1. المقدمة

في الآونة الأخيرة ، اكتسب مشروع سك NFT للوجه الذي بدأته Privasea شعبية هائلة! للوهلة الأولى ، يبدو الأمر بسيطا: يسجل المستخدمون وجوههم على تطبيق IMHUMAN (I Am Human) للجوال ويقومون بسك بيانات وجههم في NFT. أدى هذا المزيج من بيانات الوجه على السلسلة + NFT إلى أكثر من 200,000 NFTs تم سكها منذ إطلاقها في نهاية أبريل ، مما يشير إلى شعبيتها الكبيرة. كنت أشعر بالفضول أيضا - لماذا يحدث هذا؟ هل يمكن تخزين بيانات الوجه على السلسلة؟ هل سيتم إساءة استخدام معلومات وجهي؟ ما هو بريفاسيا بالضبط؟ دعنا نتعمق في المشروع ومبادره ، Privasea ، للكشف عن التفاصيل.

2. من الويب2 إلى الويب3 - المعركة اللا نهاية بين البشر والروبوتات

أولا ، دعنا نفك تشفير الغرض من مشروع سك NFT للوجه. أنت مخطئ إلى حد كبير إذا كنت تعتقد أن هذا المشروع يتعلق فقط بسك بيانات الوجه في NFTs. اسم التطبيق ، IMHUMAN (أنا إنسان) ، يلمح بالفعل إلى غرض أعمق: يهدف المشروع إلى استخدام التعرف على الوجه لتحديد ما إذا كان الشخص الذي يقف أمام الشاشة إنسانا. لماذا نحتاج إلى التعرف على الإنسان والروبوت؟ وفقا لتقرير Akamai Q1 2024 (انظر الملحق) ، تحتل الروبوتات (البرامج الآلية التي يمكنها محاكاة الإجراءات البشرية مثل إرسال طلبات HTTP) بشكل مذهل 42.1٪ من حركة المرور على الإنترنت ، حيث تمثل حركة المرور الضارة 27.5٪ من إجمالي حركة المرور على الإنترنت. يمكن أن تتسبب الروبوتات الضارة في عواقب وخيمة مثل الاستجابات المتأخرة أو وقت التوقف عن العمل لمقدمي الخدمات المركزية ، مما يؤثر على تجربة المستخدمين الحقيقية.

خذ على سبيل المثال سلخ فروة الرأس: يقوم الغشاشون بإنشاء حسابات افتراضية متعددة لزيادة فرصهم في تأمين التذاكر ، بل إن البعض ينشر برامج آلية بالقرب من مركز بيانات مزود الخدمة لتحقيق عمليات شراء تذاكر بدون زمن انتقال تقريبا. المستخدمون العاديون لديهم فرصة ضئيلة ضد هؤلاء المنافسين ذوي التقنية العالية. بذل مقدمو الخدمات جهودا لمكافحة ذلك ، باستخدام طرق مثل التحقق من الاسم الحقيقي واختبارات CAPTCHA السلوكية للتمييز بين البشر والروبوتات من جانب العميل ، واستخدام استراتيجيات WAF وتقنيات أخرى لتصفية واعتراض حركة المرور الضارة على جانب الخادم. لكن هل هذا يحل المشكلة؟ من الواضح أنه لا ، لأن المكافآت من الغش كبيرة. المعركة بين البشر والروبوتات مستمرة ، حيث يقوم كل من الغشاشين والمدققين بترقية أدواتهم باستمرار. على سبيل المثال ، أدى التطور السريع ل الذكاء الاصطناعي في السنوات الأخيرة إلى جعل اختبارات CAPTCHA السلوكية من جانب العميل غير فعالة تقريبا ، حيث يمكن للنماذج الذكاء الاصطناعي حلها في كثير من الأحيان بشكل أسرع وأكثر دقة من البشر. وقد أجبر هذا المدققين على الترقية من الكشف المبكر عن سلوك المستخدم (CAPTCHAs للصور) إلى الكشف البيومتري الأكثر تقدما (التحقق من الإدراك: مراقبة بيئة العميل ، وبصمات الجهاز ، وما إلى ذلك) ، وللعمليات عالية الخطورة ، إلى التحقق البيومتري (بصمات الأصابع ، التعرف على الوجه).

