Giải thích chi tiết về Privasea: Mạng AI dựa trên mã hóa đồng hình hoàn toàn

Tác giả: Dewhales Research Nguồn: substack Dịch: Shan Ouba, Golden Finance

1 Giới thiệu: FHE là gì, lịch sử và ứng dụng của nó

FHE là viết tắt của mã hóa đồng cấu hoàn toàn, là phương pháp cho phép thực thi trực tiếp bản mã An . sơ đồ mã hóa tính toán mà không cần giải mã. Điều này có nghĩa là dữ liệu được mã hóa vẫn được mã hóa trong suốt quá trình tính toán, kết quả tính toán cũng được mã hóa và không bên nào có thể truy cập dữ liệu văn bản gốc bất kỳ lúc nào. FHE cho phép tính toán trên dữ liệu được mã hóa, bao gồm phân tích máy học và trí tuệ nhân tạo, cho phép các nhà khoa học, nhà nghiên cứu và doanh nghiệp dựa trên dữ liệu trích xuất những hiểu biết có giá trị mà không cần giải mã hoặc rò rỉ dữ liệu hoặc mô hình cơ bản. Mã hóa đồng cấu hoàn toàn là dạng mã hóa mạnh nhất nhưng nó có một nhược điểm lớn và đòi hỏi nhiều sức mạnh tính toán.

Trên thực tế, FHE có rất nhiều loại: BGV, BFV, CKKS, FHEW, NuFHE và TFHE. Sau khi được đề xuất vào năm 1978, mã hóa đồng cấu (HE) ban đầu phát triển chậm trong ba thập kỷ đầu tiên. FHE ở dạng hiện tại xuất hiện vào năm 2009, khi Craig Gentry đề xuất một cách để đạt được mã hóa đồng hình hoàn toàn, mặc dù hệ thống gây ra tiếng ồn trong mọi hoạt động. Sau đó, một phiên bản sửa đổi với bản mã nhỏ hơn đã được đề xuất, nhưng sơ đồ phổ biến nhất được đề xuất bởi Zvika Brakerski và nhóm của ông, mang lại tính bảo mật và hiệu suất tốt hơn so với phương pháp FHE trước đó. Sau nhiều lần lặp lại liên tiếp – BGV, BFV và CKKS – GSW đã ra đời, từ đó FHEW (ra mắt năm 2014) và TFHE (ra mắt năm 2016) được phát triển. Chillotti, Gama, Georgieva và Izabachene đã giảm độ trễ xuống dưới 0,1 giây cho mỗi thao tác dẫn hướng cổng. Kể từ đó, giải pháp này đã kết hợp khả năng khởi động có thể lập trình vào quy trình của mình, tăng tốc FHE và làm cho nó phù hợp với hầu hết các trường hợp sử dụng, bao gồm cả ứng dụng web2 và web3.

p>

Kết quả cuối cùng cho đến nay là TFHE-rs của Zama, mở rộng chức năng TFHE ban đầu để hỗ trợ khả năng khởi động có thể lập trình theo số nguyên. Hơn nữa, việc triển khai Privasea hiện tại sử dụng TFHE-rs.

Trường hợp sử dụng FHE:

• Điện toán đám mây:FHE mang lại lợi ích to lớn cho điện toán đám mây bằng cách cho phép người dùng lưu trữ và xử lý dữ liệu ở dạng mã hóa trên các máy chủ từ xa. Điều này có nghĩa là người dùng có thể tận dụng sức mạnh tính toán mạnh mẽ của đám mây trong khi vẫn giữ dữ liệu của họ an toàn và riêng tư. Đây là một điều có lợi cho tất cả các bên liên quan.

• Dịch vụ tài chính: Dịch vụ tài chính cũng có thể tận dụng khả năng của FHE. Bằng cách xử lý dữ liệu tài chính một cách an toàn, FHE cho phép các tổ chức tài chính thực hiện các phân tích phức tạp trên dữ liệu được mã hóa. Điều tuyệt vời nhất là quyền riêng tư của khách hàngđược giữ nguyên trong toàn bộ quá trình.

• Học máy: Bằng cách đào tạo các mô hình về dữ liệu được mã hóa, FHE có thể Thúc đẩy máy móc một cách đáng kể học hỏi. Điều này cho phép các tổ chức khai thác sức mạnh của máy học trong khi vẫn bảo mật dữ liệu.

2. Tổng quan về Privasea

Mạng lưới AI của Privasea cung cấp giải pháp cho những thách thức liên quan đến quyền riêng tư dữ liệu trí tuệ nhân tạo. Mạng này đại diện cho một kiến ​​trúc tiên tiến kết hợp mã hóa đồng hình hoàn toàn (FHE) với các ưu đãi dựa trên blockchain để giải quyết các mối lo ngại ngày càng tăng liên quan đến quyền riêng tư dữ liệu và đáp ứng nhu cầu ngày càng tăng về điện toán AI hợp tác. Mạng Privasea AI chia FHE thành bốn cấp độ sau từ lý thuyết đến ứng dụng: lớp ứng dụng, lớp tối ưu hóa, lớp số học và lớp gốc. Mạng cung cấp các giải pháp chung và tùy chỉnh để thu hẹp khoảng cách giữa quyền riêng tư của người dùng và tài nguyên điện toán phân tán trong xử lý AI, bao gồm tất cả bốn cấp độ FHE.

Mục tiêu chính của Mạng AI Privasea là đảm bảo tuân thủ các quy định bảo vệ dữ liệu, bao gồm cả Quy định bảo vệ dữ liệu chung (GDPR) nghiêm ngặt của Liên minh Châu Âu. Các quy định này áp đặt các yêu cầu nghiêm ngặt về việc thu thập, xử lý và lưu trữ dữ liệu cá nhân.

