Tafsiran mendalam Privasea: Data muka menghantar NFT, satu inovasi yang menarik?

1. Pengenalan

Baru-baru ini, projek pemutus wajah NFT yang dimulakan oleh Privasea telah menjadi sangat popular!

Nampaknya sangat mudah pada pandangan pertama Dalam projek ini, pengguna boleh memasukkan wajah mereka pada aplikasi mudah alih IMHUMAN (Saya manusia) dan menghantar data wajah mereka ke dalam NFT, iaitu hanya gabungan data muka NFT telah membolehkan projek itu memperoleh lebih daripada 20W+ jumlah pemutus NFT sejak pelancarannya pada penghujung April, dan popularitinya jelas.

Saya juga sangat keliru, kenapa? Bolehkah data muka dimuat naik ke blockchain walaupun ia besar? Adakah maklumat muka saya akan dicuri? Apakah yang dilakukan oleh Privasea?

Tunggu, mari kita terus menyelidik projek itu sendiri dan pihak projek Privasea untuk mengetahuinya.

Kata kunci: NFT, AI, FHE (Penyulitan Homomorfik Sepenuhnya), DePIN

2 Dari Web2 ke Web3-konfrontasi manusia-komputer tidak pernah berhenti

Pertama sekali, mari jelaskan tujuan projek casting NFT itu sendiri anda fikir projek ini hanyalah tentang menghantar data muka ke NFT, anda silap sama sekali.

Nama Apl projek yang kami nyatakan di atas, IMHUMAN (Saya manusia), sudah menggambarkan masalah ini dengan baik: sebenarnya, projek ini bertujuan untuk menggunakan pengecaman muka untuk menentukan sama ada anda adalah orang sebenar di hadapan skrin.

Pertama sekali, mengapa kita memerlukan pengiktirafan mesin manusia?

Menurut laporan 2024Q1 yang disediakan oleh Akamai (lihat lampiran), Bot (program automatik yang boleh mensimulasikan manusia menghantar permintaan HTTP dan operasi lain) menyumbang 42.1% trafik Internet yang menakjubkan, yang mana trafik berniat jahat menyumbang 27.5% daripada keseluruhan trafik Internet.

Bot Berniat jahat boleh menyebabkan akibat malapetaka seperti respons tertunda atau bahkan masa henti kepada penyedia perkhidmatan berpusat, yang menjejaskan pengalaman pengguna sebenar.

Mari kita ambil senario merebut tiket sebagai contoh Dengan mencipta berbilang akaun maya untuk merebut tiket, penipu boleh meningkatkan kebarangkalian untuk berjaya merebut tiket malah ada yang menggunakan program automatik di sebelah bilik komputer ia, pembelian tiket boleh dicapai dengan kelewatan hampir sifar.

Pengguna biasa hampir tiada peluang untuk menang melawan pengguna berteknologi tinggi ini.

Pembekal perkhidmatan juga telah melakukan beberapa usaha dalam hal ini Di sisi pelanggan, dalam senario Web2, pengesahan nama sebenar, kod pengesahan tingkah laku dan kaedah lain diperkenalkan untuk membezakan manusia dan mesin pemintasan dilakukan melalui dasar WAF dan cara lain .

Adakah masalah ini akan selesai?

Sememangnya tidak, kerana faedah daripada penipuan adalah besar.

Pada masa yang sama, konfrontasi antara manusia dan mesin berterusan, dan kedua-dua penipu dan penguji sentiasa meningkatkan senjata mereka.

Ambil penipu sebagai contoh Mengambil kesempatan daripada perkembangan pesat AI dalam beberapa tahun kebelakangan ini, kod pengesahan tingkah laku pelanggan telah hampir dikurangkan secara dimensi oleh pelbagai model visual malah mempunyai keupayaan pengecaman yang lebih pantas dan tepat daripada manusia. Ini memaksa pengesah untuk menaik taraf secara pasif, beralih secara beransur-ansur daripada pengesanan ciri tingkah laku pengguna awal (kod pengesahan imej) kepada pengesanan ciri biometrik (pengesahan persepsi: seperti pemantauan persekitaran pelanggan, cap jari peranti, dll. Sesetengah operasi berisiko tinggi mungkin memerlukan peningkatan kepada pengesanan ciri biologi (cap jari, pengecaman muka).

Untuk Web3, pengesanan mesin manusia juga merupakan permintaan yang kuat.