في Web3 ، يعد اكتشاف الروبوت البشري ضروريا بنفس القدر. بالنسبة لبعض عمليات الإنزال الجوي للمشروع ، يمكن للغشاشين إنشاء حسابات مزيفة متعددة لشن هجمات Sybil ، مما يستلزم التحقق البشري الحقيقي. نظرا للطبيعة المالية ل Web3 ، فإن العمليات عالية المخاطر مثل تسجيل الدخول إلى الحساب والسحب والتداول والتحويلات لا تتطلب التحقق البشري فحسب ، بل تتطلب أيضا التحقق من ملكية الحساب ، مما يجعل التعرف على الوجه خيارا مثاليا. الطلب واضح ، لكن كيف ننفذه؟ اللامركزية هي جوهر Web3 ، وعند مناقشة التعرف على الوجه في Web3 ، فإن السؤال الأعمق هو كيف يجب أن يتكيف Web3 مع سيناريوهات الذكاء الاصطناعي:

• كيف يمكننا بناء شبكة حوسبة تعلم الآلة المركزية؟
• كيف يمكننا ضمان خصوصية بيانات المستخدم؟
• كيف نحافظ على تشغيل الشبكة؟

3. شبكة Privasea AI: استكشاف الحساب المحافظ على الخصوصية والذكاء الاصطناعي

استجابة للتحديات المذكورة في الفصل السابق، اقترح Privasea حلًا مبتكرًا: Privasea AI Network، المبني على Fully Homomorphic Encryption (FHE)، للتعامل مع الحوسبة الحفاظ على الخصوصية في سيناريوهات AI على Web3. FHE هي تقنية تشفير تسمح بالحسابات على البيانات المشفرة بحيث تعطي نفس النتائج كما لو تم تنفيذ العمليات على البيانات غير المشفرة. حسنت Privasea FHE التقليدية وغلفتها في هيكل متعدد الطبقات، يتكون من Application Layer و Optimization Layer و Arithmetic Layer و Raw Layer، والتي تشكل مكتبة HESea. هذه المكتبة مصممة خصيصًا لسيناريوهات التعلم الآلي، حيث تتحمل كل طبقة مسؤولية وظائف محددة:

من خلال هذه البنية المتدرجة، تقدم Privasea حلولًا أكثر تخصيصًا لتلبية احتياجات كل مستخدم بشكل فريد. تركز البتميمات الخاصة بـ Privasea بشكل أساسي على طبقة التطبيق وطبقة الأمثلة، مما يوفر حسابات مخصصة يمكن أن تسرع الأداء بأكثر من ألف مرة مقارنة بالحلول الأساسية الموجودة في مكتبات التشفير الهومومورفية الأخرى.

3.1 هندسة الشبكة لشبكة Privasea AI

بالنظر إلى هندستها Privasea AI NetWork:

تتكون شبكة Privasea AI من أربعة أدوار: مالكي البيانات، وحدات Privanetix، فك شفرة، ومستقبلو النتائج.

1. مالكي البياناتيقومون بتقديم المهام والبيانات بشكل آمن من خلال واجهة برمجة التطبيقات الخاصة بـ Privasea.
2. أجهزة Privanetixنواة الشبكة ويتم تجهيز هذه العقد مع مكتبة HESea المتقدمة ومتكاملة مع آلية حوافز مبنية على تقنية سلسلة الكتل. إنها تقوم بالحسابات الآمنة والفعالة مع الحفاظ على سرية البيانات الأساسية وضمان سلامة وسرية الحسابات.
3. فك تشفير: يحصلون على النتائج المفككة عبر واجهة برمجة التطبيقات Privasea ويتحققون من النتائج.
4. مستلمو النتائج: يتم إعادة نتائج المهمة إلى أصحاب البيانات والأفراد المعينين من قبل مُصدري المهام.

3.2 سير العمل الأساسي لشبكة Privasea AI

يتمثل سير العمل العام لشبكة Privasea AI فيما يلي:

• الخطوة 1: تسجيل المستخدم

  يبدأ أصحاب البيانات عملية التسجيل على شبكة الذكاء الاصطناعي للخصوصية من خلال تقديم أوراق الهوية اللازمة وبيانات التوثيق. يضمن هذا الخطوة أن يمكن فقط للمستخدمين المعتمدين الوصول إلى النظام والمشاركة في أنشطة الشبكة.

• الخطوة 2: تقديم المهمة

  يقوم مالك البيانات بتقديم مهمة الحساب والبيانات الداخلية، التي تم تشفيرها باستخدام مكتبة HESea. كما يحدد مالك البيانات أيضًا المفككين المفوضين ومستقبلي النتائج الذين يمكنهم الوصول إلى النتائج النهائية.

• الخطوة 3: توزيع المهام

  تقوم عقد ذكي معتمد على تقنية البلوكشين المنشور على الشبكة بتخصيص مهام الحساب للعقد الذكي للخوادم الخاصة بـ Privanetix الصحيحة استنادًا إلى التوافر والقدرة. يضمن هذا العملية الديناميكية للتخصيص توزيع الموارد الفعال وتخصيص المهام.

