1. Pengantar

Baru-baru ini, proyek pencetakan NFT wajah yang diinisiasi oleh Privasea telah mendapatkan popularitas yang luar biasa! Pada pandangan pertama, tampaknya sederhana: pengguna merekam wajah mereka di aplikasi seluler IMHUMAN (I Am Human) dan mencetak data wajah mereka menjadi NFT. Kombinasi data wajah on-chain + NFT ini telah menyebabkan lebih dari 200.000 NFT dicetak sejak diluncurkan pada akhir April, menunjukkan popularitasnya yang signifikan. Saya juga penasaran - mengapa ini terjadi? Bisakah data wajah disimpan on-chain? Apakah informasi wajah saya akan disalahgunakan? Apa sebenarnya Privasea? Mari kita telusuri proyek dan inisiatornya, Privasea, untuk mengungkapkan detailnya.

2. Dari Web2 ke Web3 - Pertempuran Tak Pernah Berakhir Antara Manusia dan Bot

Pertama-tama, mari kita mendekripsi tujuan proyek pencetakan NFT wajah. Anda sangat keliru jika Anda berpikir proyek ini hanya tentang mencetak data wajah ke dalam NFT. Nama aplikasi, IMHUMAN (Saya Manusia), sudah memberi petunjuk pada tujuan yang lebih dalam: proyek ini bertujuan untuk menggunakan pengenalan wajah untuk menentukan apakah orang di depan layar adalah manusia. Mengapa kita memerlukan pengenalan manusia-bot? Menurut laporan Akamai Q1 2024 (lihat lampiran), Bot (program otomatis yang dapat mensimulasikan tindakan manusia seperti mengirim permintaan HTTP) mengisi 42,1% lalu lintas internet, dengan lalu lintas jahat menyumbang 27,5% dari total lalu lintas internet. Bot jahat dapat menyebabkan konsekuensi yang sangat buruk seperti tanggapan terlambat atau waktu tidak aktif bagi penyedia layanan terpusat, mempengaruhi pengalaman pengguna nyata.

Ambil contoh penjualan tiket: penipu membuat beberapa akun virtual untuk meningkatkan kesempatan mereka dalam memperoleh tiket, dan beberapa bahkan menggunakan program otomatis di dekat pusat data penyedia layanan untuk melakukan pembelian tiket dengan hampir tanpa latensi. Pengguna biasa memiliki sedikit peluang melawan pesaing berteknologi tinggi seperti itu. Penyedia layanan telah berusaha untuk mengatasi ini, menggunakan metode seperti verifikasi nama asli dan CAPTCHA perilaku untuk membedakan antara manusia dan bot di sisi klien, dan menerapkan strategi WAF dan teknik lainnya untuk menyaring dan mengintersep lalu lintas berbahaya di sisi server. Namun, apakah ini menyelesaikan masalah? Jelas tidak, karena imbalan dari penipuan itu besar. Pertempuran antara manusia dan bot terus berlanjut, dengan penipu dan verifikator terus meningkatkan alat-alat mereka. Sebagai contoh, perkembangan cepat AI dalam beberapa tahun terakhir telah membuat CAPTCHA perilaku di sisi klien hampir tidak efektif, karena model AI seringkali dapat menyelesaikannya lebih cepat dan lebih akurat daripada manusia. Ini telah memaksa verifikator untuk meningkatkan dari deteksi perilaku pengguna awal (CAPTCHA gambar) ke deteksi biometrik yang lebih canggih (verifikasi persepsi: pemantauan lingkungan klien, fingerprint perangkat, dll.), dan untuk operasi berisiko tinggi, ke verifikasi biometrik (sidik jari, pengenalan wajah).

