1. Giới thiệu

Gần đây, dự án đúc NFT khuôn mặt do Privasea khởi xướng đã thu hút sự phổ biến lớn! Ngày cái nhìn đầu tiên, dự án này dường như đơn giản: người dùng ghi lại khuôn mặt của họ trên ứng dụng di động IMHUMAN (I Am Human) và đúc dữ liệu khuôn mặt của họ thành một NFT. Sự kết hợp này giữa dữ liệu khuôn mặt trên chuỗi + NFT đã dẫn đến hơn 200.000 NFT đúc từ khi ra mắt vào cuối tháng 4, cho thấy sự phổ biến đáng kể của nó. Tôi cũng tò mò - tại sao điều này lại xảy ra? Dữ liệu khuôn mặt có thể được lưu trữ trên chuỗi không? Thông tin khuôn mặt của tôi có bị lạm dụng không? Privasea chính xác là gì? Hãy đào sâu vào dự án và người khởi xướng của nó, Privasea, để khám phá chi tiết.

2. Từ Web2 đến Web3 - Cuộc Chiến Vô Tận Giữa Con Người và Bot

Đầu tiên, hãy giải mã mục đích của dự án đúc NFT khuôn mặt. Bạn đã nhầm lẫn rất nhiều nếu bạn nghĩ rằng dự án này chỉ đơn thuần là đúc dữ liệu khuôn mặt thành NFT. Tên của ứng dụng, IMHUMAN (I Am Human), đã gợi ý về một mục đích sâu sắc hơn: dự án nhằm mục đích sử dụng nhận dạng khuôn mặt để xác định xem người trước màn hình có phải là con người hay không. Tại sao chúng ta cần sự công nhận giữa con người và bot? Theo báo cáo quý 1 năm 2024 của Akamai (xem phụ lục), Bots (chương trình tự động có thể mô phỏng các hành động của con người như gửi yêu cầu HTTP) chiếm 42,1% lưu lượng truy cập internet một cách đáng kinh ngạc, với lưu lượng độc hại chiếm 27,5% tổng lưu lượng truy cập internet. Các bot độc hại có thể gây ra hậu quả tai hại như phản hồi chậm trễ hoặc thời gian chết cho các nhà cung cấp dịch vụ tập trung, ảnh hưởng đến trải nghiệm của người dùng thực.

Lấy ví dụ về mở rộng quy mô vé: những kẻ gian lận tạo nhiều tài khoản ảo để tăng cơ hội bảo mật vé và một số thậm chí còn triển khai các chương trình tự động gần trung tâm dữ liệu của nhà cung cấp dịch vụ để đạt được các giao dịch mua vé có độ trễ gần như bằng không. Người dùng thông thường có rất ít cơ hội chống lại các đối thủ cạnh tranh công nghệ cao như vậy. Các nhà cung cấp dịch vụ đã nỗ lực để chống lại điều này, sử dụng các phương pháp như xác minh tên thật và CAPTCHA hành vi để phân biệt giữa con người và bot ở phía máy khách và sử dụng các chiến lược WAF và các kỹ thuật khác để lọc và chặn lưu lượng độc hại ở phía máy chủ. Nhưng điều này có giải quyết được vấn đề không? Rõ ràng là không, vì phần thưởng từ gian lận là đáng kể. Cuộc chiến giữa con người và bot đang diễn ra, với cả kẻ gian lận và người xác minh liên tục nâng cấp công cụ của họ. Ví dụ, sự phát triển nhanh chóng của AI trong những năm gần đây đã khiến CAPTCHA hành vi phía máy khách gần như không hiệu quả, vì các mô hình AI thường có thể giải quyết chúng nhanh hơn và chính xác hơn con người. Điều này đã buộc các nhà xác minh phải nâng cấp từ phát hiện hành vi người dùng sớm (CAPTCHA hình ảnh) lên phát hiện sinh trắc học tiên tiến hơn (xác minh nhận thức: giám sát môi trường khách hàng, lấy dấu vân tay thiết bị, v.v.) và cho các hoạt động có rủi ro cao, sang xác minh sinh trắc học (dấu vân tay, nhận dạng khuôn mặt).

