイノベーション?

1.はじめに

最近、Privaseaが開始した顔NFTキャスティングプロジェクトが非常に人気になっています。

このプロジェクトでは、ユーザーはIMHUMAN（私は人間です）モバイルアプリケーションに自分の顔を入力し、顔データをNFTにキャストできます。これは、単なる顔データの組み合わせです。 NFT により、このプロジェクトは 4 月末の立ち上げ以来、20W 以上の NFT キャスティング量を獲得することができ、その人気の高さが明らかです。

私もとても混乱しています、なぜですか？顔データはどんなに大きくてもブロックチェーンにアップロードできますか?顔情報が盗まれることはありますか?プリバセアは何をするのですか？

待って、プロジェクト自体とプロジェクトパーティ Privasea について調査を続けて調べましょう。

キーワード: NFT、AI、FHE (完全準同型暗号化)、DePIN

2.Web2からWeb3へ、人間とコンピューターの対立は止まらない

まず、顔NFTキャスティングプロジェクト自体の目的を説明しましょう。このプロジェクトは単に顔データを NFT にキャストすることだけだと思っていますが、それは完全に間違っています。

上で述べたプロジェクトのアプリ名 IMHUMAN (私は人間です) は、すでにこの問題を非常によく示しています。実際、このプロジェクトは、顔認識を使用して、あなたが画面の前にいる本物の人間であるかどうかを判断することを目的としています。

まず第一に、なぜ人間と機械の認識が必要なのでしょうか?

Akamai が提供した 2024Q1 レポート (付録を参照) によると、ボット (HTTP リクエストやその他の操作を送信する人間をシミュレートできる自動プログラム) がインターネット トラフィックの驚くべき 42.1% を占め、そのうち悪意のあるトラフィックが 27.5% を占めています。インターネットトラフィック全体。

悪意のあるボットは、一元化されたサービスプロバイダーに応答の遅延やダウンタイムなどの壊滅的な結果をもたらし、実際のユーザーのエクスペリエンスに影響を与える可能性があります。

チケット取得のシナリオを例に挙げてみましょう。チケットを取得するために複数の仮想アカウントを作成することで、不正行為者はサービス プロバイダーのコンピュータ ルームに直接自動プログラムを導入することもあります。ほぼ遅延なくチケットを購入できます。

一般のユーザーがこれらのハイテクユーザーに勝つ可能性はほとんどありません。

サービス プロバイダーも、クライアント側では、Web2 シナリオで、人間とマシンを区別するために、実名認証、動作検証コード、およびその他の方法を導入し、機能のフィルタリングを行っています。傍受は WAF ポリシーやその他の手段を通じて実行されます。

この問題は解決しますか？

もちろんそうではありません。不正行為によるメリットは大きいからです。

同時に、人間とマシンの対立は続いており、チーターとテスターの両方が常に武器をアップグレードしています。

近年の AI の急速な発展を利用して、AI はさまざまな視覚モデルによってほぼ次元が削減され、人間よりも高速かつ正確な認識機能を備えています。これにより、検証者は受動的にアップグレードする必要があり、初期のユーザー行動特徴検出 (画像検証コード) から生体特徴検出 (知覚検証: クライアント環境の監視、デバイスの指紋など) に徐々に移行します。一部の高リスク操作にはアップグレードが必要な場合があります。生物学的特徴の検出（指紋、顔認識）まで。

Web3 では、人間と機械の検出も強い需要です。

一部のプロジェクトのエアドロップでは、詐欺師が複数の偽のアカウントを作成して魔女攻撃を開始する可能性があります。現時点では、本物の人物を特定する必要があります。

Web3 の財務特性により、アカウントのログイン、通貨の引き出し、取引、送金などの一部の高リスク操作では、ユーザー本人だけでなくアカウントも確認する必要があります。所有者にとっては顔認識が最良の選択です。

需要は確かですが、問題はそれをどのように実現するかです。

ご存知のとおり、Web3 の本来の目的は分散化です。Web3 で顔認識を実装する方法について議論するとき、より深い問題は Web3 を AI シナリオにどのように適応させるべきかということです。コンピューティングネットワークを学習していますか？

ユーザーデータのプライバシーが漏洩しないようにするにはどうすればよいですか?
• ネットワークなどの運用を維持するにはどうすればよいですか？
• 3. Privasea AI Network - プライバシー コンピューティング + AI の探求

前の章の最後で述べた問題に関して、Privasea は画期的なソリューションを提供しました。Privasea は、FHE (完全準同型暗号化) AI ネットワークに基づいて Privasea を構築し、 Web3 上の AI シナリオのプライバシー コンピューティングの問題。