• الخطوة 4: الحوسبة المشفرة

  تتلقى العقدة Privanetix المعينة البيانات المشفرة وتقوم بعمليات الحساب باستخدام مكتبة HESea. يتم تنفيذ هذه العمليات دون فك تشفير البيانات الحساسة، مما يحافظ على سرية البيانات. ولضمان سلامة الحساب، تقوم عقدات Privanetix بإنشاء أدلة المعرفة الصفر لهذه الخطوات.

• الخطوة 5: تبديل المفتاح

  بعد اكتمال الحساب، يستخدم الخوادم المعينة لبرايفانتكس تقنيات تبديل المفاتيح لضمان أن النتيجة النهائية مُصرَّح بها ويمكن الوصول إليها فقط من قبل المفككين المحددين.

• الخطوة 6: التحقق من النتيجة

  بعد انتهاء الحسابات، يعيد Privanetix Nodes النتائج المشفرة والبراهين صفر المعرفة المقابلة إلى العقد الذكي المبني على تكنولوجيا سلسلة الكتل للتحقق المستقبلي.

• الخطوة 7: آلية الحوافز

  تُتَبَعُ المُساهِماتُ بواسطةٍ Privanetix Nodes، وتُوَزَعُ المَكَافَآتُ وَفْقًا لِذَلِكَ.

• الخطوة 8: استرجاع النتيجة

  تستخدم فك التشفير واجهة برمجة التطبيقات Privasea للوصول إلى النتائج المشفرة. مهمتهم الرئيسية هي التحقق من سلامة الحسابات ، مضمونين أن Privanetix Nodes قامت بتنفيذ الحساب وفقًا لنية مالك البيانات.

• الخطوة 9: تسليم النتيجة

  يتم مشاركة النتائج المفككة مع مستقبلي النتائج المعينين من قبل مالك البيانات.

في سير العمل الأساسي لشبكة Privasea AI ، يتفاعل المستخدمون مع واجهة برمجة التطبيقات المفتوحة ، مما يتيح لهم التركيز فقط على معلمات الإدخال والنتائج المقابلة دون فهم الحسابات الداخلية المعقدة للشبكة. يقلل هذا الأمر من الحمل الإدراكي. في نفس الوقت ، يضمن التشفير من النهاية إلى النهاية أن تظل البيانات آمنة طوال عملية المعالجة.

آلية مزدوجة للعمل الإثباتي والحصة في الإثبات

أدخلت Privasea مؤخرًا WorkHeart NFT و StarFuel NFT ، والتي تستخدم آلية مزدوجة من إثبات العمل (PoW) وإثبات الحصة (PoS) لإدارة عقد الشبكة وتوزيع المكافآت. يمنح شراء WorkHeart NFT لحامله مؤهلًا ليصبح Privanetix Node ، مشاركًا في الحساب الشبكي وكسب مكافآت الرمز المميز بناءً على آلية PoW. يعمل StarFuel NFT ، المقتصر على 5,000 وحدة ، كمحسن للعقد ويمكن دمجه مع WorkHeart ، على غرار PoS. كلما رهنت المزيد من الرموز لـ StarFuel ، زاد مضاعف العائد لعقد WorkHeart.

لذا ، لماذا استخدام كل من PoW و PoS؟ تكمن الإجابة في نقاط القوة في كل آلية. يقلل إثبات العمل من احتمالية سوء سلوك العقدة عن طريق ربطها بالتكلفة الحسابية ، وبالتالي استقرار الشبكة. على عكس التحقق من الأرقام العشوائية غير الفعال في Bitcoin ، فإن ناتج العمل الفعلي (الحساب) للعقد في شبكة الحوسبة التي تحافظ على الخصوصية يرتبط ارتباطا مباشرا بآلية العمل ، مما يجعلها مناسبة بشكل طبيعي لإثبات العمل. وفي الوقت نفسه ، توازن نقاط البيع بشكل فعال الموارد الاقتصادية. يسمح هذا المزيج ل WorkHeart NFTs بكسب مكافآت من خلال PoW بينما تعزز StarFuel NFTs العائد من خلال PoS ، مما يخلق هيكل حوافز متعدد الطبقات ومتنوعا. يتيح هذا الهيكل للمستخدمين اختيار طرق المشاركة التي تناسب مواردهم واستراتيجياتهم على أفضل وجه ، وتحسين توزيع المكافآت وتحقيق التوازن بين أهمية الموارد الحسابية والاقتصادية داخل الشبكة.

