1. แนะนำ

เมื่อเร็ว ๆ นี้โครงการสร้าง NFT ใบหน้าที่ริเริ่มโดย Privasea ได้รับความนิยมอย่างมาก! เมื่อมองแวบแรกดูเหมือนว่าจะง่าย: ผู้ใช้บันทึกใบหน้าของพวกเขาบนแอพมือถือ IMHUMAN (I Am Human) และสร้างข้อมูลใบหน้าของพวกเขาลงใน NFT การรวมกันของข้อมูลใบหน้าแบบ on-chain + NFT นี้ทําให้ NFT มากกว่า 200,000 รายการถูกสร้างขึ้นนับตั้งแต่เปิดตัวเมื่อปลายเดือนเมษายน ซึ่งบ่งบอกถึงความนิยมอย่างมาก ฉันอยากรู้อยากเห็นเช่นกัน - ทําไมสิ่งนี้ถึงเกิดขึ้น? สามารถจัดเก็บข้อมูลใบหน้าแบบ on-chain ได้หรือไม่? ข้อมูลใบหน้าของฉันจะถูกนําไปใช้ในทางที่ผิดหรือไม่? Privasea คืออะไรกันแน่? มาเจาะลึกโครงการและผู้ริเริ่ม Privasea เพื่อเปิดเผยรายละเอียด

2. จาก Web2 ถึง Web3 - สงครามที่ไม่มีที่สิ้นสุดระหว่างมนุษย์กับบอท

ประการแรกเรามาถอดรหัสวัตถุประสงค์ของโครงการสร้าง NFT บนใบหน้า คุณเข้าใจผิดอย่างมากหากคุณคิดว่าโครงการนี้เป็นเพียงการสร้างข้อมูลใบหน้าลงใน NFT ชื่อแอป IMHUMAN (I Am Human) บอกใบ้ถึงจุดประสงค์ที่ลึกซึ้งยิ่งขึ้น: โครงการนี้มีจุดมุ่งหมายเพื่อใช้การจดจําใบหน้าเพื่อตรวจสอบว่าบุคคลที่อยู่หน้าจอเป็นมนุษย์หรือไม่ ทําไมเราต้องได้รับการยอมรับจากมนุษย์และบอท? ตามรายงานไตรมาสที่ 1 ปี 2024 ของ Akamai (ดูภาคผนวก) บอท (โปรแกรมอัตโนมัติที่สามารถจําลองการกระทําของมนุษย์เช่นการส่งคําขอ HTTP) ครอบครอง 42.1% ของปริมาณการใช้งานอินเทอร์เน็ตอย่างน่าอัศจรรย์โดยมีปริมาณการใช้งานที่เป็นอันตรายคิดเป็น 27.5% ของปริมาณการใช้งานอินเทอร์เน็ตทั้งหมด บอทที่เป็นอันตรายอาจทําให้เกิดผลร้ายเช่นการตอบสนองล่าช้าหรือการหยุดทํางานสําหรับผู้ให้บริการส่วนกลางซึ่งส่งผลต่อประสบการณ์ของผู้ใช้จริง