FHE 平たく言えば、平文と暗号文に対する同じ操作の結果の一貫性を保証する暗号化技術です。

Privasea は、従来の THE を最適化およびカプセル化し、アプリケーション層、最適化層、演算層、および元の層に分割し、機械学習シナリオに適応させるための HESea ライブラリを形成しました。各層を担当する特定の機能は次のとおりです。

Privasea は、階層構造を通じて、各ユーザーの固有のニーズを満たす、より具体的でカスタマイズされたソリューションを提供します。

Privasea の最適化されたパッケージ化は、主にアプリケーション層と最適化層に焦点を当てており、他の準同型ライブラリの基本ソリューションと比較して、これらのカスタマイズされた計算は 1000 倍以上の高速化を実現します。

3.1 Privasea AI Networkのネットワークアーキテクチャ

Privasea AI Networkのアーキテクチャを見る:

そのネットワークには、データ所有者、Privanetix ノード、復号者、結果受信者の合計 4 つの役割があります。

• データ所有者: Privasea API を通じてタスクとデータを安全に送信するために使用されます。
• Privanetix ノード: ネットワーク全体の中核であり、高度な HESea ライブラリが装備されており、基礎となるデータのプライバシーを保護し、データの完全性と機密性を確保しながら、安全で効率的な計算を実行するためのブロックチェーンベースのインセンティブ メカニズムが統合されています。計算。
• Decryptor: Privasea API を通じて復号結果を取得し、結果を検証します。
• 結果の受信者: タスクの結果は、データ所有者およびタスク発行者によって指定された人物に返されます。

3.2 Privasea AI NetWork のコア ワークフロー

以下は Privasea AI NetWork の一般的なワークフロー図です:

• ステップ 1: ユーザー登録: データ所有者は、必要な認証および承認資格情報を提供してプライバシーに登録します。 AIネットワーク上で登録プロセスを開始します。この手順により、許可されたユーザーのみがシステムにアクセスし、ネットワーク アクティビティに参加できるようになります。
• ステップ 2: タスクの送信: 計算タスクと入力データを送信します。データは HEsea ライブラリによって暗号化されます。同時に、データ所有者は、最終結果にアクセスできる承認された復号者と結果受信者も指定します。
• ステップ 3: タスクの割り当て: ネットワーク上に展開されたブロックチェーン ベースのスマート コントラクトは、可用性と機能に基づいてコンピューティング タスクを適切な Privanetix ノードに割り当てます。この動的な割り当てプロセスにより、効率的なリソース割り当てとコンピューティング タスクの分散が保証されます。
• ステップ 4: 暗号化された計算: 指定された Privanetix ノードは暗号化されたデータを受信し、HESea ライブラリを使用して計算を実行します。これらの計算は機密データを復号化することなく実行できるため、機密性が維持されます。計算の整合性をさらに検証するために、Privanetix ノードはこれらのステップに対してゼロ知識証明を生成します。
• ステップ 5: キーの切り替え: 計算の完了後、指定された Privanetix ノードはキー スイッチング技術を使用して、最終結果が承認され、指定された復号者のみがアクセスできることを保証します。
• ステップ 6: 結果の検証: 計算の完了後、Privanetix ノードは、将来の検証のために暗号化された結果と対応するゼロ知識証明をブロックチェーン ベースのスマート コントラクトに送り返します。
• ステップ 7: インセンティブメカニズム: Privanetix ノードの貢献を追跡し、報酬を配布します。
• ステップ 8: 結果の取得: 復号化プログラムは、Privasea API を利用して暗号化された結果にアクセスします。最優先事項は、計算の整合性を検証し、Privanetix ノードがデータ所有者の意図どおりに計算を実行したことを確認することです。
• ステップ 9: 結果の配信: 復号化された結果を、データ所有者によって事前に決定された指定された結果受信者と共有します。

Privasea AI NetWork のコア ワークフローでは、ユーザーに公開されるのはオープン API であり、ユーザーはネットワーク自体内の複雑な操作を理解することなく、入力パラメーターと対応する結果のみに注意を払うことができます。精神的な負担が多すぎないようにしましょう。同時に、エンドツーエンドの暗号化により、データ処理に影響を与えることなくデータ自体の漏洩を防ぎます。

PoW && PoS の二重メカニズムの重ね合わせ

Privasea が最近発売した WorkHeart NFT と StarFuel NFT は、PoW と PoS の二重メカニズムを使用してネットワーク ノードを管理し、報酬を発行します。 WorkHeart NFT を購入すると、ネットワーク コンピューティングに参加し、PoW メカニズムに基づいてトークン収入を得る Privanetix ノードになる資格が得られます。 StarFuel NFT は、WorkHeart と組み合わせることができるノード ゲイナー (5,000 に制限されています) であり、それに誓約されたトークンが多いほど、WorkHeart ノードの収益乗数が大きくなります。

それでは、なぜ PoW と PoS なのでしょうか?

