Tafsiran mendalam tentang Privasea, bolehkah data wajah menghantar NFT masih dimainkan seperti ini?

Pengarang: Shishijun

1. Pengenalan

Baru-baru ini, projek face NFT casting yang dimulakan oleh Privasea sangat popular!

Nampaknya sangat mudah pada pandangan pertama, pengguna boleh memasukkan wajah mereka sendiri pada aplikasi mudah alih IMHUMAN dan memasukkan data muka mereka ke dalam NFT data muka pada rantaian + NFT telah membolehkan projek itu memperoleh lebih daripada 20W+ volum pencetakan NFT sejak pelancarannya pada penghujung April, 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 teruskan penyelidikan projek itu sendiri dan pihak projek Privasea untuk mengetahui.

Kata kunci: NFT, AI, FHE (Penyulitan Homomorfik Sepenuhnya), DePIN2 Dari Web2 ke Web3-konfrontasi manusia-mesin tidak pernah berhenti

Pertama, biarkan NFT. projek itu sendiri, jika anda fikir projek ini

hanyalah untuk menghantar data muka ke NFT, maka anda silap sama sekali

. Nama Aplikasi projek yang kami nyatakan di atas

IMHUMAN (Saya manusia)

telah menjelaskan masalah ini dengan baik: sebenarnya, projek itu bertujuan untuk menentukan sama ada anda berada di hadapan skrin melalui pengecaman muka Ia adalah orang sebenar .

Pertama sekali, mengapa kita memerlukan pengiktirafan mesin manusia?

Menurut laporan 2024Q1

yang disediakan oleh Akamai (lihat lampiran) menunjukkan bahawa Bot (program automatik yang boleh mensimulasikan manusia menghantar permintaan HTTP dan operasi lain) akaun Internet untuk trafik 42.1% aston1. antaranya yang berniat jahat Trafik menyumbang 27.5% daripada keseluruhan trafik Internet.

Bot Berniat jahat boleh membawa akibat bencana seperti tindak balas yang tertunda atau bahkan masa henti kepada penyedia perkhidmatan berpusat, yang menjejaskan pengalaman pengguna sebenar.

Mari kita ambil senario rampasan tiket sebagai contoh Dengan mencipta berbilang akaun maya untuk merebut tiket, penipu boleh meningkatkan kebarangkalian untuk berjaya merebut tiket, malah ada juga yang menggunakan program automatik di sebelah. bilik komputer pembekal perkhidmatan, 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 .

Bolehkah masalah ini diselesaikan?

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.

Mengambil kesempatan daripada perkembangan pesat AI dalam beberapa tahun kebelakangan ini, kod pengesahan tingkah laku pelanggan hampir dikurangkan secara dimensi oleh pelbagai model visual malah mempunyai keupayaan pengecaman yang lebih pantas dan lebih 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 berbilang 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 pemilik akaun, jadi pengecaman muka menjadi sangat diperlukan.

Permintaan itu pasti, tetapi persoalannya bagaimana untuk merealisasikannya?

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

• . membina rangkaian pengkomputeran pembelajaran mesin terdesentralisasi?
• Bagaimana untuk memastikan privasi data pengguna tidak bocor?
• Bagaimana untuk mengekalkan operasi rangkaian, dll.? . ) membina Privasea AI NetWork untuk menyelesaikan masalah pengkomputeran privasi bagi senario AI di Web3.

FHE ialah, dari segi orang awam, teknologi penyulitan yang memastikan 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 dengan senario pembelajaran mesin Berikut adalah tanggungjawab khusus 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 seribu kali ganda.

3.1 Seni bina rangkaian Privasea AI NetWork

Melihat daripada seni bina Privasea AI NetWork:

Terdapat sejumlah 4 peranan pada rangkaian Privan, decryptor, decryption, nodedata pada rangkaiannya,

.

Pemilik Data

: Digunakan untuk menyerahkan tugas dan data dengan selamat melalui Privasea API.