ยกตัวอย่างการถลกหนังตั๋ว: คนขี้โกงสร้างบัญชีเสมือนหลายบัญชีเพื่อเพิ่มโอกาสในการรักษาความปลอดภัยตั๋วและบางคนถึงกับปรับใช้โปรแกรมอัตโนมัติใกล้กับศูนย์ข้อมูลของผู้ให้บริการเพื่อให้การซื้อตั๋วแทบไม่มีเวลาแฝง ผู้ใช้ทั่วไปมีโอกาสน้อยที่จะต่อสู้กับคู่แข่งที่มีเทคโนโลยีสูงเช่นนี้ ผู้ให้บริการได้พยายามต่อสู้กับสิ่งนี้โดยใช้วิธีการต่างๆเช่นการตรวจสอบชื่อจริงและ CAPTCHA เชิงพฤติกรรมเพื่อแยกความแตกต่างระหว่างมนุษย์และบอทในฝั่งไคลเอ็นต์และใช้กลยุทธ์ WAF และเทคนิคอื่น ๆ เพื่อกรองและสกัดกั้นการรับส่งข้อมูลที่เป็นอันตรายบนฝั่งเซิร์ฟเวอร์ แต่นี่ช่วยแก้ปัญหาได้หรือไม่? ไม่ชัดเจนเนื่องจากรางวัลจากการโกงมีมาก การต่อสู้ระหว่างมนุษย์และบอทกําลังดําเนินอยู่โดยมีทั้งคนขี้โกงและผู้ตรวจสอบการอัพเกรดเครื่องมือของพวกเขาอย่างต่อเนื่อง ตัวอย่างเช่นการพัฒนาอย่างรวดเร็วของ AI ในช่วงไม่กี่ปีที่ผ่านมาทําให้ CAPTCHA ด้านพฤติกรรมฝั่งไคลเอ็นต์เกือบจะไม่ได้ผลเนื่องจากโมเดล AI มักจะสามารถแก้ปัญหาได้เร็วกว่าและแม่นยํากว่ามนุษย์ สิ่งนี้ทําให้ผู้ตรวจสอบต้องอัปเกรดจากการตรวจจับพฤติกรรมผู้ใช้ในช่วงต้น (CAPTCHA ภาพ) เป็นการตรวจจับไบโอเมตริกซ์ขั้นสูง (การตรวจสอบการรับรู้: การตรวจสอบสภาพแวดล้อมของลูกค้าการพิมพ์ลายนิ้วมือของอุปกรณ์ ฯลฯ ) และสําหรับการดําเนินการที่มีความเสี่ยงสูงไปจนถึงการตรวจสอบไบโอเมตริกซ์ (ลายนิ้วมือการจดจําใบหน้า)

ใน Web3 การตรวจจับบอทของมนุษย์ก็มีความสําคัญไม่แพ้กัน สําหรับ airdrops บางโครงการคนโกงสามารถสร้างบัญชีปลอมหลายบัญชีเพื่อเปิดการโจมตี Sybil ซึ่งจําเป็นต้องมีการตรวจสอบโดยมนุษย์จริง ด้วยลักษณะทางการเงินของ Web3 การดําเนินการที่มีความเสี่ยงสูงเช่นการเข้าสู่ระบบบัญชีการถอนการซื้อขายและการโอนเงินไม่เพียง แต่ต้องการการตรวจสอบโดยมนุษย์เท่านั้น แต่ยังรวมถึงการตรวจสอบความเป็นเจ้าของบัญชีด้วยทําให้การจดจําใบหน้าเป็นตัวเลือกที่ดีที่สุด ความต้องการมีความชัดเจน แต่เราจะดําเนินการอย่างไร การกระจายอํานาจเป็นสาระสําคัญของ Web3 และเมื่อพูดถึงการจดจําใบหน้าใน Web3 คําถามที่ลึกกว่าคือ Web3 ควรปรับให้เข้ากับสถานการณ์ AI อย่างไร:

• เราจะสร้างเครือข่ายการเรียนรู้ของเครื่องแบบที่กระจายอำนาจได้อย่างไร?
• เราจะทำอย่างไรเพื่อให้มั่นใจในความเป็นส่วนตัวของข้อมูลผู้ใช้
• เราจะรักษาการทำงานของเครือข่ายอย่างไร?

3. ระบบ Privasea AI: สำรวจการคำนวณที่สนับสนุนความเป็นส่วนตัวและ AI

เพื่อตอบสนองต่อความท้าทายที่กล่าวถึงในบทก่อนหน้า Privasea ได้เสนอโซลูชันที่เป็นนวัตกรรมใหม่: Privasea AI Network ซึ่งสร้างขึ้นจาก Fully Homomorphic Encryption (FHE) เพื่อจัดการกับการคํานวณที่รักษาความเป็นส่วนตัวในสถานการณ์ AI บน Web3 FHE เป็นเทคนิคการเข้ารหัสที่ช่วยให้การคํานวณข้อมูลที่เข้ารหัสให้ผลลัพธ์เช่นเดียวกับการดําเนินการกับข้อมูลที่ไม่ได้เข้ารหัส Privasea ได้ปรับและห่อหุ้ม FHE แบบดั้งเดิมลงในโครงสร้างแบบเลเยอร์ซึ่งประกอบด้วย Application Layer, Optimization Layer, Arithmetic Layer และ Raw Layer สร้างไลบรารี HESea ไลบรารีนี้ได้รับการปรับให้เหมาะกับสถานการณ์แมชชีนเลิร์นนิ่ง โดยแต่ละเลเยอร์จะรับผิดชอบฟังก์ชันเฉพาะ:

ผ่านทางชั้นโครงสร้างชั้นเลเยอร์นี้ Privasea ให้บริการโซลูชันที่กำหนดเองมากขึ้นเพื่อตอบสนองความต้องการที่ไม่เหมือนกันของผู้ใช้แต่ละราย การปรับปรุงของ Privasea มุ่งเน้นที่ชั้นแอปพลิเคชันและชั้นการปรับปรุง และให้การคำนวณที่กำหนดเองที่สามารถเร่งความเร็วได้มากกว่าพื้นฐานถึงหนึ่งพันเท่าเมื่อเทียบกับโซลูชันพื้นฐานที่พบในไลบรารีการเข้ารหัสโฮโมร์ฟิก.

3.1 โครงสร้างเครือข่ายของ Privasea AI NetWork

ดูจากสถาปัตยกรรม Privasea AI NetWork ของมัน:

เครือข่าย Privasea AI ประกอบด้วยบทบาทสี่ประการ: เจ้าของข้อมูล, โหนด Privanetix, ผู้ถอดรหัส, และผู้รับผลลัพธ์

1. เจ้าของข้อมูล: พวกเขาส่งงานและข้อมูลอย่างปลอดภัยผ่าน Privasea API
2. โหนด Privanetix: ส่วนสำคัญของเครือข่าย และโหนดเหล่านี้ได้รับการติดตั้งห้องสมุด HESea ขั้นสูงและผสมผสานกับกลไกสะท้อนแบบบล็อกเชน เขาทำการคำนวณที่ปลอดภัยและมีประสิทธิภาพในขณะที่ปกป้องความเป็นส่วนตัวของข้อมูลพื้นฐานและรักษาความสมบูรณ์และความลับของการคำนวณ
3. Decryptors: พวกเขาได้รับผลลัพธ์ที่ถอดรหัสผ่าน Privasea API และตรวจสอบผลลัพธ์
4. ผู้รับผลลัพธ์: ผลลัพธ์ของงานถูกส่งคืนให้เจ้าของข้อมูลและบุคคลที่ได้รับมอบหมายโดยผู้ออกหมายกำหนดงาน

กระบวนการหลักของ Privasea AI NetWork 3.2

กระบวนการทั่วไปของ Privasea AI Network คือดังนี้:

• ขั้นตอนที่ 1: การลงทะเบียนผู้ใช้

  เจ้าของข้อมูลเริ่มกระบวนการลงทะเบียนบนเครือข่าย AI ความเป็นส่วนตัวโดยให้ข้อมูลการตรวจสอบความถูกต้องตัวและข้อมูลการอนุญาตที่จำเป็น ขั้นตอนนี้จะรับประกันว่าเฉพาะผู้ใช้ที่ได้รับอนุญาตเท่านั้นที่สามารถเข้าถึงระบบและมีส่วนร่วมในกิจกรรมของเครือข่าย

• ขั้นตอนที่ 2: การส่งงาน

  เจ้าของข้อมูลส่งงานคำนวณและข้อมูล input ที่ถูกเข้ารหัสโดยใช้ห้องสมุด HESea โดยเจ้าของข้อมูลยังระบุผู้ถอดรหัสที่ได้รับอนุญาตและผู้รับผลลัพธ์ที่สามารถเข้าถึงผลลัพธ์สุดท้าย

• ขั้นตอนที่ 3: การจัดสรรงาน

  สัญญาอัจฉริยะที่ใช้เทคโนโลยีบล็อกเชนและได้ถูกนำไปใช้งานบนเครือข่ายจะมอบหมายงานการคำนวณให้กับ Privanetix Nodes ที่เหมาะสมตามความพร้อมและความสามารถ กระบวนการการจัดสรรที่เปลี่ยนแปลงได้นี้จะสร้างความเป็นไปได้อย่างมีประสิทธิภาพในการกระจายทรัพยากรและการมอบหมายงาน