実際、この質問は答えるのが簡単です。

PoW の本質は、計算の時間コストを通じてノードの悪率を削減し、ネットワークの安定性を維持することです。 BTC の乱数検証における多数の無効な計算とは異なり、このプライバシー コンピューティング ネットワーク ノードの実際の作業出力 (操作) はワークロード メカニズムに直接リンクでき、当然 PoW に適しています。

そして、PoS により、経済リソースのバランスが取りやすくなります。

このように、WorkHeart NFTはPoWメカニズムを通じて収入を得るのに対し、StarFuel NFTはPoSメカニズムを通じて収入倍率を高め、多層かつ多様なインセンティブメカニズムを形成し、ユーザーが自身のリソースと状況に応じて適切な参加方法を選択できるようにします。戦略。 2 つのメカニズムを組み合わせることで、収益分配構造を最適化し、ネットワーク内のコンピューティング リソースと経済的リソースの重要性のバランスを取ることができます。

3.3 概要

Privatosea AI NetWork が FHE に基づいて機械学習システムの暗号化バージョンを構築していることがわかります。 FHE プライバシー コンピューティングの特性により、コンピューティング タスクは分散環境内のさまざまなコンピューティング ノード (Privanetix) に委託され、結果の妥当性は ZKP を通じて検証され、PoW と PoS の二重メカニズムを使用してコンピューティング結果が提供されます。ノードはネットワークの運用を維持するために報酬を与えたり罰を与えたりします。

Privasea AI Network の設計は、さまざまな分野でプライバシーを保護する AI アプリケーションへの道を切り開いていると言えます。

4. FHE準同型暗号化 - 暗号化の新たな聖杯?

最後の章では、Privatosea AI Network のセキュリティがその基盤となる FHE に依存していることがわかります。FHE トラックのリーダーである ZAMA の継続的な技術的進歩により、FHE は投資家によって暗号化の新たな聖杯とさえ呼ばれています。 . タイトルを ZKP および関連ソリューションと比較してみましょう。

比較すると、ZKP と FHE の適用可能なシナリオはまったく異なることがわかります。FHE はプライバシーの計算に重点を置いているのに対し、ZKP はプライバシーの検証に重点を置いています。

SMC は FHE との重複が大きい​​ようです。SMC の概念は、共同計算を実行する個々のコンピューターのデータプライバシー問題を解決する安全な共同コンピューティングです。

5. FHEの制限

FHEはデータ処理権とデータ所有権の分離を実現し、計算に影響を与えることなくデータ漏洩を防ぎます。しかし同時に、計算​​速度も犠牲になります。

暗号化は両刃の剣のようなもので、セキュリティは向上しますが、コンピューティング速度も大幅に低下します。

近年、さまざまなタイプの FHE パフォーマンス向上ソリューションが提案されており、アルゴリズムの最適化に基づくものやハードウェア アクセラレーションに依存するものもあります。

• アルゴリズムの最適化の点では、CKKS や最適化されたブートストラップ手法などの新しい FHE ソリューションにより、ノイズの増大と計算オーバーヘッドが大幅に削減されます。
• ハードウェア アクセラレーションの点では、カスタマイズされた GPU、FPGA、その他のハードウェアにより、多項式演算のパフォーマンスが大幅に向上します。

さらに、部分準同型暗号化 (PHE) と検索暗号化 (SE) を組み合わせることで、特定のシナリオで効率を向上させるハイブリッド暗号化方式の適用も検討されています。

それにもかかわらず、FHE には平文計算とのパフォーマンスに依然として大きなギャップがあります。

6. 概要

Privasea は、独自のアーキテクチャと比較的効率的なプライバシー コンピューティング テクノロジーを通じて、ユーザーに安全性の高いデータ処理環境を提供するだけでなく、Web3 と AI の緊密な統合における新たな章を開きます。底部で依存している FHE には当然のことながらコンピューティング速度の欠点がありますが、Privasea は最近、プライバシー コンピューティングの問題を共同で解決するために ZAMA と協力関係に達しました。将来的には、継続的な技術的進歩により、Privasea はより多くの分野でその可能性を解き放ち、プライバシー コンピューティングと AI アプリケーションの探求者となることが期待されています。

以上がPrivasea の詳細な解釈: 顔データ キャスティング NFT、興味深いイノベーション?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。