Untuk sesetengah airdrop projek, penipu boleh membuat beberapa akaun palsu untuk melancarkan serangan ahli sihir Pada masa ini, kita perlu mengenal pasti orang sebenar.

Disebabkan atribut kewangan Web3, untuk beberapa operasi berisiko tinggi, seperti log masuk akaun, pengeluaran mata wang, transaksi, pemindahan, dll., bukan sahaja orang sebenar yang perlu mengesahkan pengguna, tetapi juga akaun pemilik, jadi pengecaman muka adalah pilihan terbaik.

Permintaan itu pasti, tetapi persoalannya bagaimana untuk merealisasikannya?

Seperti yang kita semua tahu, desentralisasi adalah niat asal Web3 Apabila kita membincangkan cara melaksanakan pengecaman muka pada Web3, persoalan yang lebih mendalam sebenarnya ialah bagaimana Web3 harus menyesuaikan diri dengan senario AI:

• Bagaimanakah kita harus membinanya? mempelajari rangkaian pengkomputeran?
• Bagaimana untuk memastikan bahawa privasi data pengguna tidak bocor?
• Bagaimana untuk mengekalkan operasi rangkaian, dll.? . masalah pengkomputeran privasi bagi senario AI pada Web3.

FHE Dari segi orang awam, ia adalah teknologi penyulitan yang memastikan bahawa hasil operasi yang sama pada teks biasa dan teks sifir adalah konsisten.

Privasea telah mengoptimumkan dan merangkumkan THE tradisional, dibahagikan kepada lapisan aplikasi, lapisan pengoptimuman, lapisan aritmetik dan lapisan asal, membentuk perpustakaan HESea untuk menyesuaikannya kepada senario pembelajaran mesin Berikut adalah fungsi khusus yang bertanggungjawab untuk setiap lapisan

Melalui struktur berlapisnya, Privasea menyediakan penyelesaian yang lebih khusus dan disesuaikan untuk memenuhi keperluan unik setiap pengguna.

Pembungkusan dioptimumkan Privasea tertumpu terutamanya pada lapisan aplikasi dan lapisan pengoptimuman Berbanding dengan penyelesaian asas dalam perpustakaan homomorfik lain, pengiraan tersuai ini boleh memberikan pecutan lebih daripada seribu kali.

3.1 Seni bina rangkaian Privasea AI NetWork

Melihat seni bina Privasea AI NetWork:

在其網路上總共有4種角色，資料擁有者、Privanetix 節點、解密者、結果接受者。

• 資料擁有者：透過 Privasea API，用於安全地提交任務及資料。
• Privanetix 節點：是整個網路的核心，配備了先進的HESea 庫並整合了基於區塊鏈的激勵機制，可執行安全高效的計算，同時保護底層數據的隱私並確保計算的完整性和機密性。
• 解密器：透過 Privasea API 取得到解密後的結果，對結果進行驗證。
• 結果接受者：任務結果將傳回給資料擁有者及任務下發者指定的人。

3.2 Privasea AI NetWork 的核心工作流程

以下是Privasea AI NetWork 的一般工作流程圖：

• STEP 1：用戶註冊和用戶註冊的必要驗證AI 網路上啟動註冊流程。此步驟可確保只有授權使用者才能存取系統並參與網路活動。
• STEP 2：任務提交：提交計算任務及輸入數據，數據是由HEsea庫加密後的數據，同時數據所有者還指定可以訪問最終結果的授權解密者和結果接收者。
• STEP 3：任務分配：部署在網路上的基於區塊鏈的智慧合約根據可用性和能力將運算任務分配給合適的 Privanetix 節點。此動態分配過程可確保高效率的資源分配和運算任務的分配。
• STEP 4：加密計算：指定的 Privanetix 節點接收加密資料並利用 HESea 函式庫進行計算。這些計算無需解密敏感資料即可執行，從而保持了其機密性。為了進一步驗證計算的完整性，Privanetix 節點為這些步驟產生零知識證明。
• STEP 5：金鑰切換：完成計算後，指定的 Privanetix 節點採用金鑰切換技術來確保最終結果是經過授權的，並且只有指定的解密器才能存取。
• STEP 6：結果驗證：完成計算後，Privanetix 節點將加密結果和相應的零知識證明傳回基於區塊鏈的智能合約以供將來驗證。
• STEP 7：激勵機制：追蹤 Privanetix 節點的貢獻，並分配獎勵
• STEP 8：結果檢​​索：解密器利用 Privasea API 存取加密結果。他們的首要任務是驗證計算的完整性，確保 Privanetix 節點按照資料所有者的意圖執行了計算。
• STEP 9：結果交付：將解密結果與資料擁有者預先決定的指定結果接收者共用。