• ขั้นตอนที่ 4: การคำนวณที่เข้ารหัส

  โหนด Privanetix ที่ได้รับการแต่งตั้งรับข้อมูลที่เข้ารหัสแล้วทำการคำนวณโดยใช้ห้องสมุด HESea ข้อมูลที่ไว้วางใจ การทำคำนวณเหล่านี้ถูกดำเนินการโดยไม่ต้องถอดรหัสข้อมูลที่เป็นสำคัญเพื่อรักษาความลับของมัน โดยเพิ่มเติมเพื่อให้มั่นใจในความสมบูรณ์ของการคำนวณ โหนด Privanetix สร้างพิสูจน์ศูนย์อคติสำหรับขั้นตอนเหล่านี้

• ขั้นตอนที่ 5: สลับสวิตช์แป้นพิมพ์

  หลังจากการคำนวณเสร็จสิ้นแล้ว โหนด Privanetix ที่กำหนดใช้เทคนิคการสลับคีย์เพื่อให้แน่ใจว่าผลลัพธ์สุดท้ายได้รับอนุญาตและสามารถเข้าถึงได้เฉพาะโดย Decryptors ที่ระบุ

• ขั้นตอนที่ 6: การตรวจสอบผล

  เมื่อคำนวณเสร็จสิ้น Privanetix Nodes จะส่งผลลัพธ์ที่เข้ารหัสและพิสูจน์ที่ไม่มีข้อมูลสำหรับสัญญาฉบับอัจฉริยะที่อิงอยู่บนบล็อกเชนเพื่อการตรวจสอบในอนาคต

• ขั้นตอนที่ 7: กลไกส่งเสริม

  การมีส่วนร่วมของ Privanetix Nodes ถูกตรวจสอบและมีการแจกจ่ายรางวัลตามความเหมาะสม

• ขั้นตอนที่ 8: การเรียกรับผลลัพธ์

  Decryptors ใช้ Privasea API เพื่อเข้าถึงผลลัพธ์ที่เข้ารหัส งานหลักของพวกเขาคือการยืนยันความสมบูรณ์ของการคำนวณ โดยให้แน่ใจว่า Privanetix Nodes ได้ดำเนินการคำนวณตามความตั้งใจของเจ้าของข้อมูล

• ขั้นตอนที่ 9: การส่งมอบผลลัพธ์

  ผลลัพธ์ที่ถอดรหัสแล้วถูกแชร์กับผู้รับผลลัพธ์ที่ได้รับการกำหนดโดยเจ้าของข้อมูล

ในการทำงานหลักของ Privasea AI Network ผู้ใช้จะติดต่อกับ open API ซึ่งช่วยให้พวกเขาสามารถโฟกัสกับพารามิเตอร์ของข้อมูลนำเข้าและผลลัพธ์ที่สอดคล้องกันได้โดยไม่ต้องเข้าใจการคำนวณภายในของเครือข่ายที่ซับซ้อน นี่เป็นการลดภาระการใช้ความคิด ในเวลาเดียวกันการเข้ารหัสจากด้านต้นจนถึงด้านล่างทำให้ข้อมูลปลอดภัยตลอดการประมวลผล

กลไกคู่ PoW & PoS

Privasea ได้เสนอ WorkHeart NFT และ StarFuel NFT เร็ว ๆ นี้ ซึ่งใช้กลไกคู่ของ Proof of Work (PoW) และ Proof of Stake (PoS) สำหรับการจัดการโหนดเครือข่ายและการแจกจ่ายรางวัล การซื้อ WorkHeart NFT จะให้ผู้ถือสิทธิ์ที่จะเป็น Privanetix Node ที่เข้าร่วมในการคำนวณเครือข่ายและได้รับรางวัลโทเค็นตามกลไก PoW StarFuel NFT จำกัดไว้ที่ 5,000 หน่วย ทำหน้าที่เป็นตัวเสริมโหนดและสามารถรวมกับ WorkHeart ได้ คล้ายกับ PoS ยิ่งโทเคนที่มีการจ่ายถึง StarFuel ยิ่งมีการคูณผลตอบแทนมากขึ้นสำหรับโหนด WorkHeart