Trong Web3, việc phát hiện con người-bot là rất quan trọng. Đối với một số dự án airdrop, những kẻ gian lận có thể tạo nhiều tài khoản giả để tấn công Sybil, đòi hỏi phải xác minh con người thực sự. Với tính chất tài chính của Web3, các hoạt động có rủi ro cao như đăng nhập tài khoản, rút tiền, giao dịch và chuyển khoản không chỉ đòi hỏi xác minh con người mà còn yêu cầu xác minh sở hữu tài khoản, khiến cho nhận diện khuôn mặt là lựa chọn lý tưởng. Nhu cầu là rõ ràng, nhưng làm thế nào để chúng ta thực hiện nó? Phân tán là bản chất của Web3, và khi thảo luận về nhận diện khuôn mặt trong Web3, câu hỏi sâu hơn là Web3 nên thích nghi với các tình huống trí tuệ nhân tạo ra sao:

• Làm thế nào chúng ta xây dựng một mạng máy tính học máy phi tập trung?
• Làm thế nào để đảm bảo sự riêng tư dữ liệu người dùng?
• Làm thế nào để chúng ta duy trì hoạt động mạng?

3. Mạng AI Privasea: Khám phá tính toán bảo mật quyền riêng tư và AI

Để đáp ứng các thách thức được đề cập trong chương trước, Privasea đã đề xuất một giải pháp đổi mới: Mạng Privasea AI, được xây dựng trên Fully Homomorphic Encryption (FHE), để giải quyết tính toán bảo mật riêng tư trong các kịch bản AI trên Web3. FHE là một kỹ thuật mã hóa cho phép tính toán trên dữ liệu được mã hóa cho ra kết quả giống như các hoạt động được thực hiện trên dữ liệu không được mã hóa. Privasea đã tối ưu hóa và đóng gói FHE truyền thống vào một cấu trúc lớp, bao gồm Lớp Ứng dụng, Lớp Tối ưu hóa, Lớp Số học và Lớp Nguyên thủy, tạo thành thư viện HESea. Thư viện này được tùy chỉnh cho các kịch bản học máy, với mỗi lớp chịu trách nhiệm cho các chức năng cụ thể:

Qua kiến trúc lớp này, Privasea cung cấp các giải pháp tùy chỉnh hơn để đáp ứng nhu cầu độc đáo của mỗi người dùng. Các tối ưu hóa của Privasea chủ yếu tập trung vào Lớp Ứng dụng và Lớp Tối ưu hóa, cung cấp các tính toán tùy chỉnh có thể tăng tốc hiệu suất lên hơn một nghìn lần so với các giải pháp cơ bản tìm thấy trong các thư viện mã hóa đồng dạng khác.

3.1 Kiến trúc Mạng của Mạng Lưới AI Privasea

Dựa vào kiến trúc Mạng lưới AI Privasea của nó:

Mạng Privasea AI bao gồm bốn vai trò: Chủ Sở Hữu Dữ Liệu, Các Node Privanetix, Bộ Giải Mã và Người Nhận Kết Quả.

1. Chủ sở hữu dữ liệuHọ đưa nhiệm vụ và dữ liệu một cách an toàn thông qua API Privasea.
2. Privanetix NodesNhân tố cốt lõi của mạng lưới là các nút này được trang bị thư viện HESea tiên tiến và tích hợp với cơ chế khuyến khích dựa trên blockchain. Chúng thực hiện tính toán an toàn và hiệu quả trong khi bảo vệ sự riêng tư của dữ liệu cơ bản và đảm bảo tính toàn vẹn và bảo mật của các tính toán.
3. Mở khóa: Họ nhận được kết quả đã giải mã thông qua API Privasea và xác minh kết quả.
4. Người nhận kết quả: Kết quả nhiệm vụ được trả về cho Chủ sở hữu Dữ liệu và những người được chỉ định bởi người phát hành nhiệm vụ.

3.2 Luồng công việc cốt lõi của Mạng Privasea AI

Quy trình làm việc chung của Mạng Privasea AI như sau:

• Bước 1: Đăng ký người dùng

  Người sở hữu dữ liệu khởi tạo quy trình đăng ký trên mạng lưới AI bảo mật bằng cách cung cấp các thông tin xác minh danh tính và giấy tờ phê duyệt cần thiết. Bước này đảm bảo chỉ có người dùng được ủy quyền mới có thể truy cập vào hệ thống và tham gia vào các hoạt động mạng.

• Bước 2: Nộp Bài

  Chủ sở hữu dữ liệu gửi nhiệm vụ tính toán và dữ liệu đầu vào, được mã hóa bằng thư viện HESea. Chủ sở hữu dữ liệu cũng chỉ định các Bộ giải mã được ủy quyền và Người nhận Kết quả có thể truy cập kết quả cuối cùng.