在Privasea AI NetWork 的核心工作流程中，暴露給使用者的是開放的API，這就使得使用者只需專注於入參以及相應的結果，而無需了解網路內部複雜的運算本身，不會有太多的心智負擔。同時，端到端的加密在不影響資料處理的前提下，使資料本身不被外洩。

PoW && PoS 雙機制疊加

Privasea 於近期推出的 WorkHeart NFT 與 StarFuel NFT 透過PoW和PoS的雙重機制來進行網路節點管理與獎勵發放。購買 WorkHeart NFT 即可擁有成為 Privanetix 節點的資格參與網路運算，並基於PoW機制取得代幣收益。 StarFuel NFT 是節點增益器（限量5000），可以與 WorkHeart 進行組合，類似PoS，向其質押的代幣數量越多，WorkHeart 節點的收益倍率越大。

那麼，為何是PoW和PoS?

其實這個問題比較好解答。

PoW的本質是透過運算的時間成本來降低節點作惡率，維護網路的穩定。有別於BTC的隨機數驗證的大量無效計算，此隱私計算網路節點的實際工作產出（運算）可以直接與工作量機制的掛鉤，天然適合PoW。

而PoS又更容易平衡了經濟資源。

這樣一來，WorkHeart NFT 透過 PoW 機制獲取收益，而 StarFuel NFT 透過 PoS 機制提高收益倍率，形成了多層次、多樣化的激勵機制，使得用戶可以根據自身資源和策略選擇適合的參與方式。兩種機制的結合，可以優化收益分配結構，平衡運算資源和經濟資源在網路中的重要性。

3.3 小結

由此可見，Privatosea AI NetWork基於FHE建構了一套加密版本的機器學習系統。得益於FHE隱私計算的特性，把計算任務分包給分散式環境下的各個運算節點（Privanetix），透過ZKP對結果進行有效性驗證，並藉助於PoW和PoS的雙重機制對提供運算結果的節點進行獎勵或懲罰，維護網路的運作。

可以說，Privasea AI NetWork 的設計在為各領域的隱私保護 AI 應用鋪平道路。

4、FHE同態加密-新的密碼學聖杯？

上個章節我們可以看到，Privatosea AI NetWork 的安全性依賴於其底層的FHE，隨著FHE賽道領頭羊ZAMA在技術上的不斷突破，FHE 甚至被投資者冠以新的密碼學聖杯的稱號，讓我們把它與ZKP以及相關的解決方案做比較。

對比下來，可以看到，ZKP與FHE兩者的適用場景區別較大，FHE側重於隱私計算，ZKP側重於隱私驗證。

而SMC似乎與FHE有著更大的重合度，SMC的概念是安全的聯合計算，解決的是共同計算的計算機個體的資料隱私問題。

5、FHE的限制

FHE實現了資料處理權與資料所有權的分離，從而在不影響計算的情況下防止了資料外洩。但同時，犧牲的是運算速度。

加密如同一把雙面刃，在提升了安全性的同時，導致運算速度大打折扣。

近年來，各種類型的FHE的性能提升方案被提出，有的基於演算法最佳化、有的依靠硬體加速。

• 演算法最佳化方面，新的FHE方案如CKKS和最佳化的bootstrap方法顯著減少了雜訊成長和計算開銷；
• 硬體加速方面，客製化的GPU、FPGA等硬體顯著提升了多項式運算的效能。

此外，混合加密方案的應用也在探索之中，透過結合部分同態加密（PHE）和搜尋加密（SE），在特定場景下可以提升效率。

儘管如此，FHE在性能上仍與明文計算有較大差距。

6、總結

Privasea 透過其獨特的架構和相對高效的隱私運算技術，不僅為使用者提供了高度安全的資料處理環境，也開啟了Web3與AI深度融合的新篇章。雖然其底層依賴的FHE有著天然的運算速度劣勢，但是Privasea 近期與ZAMA已經達成了合作，共同攻堅隱私計算的難題。未來，隨著技術上的不斷突破，Privasea 有望在更多領域發揮其潛力，成為隱私運算和AI應用的探索者。

Atas ialah kandungan terperinci Tafsiran mendalam Privasea: Data muka menghantar NFT, satu inovasi yang menarik?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!