เหตุใดจึงต้องใช้ทั้ง PoW และ PoS คําตอบอยู่ที่จุดแข็งของแต่ละกลไก PoW ช่วยลดโอกาสในการประพฤติมิชอบของโหนดโดยการผูกไว้กับต้นทุนการคํานวณซึ่งจะทําให้เครือข่ายมีเสถียรภาพ ซึ่งแตกต่างจากการตรวจสอบหมายเลขสุ่มที่ไม่มีประสิทธิภาพของ Bitcoin เอาต์พุตการทํางานจริง (การคํานวณ) ของโหนดในเครือข่ายการคํานวณที่รักษาความเป็นส่วนตัวนี้เชื่อมโยงโดยตรงกับกลไกการทํางานทําให้เหมาะสําหรับ PoW ตามธรรมชาติ ในขณะเดียวกัน PoS สร้างสมดุลให้กับทรัพยากรทางเศรษฐกิจอย่างมีประสิทธิภาพ การรวมกันนี้ช่วยให้ WorkHeart NFT ได้รับรางวัลผ่าน PoW ในขณะที่ StarFuel NFT เพิ่มผลผลิตผ่าน PoS สร้างโครงสร้างแรงจูงใจที่หลากหลายหลายชั้น โครงสร้างนี้ช่วยให้ผู้ใช้สามารถเลือกวิธีการมีส่วนร่วมที่เหมาะสมกับทรัพยากรและกลยุทธ์ของพวกเขามากที่สุดเพิ่มประสิทธิภาพการกระจายรางวัลและสร้างสมดุลระหว่างความสําคัญของทรัพยากรการคํานวณและเศรษฐกิจภายในเครือข่าย

3.3 สรุป

สรุปมากๆ ระบบ Privasea AI Network ได้สร้างระบบเรียนรู้ของเครื่องที่เข้ารหัสได้อย่างสมบูรณ์โดยใช้การเข้ารหัสโฮโมอร์ฟิกเต็ม (FHE) ด้วยคุณสมบัติในการรักษาความเป็นส่วนตัวของ FHE งานคำนวณถูกกระจายไปในหลายๆ โหนดคอมพิวเตอร์ (Privanetix) ในสภาพแวดล้อมที่มีการกระจายอย่างไม่มีความเชื่อมั่น ผลลัพธ์ถูกตรวจสอบผ่าน Zero-Knowledge Proofs (ZKP) และการดำเนินการของเครือข่ายถูกบำรุงรักษาโดยการให้รางวัลหรือลงโทษโหนดที่ให้ผลลัพธ์การคำนวณโดยใช้กลไกคู่ของ Proof of Work (PoW) และ Proof of Stake (PoS) การออกแบบของ Privasea AI Network เป็นทางเลือกที่ดีสำหรับการประยุกต์ใช้ AI ที่มีการรักษาความเป็นส่วนตัวในหลากหลายสาขา

4. การเข้ารหัส Homomorphic FHE: ศิลาสลายของการเข้ารหัสทางกายภาพใหม่?

เห็นได้จากบทก่อนหน้านี้ว่าความปลอดภัยของ Privasea AI Network ขึ้นอยู่กับ FHE ในระดับพื้นฐานของมัน ด้วยความก้าวหน้าในเทคโนโลยีของผู้นำอุตสาหกรรมเช่น ZAMA FHE ถูกเรียกว่า "จุดมุ่งหมาย" ใหม่ของการเข้ารหัสด้วยผู้ลงทุน เรามาเปรียบเทียบกับ ZKP และสิ่งที่เกี่ยวข้อง

เมื่อเปรียบเทียบ จะเห็นได้ว่า ZKP และ FHE มีการประยุกต์ที่แตกต่าง: FHE เน้นการคำนวณที่สงวนความเป็นส่วนตัว ในขณะที่ ZKP เน้นการยืนยันความเป็นส่วนตัว SMC ที่ปลอดภัย (Secure Multi-Party Computation) มีการทับซ้อนกับ FHE มากกว่า เนื่องจาก SMC แอดเดรสปัญหาความเป็นส่วนตัวของข้อมูลระหว่างอัตราคำนวณที่มีส่วนร่วม