• Bước 3: Phân công nhiệm vụ

  Một hợp đồng thông minh dựa trên blockchain được triển khai trên mạng giao nhiệm vụ tính toán cho các Node Privanetix phù hợp dựa trên tính sẵn có và khả năng. Quá trình phân bổ linh hoạt này đảm bảo phân phối tài nguyên và giao nhiệm vụ hiệu quả.

• Bước 4: Tính toán được mã hóa

  Các nút Privanetix được chỉ định nhận dữ liệu được mã hóa và thực hiện các tính toán bằng thư viện HESea. Các tính toán này được thực hiện mà không giải mã dữ liệu nhạy cảm, từ đó giữ được tính bảo mật của nó. Để đảm bảo tính toàn vẹn của tính toán, các nút Privanetix tạo ra các bằng chứng không có kiến thức cho các bước này.

• Bước 5: Chuyển đổi Khóa

  Sau khi quá trình tính toán hoàn thành, các Node Privanetix được chỉ định sử dụng kỹ thuật chuyển khóa để đảm bảo rằng kết quả cuối cùng được ủy quyền và chỉ có thể truy cập bởi các Decryptors đã xác định.

• Bước 6: Xác minh kết quả

  Sau khi tính toán hoàn tất, các Nút Privanetix trả kết quả được mã hóa và bằng chứng zero-knowledge tương ứng cho hợp đồng thông minh dựa trên blockchain để xác minh trong tương lai.

• Bước 7: Cơ chế động viên

  Các đóng góp từ các nút Privanetix được theo dõi và phần thưởng được phân phối tương ứng.

• Bước 8: Lấy kết quả

  Decryptors sử dụng API Privasea để truy cập kết quả được mã hóa. Nhiệm vụ chính của họ là xác minh tính toàn vẹn của việc tính toán, đảm bảo rằng các Node Privanetix thực hiện tính toán theo ý định của Chủ sở hữu Dữ liệu.

• Bước 9: Giao nhận Kết quả

  Kết quả giải mã được chia sẻ với các người nhận kết quả được chỉ định bởi Chủ sở hữu Dữ liệu.

Trong quy trình lõi của Mạng lưới AI Privasea, người dùng tương tác với một API mở, cho phép họ tập trung hoàn toàn vào các tham số đầu vào và kết quả tương ứng mà không cần hiểu rõ về các tính toán phức tạp bên trong của mạng lưới. Điều này giảm tải trí tuệ. Đồng thời, mã hóa end-to-end đảm bảo rằng dữ liệu luôn được bảo mật trong suốt quá trình xử lý.

Cơ chế kép PoW & PoS

Privasea gần đây giới thiệu WorkHeart NFT và StarFuel NFT, sử dụng cơ chế kép Proof of Work (PoW) và Proof of Stake (PoS) để quản lý các nút mạng và phân phối phần thưởng. Mua một WorkHeart NFT trao cho chủ sở hữu tư cách trở thành một Node Privanetix, tham gia tính toán mạng và kiếm phần thưởng token dựa trên cơ chế PoW. StarFuel NFT, giới hạn 5,000 đơn vị, hoạt động như một bộ tăng cường nút và có thể được kết hợp với WorkHeart, tương tự như PoS. Càng nhiều token gắn với StarFuel, hệ số nhân lợi nhuận càng lớn cho nút WorkHeart.

Vì vậy, tại sao sử dụng cả PoW và PoS? Câu trả lời nằm ở thế mạnh của từng cơ chế. PoW làm giảm khả năng hành vi sai trái của nút bằng cách buộc nó vào chi phí tính toán, do đó ổn định mạng. Không giống như xác minh số ngẫu nhiên không hiệu quả của Bitcoin, đầu ra công việc thực tế (tính toán) của các nút trong mạng tính toán bảo vệ quyền riêng tư này được liên kết trực tiếp với cơ chế làm việc, làm cho nó tự nhiên phù hợp với PoW. Trong khi đó, PoS cân đối hiệu quả các nguồn lực kinh tế. Sự kết hợp này cho phép NFT WorkHeart kiếm phần thưởng thông qua PoW trong khi NFT StarFuel nâng cao năng suất thông qua PoS, tạo ra cấu trúc khuyến khích đa lớp, đa dạng. Cấu trúc này cho phép người dùng chọn phương thức tham gia phù hợp nhất với tài nguyên và chiến lược của họ, tối ưu hóa phân phối phần thưởng và cân bằng tầm quan trọng của các nguồn lực tính toán và kinh tế trong mạng.