3.3 ملخص

في الختام، قامت شبكة Privasea AI ببناء نظام تعلّم آلي مشفر بناءً على التشفير المكتمل العملية (FHE). بفضل ميزات الحفاظ على الخصوصية لـ FHE، يتم توزيع المهام الحسابية بين مختلف عقد الحوسبة (Privanetix) في بيئة لامركزية. يتم التحقق من النتائج من خلال البراهين الصفرية المعرفة (ZKP)، ويتم الحفاظ على عمليات الشبكة من خلال مكافأة أو معاقبة العقد التي تقدم نتائج الحساب، باستخدام آلية مزدوجة من برهان العمل (PoW) وبرهان الحصة (PoS). تصميم شبكة Privasea AI يفتح الطريق أمام تطبيقات الذكاء الاصطناعي الحافظة على الخصوصية في مجالات مختلفة.

4. التشفير الهومومورفي FHE: هل هو الكأس المقدس الجديد في التشفير؟

كما رأينا في الفصل السابق، تعتمد أمان شبكة Privasea AI على FHE الأساسي لها. مع التقدم التكنولوجي المستمر من قبل قادة الصناعة مثل ZAMA، فقد تم تسميتها FHE بحت الكريبتوغرافية الجديدة "Holy Grail" حتى من قبل المستثمرين. دعونا نقارنها مع ZKP والحلول ذات الصلة.

عند المقارنة، يصبح واضحًا أن ZKP و FHE لديهما تطبيقات متميزة: يركز FHE على الحساب الحفاظ على الخصوصية، بينما يؤكد ZKP على التحقق من الخصوصية. يبدو أن الحساب الآمن بين الأطراف المتعددة (SMC) لديه تداخل أكبر مع FHE، حيث يتناول SMC مسألة خصوصية البيانات بين الكيانات الحسابية المشتركة في الحسابات المشتركة.

5. قيود FHE

يفصل FHE حقوق معالجة البيانات عن ملكية البيانات، مما يمنع تسرب البيانات دون التأثير على الحساب. ومع ذلك، يأتي هذا بتكلفة سرعة الحساب. التشفير، مثل سيف ذو حدين، يعزز الأمان في حين يقلل بشكل كبير من سرعة المعالجة. في السنوات الأخيرة، تم اقتراح استراتيجيات تحسين الأداء المختلفة لـ FHE، بدءًا من تحسينات خوارزمية إلى تسريع الأجهزة.

• تحسين الخوارزميةتم تقليل نمو الضوضاء والإجهاد الحسابي بشكل كبير من خلال مخططات FHE الجديدة مثل CKKS وطرق الاسترجاع المحسنة.
• تسارع الأجهزة: أدى استخدام الأجهزة المخصصة مثل وحدات معالجة الرسومات (GPUs) ووحدات معالجة المجال البرمجي المقدمة بواسطة الحقول القابلة للبرمجة (FPGAs) إلى تحسين أداء حسابات الدوال الجبرية بشكل ملحوظ.

بالإضافة إلى ذلك، يتم استكشاف تطبيق أنظمة التشفير الهجينة. من خلال جمع التشفير الجزئي التجميلي (PHE) والتشفير القابل للبحث (SE)، يمكن تحسين الكفاءة في سيناريوهات محددة. على الرغم من هذه التقدمات، لا يزال التشفير الكامل التجميلي يتأخر وراء حساب النص الأصلي من حيث الأداء.

6. الختام

من خلال هندستها الفريدة وتقنيتها النسبيا الفعالة في الحفاظ على الخصوصية، توفر Privasea للمستخدمين بيئة معالجة بيانات آمنة للغاية وتفتح أيضًا فصلاً جديدًا في التكامل العميق بين Web3 والذكاء الاصطناعي. على الرغم من أن تقنية FHE الأساسية لها عيوب متأصلة في سرعة المعالجة، إلا أن Privasea شراكة مؤخرًا مع ZAMA لمواجهة تحديات المعالجة الحفاظ على الخصوصية. مع استمرار تقدم التكنولوجيا، تتوجه Privasea نحو فتح إمكانياتها في مجالات أكثر، وتصبح رائدة في المعالجة الحفاظ على الخصوصية وتطبيقات الذكاء الاصطناعي.

تنصيص:

1. يتم إعادة طبع هذه المقالة من [十四君], كل حقوق الطبع والنشر تنتمي إلى الكاتب الأصلي [十四菌]. إذا كانت هناك اعتراضات على هذه النسخة المعادة طباعتها، يرجى الاتصال بـبوابة التعلمفريق وسوف يتعاملون معه بسرعة.
2. إخلاء المسؤولية عن المسؤولية: الآراء والآراء المعبر عنها في هذه المقالة هي فقط تلك التي تعود إلى الكاتب ولا تشكل أي نصيحة استثمارية.
3. تتم ترجمة المقالة إلى لغات أخرى من قبل فريق Gate Learn. ما لم يذكر غير ذلك، فإن نسخ أو توزيع أو سرقة المقالات المترجمة ممنوع.