5. ข้อจำกัดของ FHE

FHE แยกสิทธิ์การประมวลผลข้อมูลออกจากความเป็นเจ้าของข้อมูล จึงป้องกันการรั่วไหลของข้อมูลโดยไม่กระทบต่อการคํานวณ อย่างไรก็ตามสิ่งนี้มาพร้อมกับค่าใช้จ่ายของความเร็วในการคํานวณ การเข้ารหัสเช่นดาบสองคมช่วยเพิ่มความปลอดภัยในขณะที่ลดความเร็วในการประมวลผลลงอย่างมาก ในช่วงไม่กี่ปีที่ผ่านมามีการเสนอกลยุทธ์การเพิ่มประสิทธิภาพต่างๆสําหรับ FHE ตั้งแต่การเพิ่มประสิทธิภาพอัลกอริทึมไปจนถึงการเร่งฮาร์ดแวร์

• การปรับแต่งอัลกอริทึม: มีชุดรหัส FHE ใหม่ เช่น CKKS และวิธีการทำให้เริ่มต้นปรับปรุงที่เกี่ยวข้องลดลงอย่างมากและมีค่าใช้จ่ายในการคำนวณ
• การเร่งความเร็วฮาร์ดแวร์: ฮาร์ดแวร์ที่ปรับแต่งเช่น GPUs และ FPGAs ได้เพิ่มประสิทธิภาพของการคำนวณโพลิโนเมียลอย่างมีนัยยะ

นอกจากนี้ยังมีการสำรวจการใช้งานระบบการเข้ารหัสแบบผสมอยู่ในระหว่างการสำรวจค้นหา โดยการรวม Partially Homomorphic Encryption (PHE) และ Searchable Encryption (SE) จะช่วยเพิ่มประสิทธิภาพในสถานการณ์ที่เฉพาะเจาะจง แม้ว่าจะมีความคืบหน้าเหล่านี้ การคำนวณที่ใช้ Fully Homomorphic Encryption (FHE) ยังคงด้อยลงเมื่อเทียบกับการคำนวณข้อความธรรมดาในเชิงประสิทธิภาพ

6. สรุป

ด้วยโครงสร้างที่ไม่เหมือนใครและเทคโนโลยีการคำนวณเก็บความเป็นส่วนตัวที่สมเหตุสมผลอย่างสูงของ Privasea ไม่เพียงจะให้ผู้ใช้งานได้รับสภาพแวดล้อมการประมวลผลข้อมูลที่มีความปลอดภัยมากแต่ยังเปิดตัวบทใหม่ในการผสมผสาน Web3 และ AI อย่างลึกซึ้ง แม้ว่าเทคโนโลยี FHE ในพื้นฐานจะมีข้อเสียที่เกี่ยวกับความเร็วในการประมวลผล แต่ Privasea ได้เข้า partnership กับ ZAMA เพื่อรับมือกับความท้าทายของการคำนวณเก็บความเป็นส่วนตัว ซึ่งเป็นรอยยิ้มแห่งความสำเร็จของ Privasea ในการปลดล็อกศักยภาพในสาขาต่างๆมากยิ่งขึ้น โดยเป็นผู้นำด้านการคำนวณเก็บความเป็นส่วนตัวและการประยุกต์ใช้ AI

Disclaimer：

1. บทความนี้ถูกพิมพ์ซ้ำจาก [ สิบสี่พระเจ้า], สิทธิ์ในการคัดลอกทั้งหมดเป็นของผู้เขียนต้นฉบับ [สิบสี่เชื้อ]. หากมีการคัดค้านการเผยแพร่นี้โปรดติดต่อ ประตูเรียนรู้ทีมงานและพวกเขาจะดูแลมันโดยเร็ว
2. คำประกาศความรับผิดชอบ: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงแค่ของผู้เขียนเท่านั้น และไม่เป็นที่ปรึกษาการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นๆ ทำโดยทีม Gate Learn หากไม่ได้กล่าวถึงลิขสิทธิ์การคัดลอก การกระจาย หรือการลอกเลียนแบบบทความที่ถูกแปลห้าม