3.3 Tóm tắt

Tóm lại, Mạng lưới Privasea AI đã xây dựng một hệ thống học máy được mã hóa dựa trên Fully Homomorphic Encryption (FHE). Nhờ tính năng bảo mật riêng tư của FHE, các tác vụ tính toán được phân phối giữa các nút tính toán khác nhau (Privanetix) trong một môi trường phi tập trung. Kết quả được xác nhận thông qua Zero-Knowledge Proofs (ZKP), và hoạt động của mạng được bảo trì bằng cách thưởng hoặc phạt các nút cung cấp kết quả tính toán, sử dụng cơ chế kép Proof of Work (PoW) và Proof of Stake (PoS). Thiết kế của Mạng lưới Privasea AI mở đường cho các ứng dụng AI bảo vệ quyền riêng tư trên nhiều lĩnh vực khác nhau.

4. Mã hóa động học đa bên FHE: Giải thưởng thánh mật mã học mới?

Như đã thấy trong chương trước, sự an toàn của Mạng AI Privasea dựa trên FHE cơ bản của nó. Với sự tiến bộ công nghệ liên tục từ các nhà lãnh đạo ngành như ZAMA, FHE đã được các nhà đầu tư gọi là “Thánh Chén” mật mã mới. Hãy so sánh nó với ZKP và các giải pháp liên quan.

So sánh, ta có thể thấy rõ ràng rằng ZKP và FHE có các ứng dụng khác nhau: FHE tập trung vào tính toán bảo mật quyền riêng tư, trong khi ZKP nhấn mạnh việc xác minh quyền riêng tư. Secure Multi-Party Computation (SMC) có vẻ có sự trùng lắp lớn hơn với FHE, vì SMC giải quyết vấn đề quyền riêng tư dữ liệu giữa các thực thể tính toán tham gia vào tính toán chung.

5. Giới hạn của FHE

FHE tách quyền xử lý dữ liệu khỏi quyền sở hữu dữ liệu, do đó ngăn chặn rò rỉ dữ liệu mà không ảnh hưởng đến tính toán. Tuy nhiên, điều này được đánh đổi bằng tốc độ tính toán. Mã hóa, giống như một thanh kiếm hai lưỡi, tăng cường bảo mật trong khi giảm đáng kể tốc độ xử lý. Trong những năm gần đây, đã đề xuất các chiến lược tăng hiệu suất khác nhau cho FHE, từ tối ưu hóa thuật toán đến tăng tốc phần cứng.

• Tối ưu thuật toán: Các hệ thống FHE mới, như CKKS và các phương pháp khởi động tối ưu hóa, đã giảm đáng kể sự phát triển tiếng ồn và chi phí tính toán.
• Tăng tốc phần cứng: Phần cứng tùy chỉnh, như GPU và FPGA, đã cải thiện đáng kể hiệu suất tính toán đa thức.

Ngoài ra, việc áp dụng các chương trình mã hóa lai đang được khám phá. Bằng cách kết hợp Mã hóa đồng cấu một phần (PHE) và Mã hóa có thể tìm kiếm (SE), hiệu quả có thể được cải thiện trong các tình huống cụ thể. Bất chấp những tiến bộ này, FHE vẫn tụt hậu so với tính toán văn bản thuần túy về hiệu suất.

6. Kết luận

Với kiến trúc độc đáo và công nghệ tính toán bảo mật tương đối hiệu quả, Privasea không chỉ cung cấp cho người dùng môi trường xử lý dữ liệu an toàn mà còn mở ra một chương mới về tích hợp sâu của Web3 và AI. Mặc dù công nghệ FHE cơ bản có nhược điểm về tốc độ xử lý, Privasea đã hợp tác với ZAMA để giải quyết những thách thức về tính toán bảo mật. Khi công nghệ tiếp tục tiến bộ, Privasea sẽ mở khóa tiềm năng của mình trong nhiều lĩnh vực, trở thành nhà tiên phong trong tính toán bảo mật và ứng dụng AI.

Miễn trừ trách nhiệm:

1. Bài viết này được tái bản từ [十四君], Tất cả bản quyền thuộc về tác giả gốc [ 十四菌]. Nếu có ý kiến ​​phản đối việc tái bản này, vui lòng liên hệ với Gate Họcđội ngũ và họ sẽ xử lý nhanh chóng.
2. Bảo Chứng Trách Nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không hề cung cấp bất kỳ lời khuyên đầu tư nào.
3. Các bản dịch của bài viết sang các ngôn ngữ khác được thực hiện bởi nhóm Gate Learn. Trừ khi được nhắc đến, việc sao chép, phân phối hoặc đạo văn các bài viết dịch là không được phép.