Di Web3, deteksi manusia-bot sama pentingnya. Untuk sejumlah airdrop proyek tertentu, para penipu dapat membuat beberapa akun palsu untuk meluncurkan serangan Sybil, yang memerlukan verifikasi manusia nyata. Mengingat sifat keuangan Web3, operasi berisiko tinggi seperti login akun, penarikan, perdagangan, dan transfer memerlukan verifikasi manusia bukan hanya verifikasi kepemilikan akun, menjadikan pengenalan wajah pilihan yang ideal. Permintaan itu jelas, tetapi bagaimana kita mengimplementasikannya? Desentralisasi adalah inti dari Web3, dan ketika membahas pengenalan wajah di Web3, pertanyaan yang lebih dalam adalah bagaimana Web3 harus beradaptasi dengan skenario AI:

• Bagaimana cara kita membangun jaringan komputasi pembelajaran mesin terdesentralisasi?
• Bagaimana cara kita memastikan privasi data pengguna?
• Bagaimana cara kita menjaga operasi jaringan?

3. Jaringan AI Privasea: Menjelajahi Komputasi yang Melindungi Privasi dan AI

Sebagai respons terhadap tantangan yang disebutkan dalam bab sebelumnya, Privasea telah mengusulkan solusi inovatif: Jaringan Privasea AI, yang dibangun di atas Fully Homomorphic Encryption (FHE), untuk mengatasi komputasi yang menjaga privasi dalam skenario AI pada Web3. FHE adalah teknik enkripsi yang memungkinkan komputasi pada data terenkripsi menghasilkan hasil yang sama seperti jika operasi dilakukan pada data yang tidak terenkripsi. Privasea telah mengoptimalkan dan mengemas FHE tradisional ke dalam struktur berlapis, yang terdiri dari Lapisan Aplikasi, Lapisan Optimisasi, Lapisan Aritmatika, dan Lapisan Mentah, membentuk perpustakaan HESea. Perpustakaan ini disesuaikan untuk skenario pembelajaran mesin, dengan setiap lapisan bertanggung jawab atas fungsi-fungsi tertentu:

Melalui arsitektur berlapis ini, Privasea menawarkan solusi yang lebih disesuaikan untuk memenuhi kebutuhan unik setiap pengguna. Optimasi Privasea terutama berfokus pada Lapisan Aplikasi dan Lapisan Optimisasi, memberikan komputasi kustom yang dapat mempercepat kinerja lebih dari seribu kali dibandingkan dengan solusi dasar yang ditemukan di perpustakaan enkripsi homomorfik lainnya.

3.1 Arsitektur Jaringan Privasea AI NetWork

Dilihat dari arsitektur Jaringan Privasea AI NetWork-nya:

Jaringan Privasea AI terdiri dari empat peran: Pemilik Data, Node Privanetix, Decryptor, dan Penerima Hasil.

1. Pemilik Data: Mereka dengan aman mengirimkan tugas dan data melalui API Privasea.
2. Node Privanetix: Inti dari jaringan ini adalah node-node yang dilengkapi dengan perpustakaan HESea yang canggih dan terintegrasi dengan mekanisme insentif berbasis blockchain. Mereka melakukan komputasi yang aman dan efisien sambil melindungi privasi data yang mendasari dan memastikan integritas dan kerahasiaan komputasi.
3. Decryptor: Mereka mendapatkan hasil dekripsi melalui API Privasea dan memverifikasi hasil tersebut.
4. Penerima HasilHasil tugas dikembalikan kepada Pemilik Data dan individu yang ditunjuk oleh penerbit tugas.

3.2 Alur Kerja Inti Privasea AI NetWork

Alur kerja umum Jaringan Privasea AI adalah sebagai berikut:

• Langkah 1: Registrasi Pengguna

  Pemilik Data memulai proses pendaftaran pada jaringan AI privasi dengan memberikan verifikasi identitas dan kredensial otorisasi yang diperlukan. Langkah ini memastikan bahwa hanya pengguna yang diotorisasi yang dapat mengakses sistem dan berpartisipasi dalam kegiatan jaringan.

• Langkah 2: Pengiriman Tugas

  Pemilik Data mengirimkan tugas komputasi dan data masukan, yang dienkripsi menggunakan perpustakaan HESea. Pemilik Data juga menentukan Decryptor yang diotorisasi dan Penerima Hasil yang dapat mengakses hasil akhir.

• Langkah 3: Penugasan Tugas

  Kontrak pintar berbasis blockchain yang diterapkan pada jaringan menugaskan tugas komputasi ke Node Privanetix yang sesuai berdasarkan ketersediaan dan kemampuan. Proses alokasi dinamis ini memastikan distribusi sumber daya dan penugasan tugas yang efisien.