1. Privanetix Node: Ia adalah teras kepada keseluruhan rangkaian, dilengkapi dengan perpustakaan HESea termaju dan disepadukan dengan mekanisme insentif berasaskan blokchain, yang boleh melakukan pengiraan yang selamat dan cekap sambil melindungi privasi data asas dan memastikan integriti pengiraan dan kerahsiaan.

2. Decryptor: Dapatkan hasil yang dinyahsulit melalui Privasea API dan sahkan hasilnya.

3. Penerima Keputusan: Keputusan tugas akan dikembalikan kepada orang yang ditetapkan oleh pemilik data dan pengeluar tugas. .

   : Pemilik data lulus Sediakan bukti kelayakan pengesahan dan kebenaran yang diperlukan untuk memulakan proses pendaftaran pada Rangkaian AI Privasi. Langkah ini memastikan bahawa hanya pengguna yang diberi kuasa boleh mengakses sistem dan mengambil bahagian dalam aktiviti rangkaian.

LANGKAH 2: Penyerahan tugasan

: Serahkan tugas pengiraan dan data input Data disulitkan oleh perpustakaan HEsea Pada masa yang sama, pemilik data juga menentukan penyahsulit dan penerima keputusan boleh mengakses hasil akhir Oleh.

• LANGKAH 3: Peruntukan Tugas : Kontrak pintar berasaskan rantaian blok yang digunakan pada rangkaian memperuntukkan tugas pengkomputeran kepada nod Privanetix yang sesuai berdasarkan ketersediaan dan keupayaan. Proses peruntukan dinamik ini memastikan peruntukan sumber yang cekap dan pengagihan tugas pengkomputeran.

• LANGKAH 4: Pengiraan disulitkan: Nod Privanetix yang ditetapkan menerima data yang disulitkan dan menggunakan perpustakaan HESea untuk melakukan pengiraan. Pengiraan ini boleh dilakukan tanpa menyahsulit data sensitif, sekali gus mengekalkan kerahsiaannya. Untuk mengesahkan lagi integriti pengiraan, nod Privanetix menjana bukti pengetahuan sifar untuk langkah-langkah ini.

• ステップ 5: キースイッチング: 計算が完了すると、指定された Privanetix ノードはキースイッチング技術を採用して、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ようにします。

• STEP 6: 結果検証: 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: インセンティブのメカニズム

: PrivaNetix ノードの貢献を追跡し、報酬を割り当てます

• ステップ 8: 結果の取得: デクリレーターは Privasea API を使用して暗号化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: 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復号化された結果を共有します。

• Privasea AI NetWork のコア ワークフローでは、オープン API がユーザーに公開されているため、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。精神的負担が大きすぎるだろう。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は最近、PoWとPoSの二重メカニズムを通じてWorkHeart NFTとStarFuel NFTを開始しましたノードの管理と報酬ハンド出ました。 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 はノード ゲイナー (5000 に制限) であり、PoS と同様に WorkHeart と組み合わせることができ、それに誓約されたトークンが多いほど、WorkHeart ノードの利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、ノードの悪影響率を削減し、運用の時間コストを通じて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することができ、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に基づいて適切な参加方法を選択できるようにします。そして戦略。 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

  暗号化バージョンの機械学習システム
  を構築したことがわかります。 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または罰を与えます。
  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 - 暗号化の新しい聖杯?

最後の章では、Privatosea AI ネットワーク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 には投資家から新しいパスワードも与えられました。聖杯というタイトルを取り上げて、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、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ることがわかります。

そして、SMC は FHE とより重なる部分があるようです SMC のコンセプトは、連携して動作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、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など、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います。

• 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が多項式演算のパフォーマンスが大幅に向上しました。

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スキームの適用も検討されています。

それにもかかわらず、FHE 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、継続的な技術革新により、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検家になることが期待されています。

Atas ialah kandungan terperinci Tafsiran mendalam tentang Privasea, bolehkah data wajah menghantar NFT masih dimainkan seperti ini?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!