• Langkah 4: Komputasi Terenkripsi

  Node Privanetix yang ditunjuk menerima data terenkripsi dan melakukan perhitungan menggunakan perpustakaan HESea. Perhitungan ini dilakukan tanpa mendekripsi data sensitif, sehingga menjaga kerahasiaannya. Untuk lebih memastikan integritas perhitungan, Node Privanetix menghasilkan bukti pengetahuan nol untuk langkah-langkah ini.

• Langkah 5: Pergantian Kunci

  Setelah komputasi selesai, Node Privanetix yang ditunjuk menggunakan teknik key-switching untuk memastikan bahwa hasil akhirnya mendapat otorisasi dan hanya dapat diakses oleh Decryptors yang ditentukan.

• Langkah 6: Verifikasi Hasil

  Setelah komputasi selesai, Node Privanetix mengembalikan hasil yang dienkripsi dan bukti nol pengetahuan yang sesuai ke kontrak pintar berbasis blockchain untuk verifikasi di masa depan.

• Langkah 7: Mekanisme Insentif

  Kontribusi oleh Node Privanetix dilacak, dan hadiah didistribusikan sesuai.

• Langkah 8: Pemulihan Hasil

  Decryptor menggunakan API Privasea untuk mengakses hasil yang dienkripsi. Tugas utama mereka adalah memverifikasi integritas perhitungan, memastikan bahwa Node Privanetix menjalankan perhitungan sesuai dengan niat Pemilik Data.

• Langkah 9: Pengiriman Hasil

  Hasil yang didekripsi dibagikan dengan Penerima Hasil yang ditunjuk oleh Pemilik Data.

Dalam alur kerja inti Jaringan Privasea AI, pengguna berinteraksi dengan API terbuka, memungkinkan mereka untuk fokus hanya pada parameter input dan hasil yang sesuai tanpa memahami komputasi internal yang kompleks dari jaringan. Ini mengurangi beban kognitif. Pada saat yang sama, enkripsi end-to-end memastikan bahwa data tetap aman selama pemrosesan.

Mekanisme Dual PoW & PoS

Privasea baru-baru ini memperkenalkan WorkHeart NFT dan StarFuel NFT, yang menggunakan mekanisme ganda Proof of Work (PoW) dan Proof of Stake (PoS) untuk mengelola node jaringan dan mendistribusikan reward. Membeli WorkHeart NFT memberikan pemegangnya kualifikasi untuk menjadi Privanetix Node, berpartisipasi dalam perhitungan jaringan dan mendapatkan reward token berdasarkan mekanisme PoW. StarFuel NFT, terbatas hanya 5.000 unit, berfungsi sebagai peningkat node dan dapat digabungkan dengan WorkHeart, mirip dengan PoS. Semakin banyak token yang dipertaruhkan pada StarFuel, semakin besar multiplier hasil bagi node WorkHeart.

Jadi, mengapa menggunakan PoW dan PoS? Jawabannya terletak pada kekuatan masing-masing mekanisme tersebut. PoW mengurangi kemungkinan pelanggaran node dengan mengaitkannya dengan biaya komputasi, dengan demikian menstabilkan jaringan. Berbeda dengan verifikasi angka acak yang tidak efisien dari Bitcoin, output pekerjaan sebenarnya (komputasi) dari node-node dalam jaringan komputasi yang menjaga privasi ini secara langsung terkait dengan mekanisme kerja, sehingga secara alami cocok untuk PoW. Sementara itu, PoS secara efektif menyeimbangkan sumber daya ekonomi. Kombinasi ini memungkinkan NFT WorkHeart untuk mendapatkan imbalan melalui PoW sementara NFT StarFuel meningkatkan hasil melalui PoS, menciptakan struktur insentif yang berlapis-lapis dan diversifikasi. Struktur ini memungkinkan pengguna memilih metode partisipasi yang paling sesuai dengan sumber daya dan strategi mereka, mengoptimalkan distribusi imbalan dan menyeimbangkan pentingnya sumber daya komputasi dan ekonomi dalam jaringan.

3.3 Ringkasan

Secara ringkas, Jaringan Privasea AI telah membangun sistem pembelajaran mesin terenkripsi berdasarkan Enkripsi Fully Homomorphic (FHE). Berkat fitur pemeliharaan privasi FHE, tugas komputasi didistribusikan di antara berbagai node komputasi (Privanetix) dalam lingkungan terdesentralisasi. Hasilnya divalidasi melalui Bukti Pengetahuan Nol (ZKP), dan operasi jaringan dipertahankan dengan memberikan imbalan atau menghukum node yang memberikan hasil komputasi, menggunakan mekanisme ganda Proof of Work (PoW) dan Proof of Stake (PoS). Desain Jaringan Privasea AI membuka jalan bagi aplikasi AI yang memelihara privasi di berbagai bidang.

4. Enkripsi Homomorfik FHE: Holy Grail Kriptografi Baru?

Seperti yang terlihat dalam bab sebelumnya, keamanan Jaringan Privasea AI bergantung pada FHE yang mendasarinya. Dengan kemajuan teknologi yang terus berlanjut oleh pemimpin industri seperti ZAMA, FHE bahkan dijuluki sebagai 'Holy Grail' kriptografi baru oleh investor. Mari kita bandingkan dengan ZKP dan solusi terkait.

Dalam perbandingan, jelas bahwa ZKP dan FHE memiliki aplikasi yang berbeda: FHE fokus pada komputasi yang menjaga privasi, sementara ZKP menekankan verifikasi privasi. Komputasi Multi-Pihak yang Aman (SMC) tampaknya memiliki tumpang tindih yang lebih besar dengan FHE, karena SMC mengatasi masalah privasi data di antara entitas komputasi yang terlibat dalam komputasi bersama.

5. Batasan dari FHE

FHE memisahkan hak pemrosesan data dari kepemilikan data, sehingga mencegah kebocoran data tanpa mengorbankan komputasi. Namun, ini datang dengan biaya kecepatan komputasi. Enkripsi, seperti pedang bermata dua, meningkatkan keamanan sambil secara signifikan mengurangi kecepatan pemrosesan. Dalam beberapa tahun terakhir, berbagai strategi peningkatan kinerja untuk FHE telah diusulkan, mulai dari optimisasi algoritma hingga percepatan hardware.

• Optimisasi Algoritma: Skema FHE baru, seperti CKKS dan metode bootstrapping yang dioptimalkan, telah secara signifikan mengurangi pertumbuhan noise dan beban komputasi.
• Akselerasi Perangkat Keras: Perangkat keras yang disesuaikan, seperti GPU dan FPGA, telah secara signifikan meningkatkan kinerja perhitungan polinomial.

Selain itu, penerapan skema enkripsi hibrida sedang dalam penjelajahan. Dengan menggabungkan Enkripsi Parsial Homomorfik (PHE) dan Enkripsi Yang Dapat Dicari (SE), efisiensi dapat ditingkatkan dalam skenario tertentu. Meskipun ada kemajuan ini, FHE masih kalah dalam komputasi plaintext dalam hal kinerja.

6. Kesimpulan

Melalui arsitektur uniknya dan teknologi komputasi penyimpanan privasi yang relatif efisien, Privasea tidak hanya menyediakan pengguna dengan lingkungan pemrosesan data yang sangat aman tetapi juga membuka bab baru dalam integrasi Web3 dan AI. Meskipun teknologi FHE yang mendasari memiliki kelemahan inheren dalam kecepatan pemrosesan, Privasea baru-baru ini bermitra dengan ZAMA untuk mengatasi tantangan komputasi penyimpanan privasi. Seiring dengan terus majunya teknologi, Privasea siap membuka potensinya di bidang-bidang lain, menjadi pelopor dalam komputasi penyimpanan privasi dan aplikasi AI.

Disclaimer:

1. Artikel ini dicetak ulang dari [十四君], Semua hak cipta adalah milik penulis asli [ 十四菌]. Jika ada keberatan terhadap cetakan ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penolakan Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata merupakan pandangan dari penulis dan tidak merupakan saran investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel-artikel yang diterjemahkan dilarang.