2.1 Người tham gia mạng:

• Người dùng mạng (chủ sở hữu dữ liệu, người nhận kết quả): bắt đầu các tác vụ học máy, cung cấp dữ liệu một cách an toàn và tương tác với mạng để thu được kết quả được giải mã.

• Nút Privanetix (nút điện toán): Là nhà cung cấp dịch vụ trong mạng Privasea AI, nó cung cấp tài nguyên điện toán cho máy bảo vệ quyền riêng tư nhiệm vụ học tập.

• Người giải mã: Người tham gia chuyên dụng đảm bảo giải mã an toàn các kết quả mã hóa do nút Privanetix tạo ra. Họ cộng tác với người dùng mạng để giải mã và diễn giải kết quả cuối cùng của các tác vụ học máy, đảm bảo quyền riêng tư và tính toàn vẹn của kết quả được giải mã.

2.2 Kiến trúc Privasea:

Mạng lưới AI của Privasea bao gồm bốn thành phần chính: thư viện HESea, API Privasea, Privanetix và bộ hợp đồng thông minh Privasea.

• Thư viện HESea: Thành phần này tạo thành nền tảng của mạng Privasea AI và lưu trữ một loạt phổ biến Triển khai hiệu quả các sơ đồ mã hóa đồng cấu hoàn toàn, chẳng hạn như TFHE, CKKS, BGV, BFV, v.v. Thư viện HESea cung cấp cho các nhà phát triển quyền truy cập vào nhiều tính năng khác nhau.

• Privasea API: một bộ dựa trên thư viện HESea Các giao thức và công cụ toàn diện. API Privasea cho phép các nhà phát triển dễ dàng tích hợp các tính năng bảo vệ quyền riêng tư nâng cao vào các ứng dụng AI của họ.

• Privanetix: mạng lưới các nút điện toán cho phép mã hóa Dữ liệu cho tính toán an toàn. Bằng cách phân phối tính toán trên nhiều nút, Privanetix đảm bảo khả năng mở rộng và hiệu quả của mạng AI Privasea.

• Bộ hợp đồng thông minh Privasea: Bộ này bao gồm một loạt Hợp đồng thông minh được thiết kế tốt được sử dụng để xử lý tất cả các khía cạnh của quản lý mạng.

Ngoài ra, theo GitHub, Privasea còn bao gồm một số thành phần khác của Zama AI để cung cấp blockchain và AI Cung cấp các tính năng tiên tiến nhất -các giải pháp FHE nghệ thuật:

• Concrete: trình biên dịch FHE mã nguồn mở (đã cập nhật (TFHE -rs), giúp đơn giản hóa việc sử dụng mã hóa đồng cấu hoàn toàn (FHE). Nó cho phép chuyển đổi các chương trình Python thành tương đương FHE của chúng. Concrete rất hữu ích cho các nhà phát triển muốn tạo các ứng dụng nâng cao chấp nhận đầu vào được mã hóa và tạo ra đầu ra được mã hóa.

• TFHE-rs: Triển khai TFHE thuần túy của Rust cho các phép toán Boolean và số nguyên trên dữ liệu được mã hóa. TFHE-rs được thiết kế dành cho các nhà phát triển và nhà nghiên cứu muốn kiểm soát hoàn toàn chức năng TFHE mà không phải lo lắng về các chi tiết triển khai cơ bản.

• Concrete ML: Bảo vệ quyền riêng tư của Zama được xây dựng trên Concrete Machine bộ công cụ nguồn mở học tập (PPML). Nó được thiết kế để đơn giản hóa việc sử dụng mã hóa đồng cấu hoàn toàn (FHE) cho các nhà khoa học dữ liệu, giúp họ tự động chuyển đổi các mô hình học máy thành các mô hình tương đương đồng cấu.

2.3 Quy trình làm việc của Privasea:

1. Người dùng tạo tài khoản, thiết lập tác vụ học máy, mã hóa vectơ cục bộ thông qua giao diện API của các ứng dụng học máy và tạo khóa trao đổi cục bộ.  

2. Sau đó, người dùng có thể gửi các tác vụ mã hóa tới mạng Privatenix và thanh toán dịch vụ thông qua chuỗi khối.

3. Nút Privatenix nhận và thực hiện tác vụ mã hóa trong miền mã hóa của người dùng, sau đó mã hóa kết quả bằng cách sử dụng chuyển đổi được tạo trước đó của người dùng khóa được truyền đến miền mã hóa của bộ giải mã.

4. Sau khi công việc hoàn thành, Privanetix sẽ gửi kết quả đến bộ giải mã và được trả tiền

< li>

Tiếp theo, bộ giải mã sẽ giải mã kết quả bằng khóa ứng dụng khách của họ và gửi kết quả được giải mã đến người dùng mạng bằng sơ đồ mã hóa lại proxy (PRE).

2.4 Quy trình làm việc của trường hợp sử dụng KYC an toàn:

1. Đăng ký CMND có ảnh: Người dùng cung cấp CMND, trong đó có ảnh. Khách hàng sử dụng thuật toán trích xuất đặc điểm để trích xuất các đặc điểm khuôn mặt từ ảnh thẻ CMTND

2. Gửi tác vụ xác minh ảnh selfie: người dùng sử dụng máy ảnh hoặc thiết bị di động để chụp ảnh tự sướng và khách hàng sử dụng Thuật toán trích xuất tính năng tương tự được sử dụng để đăng ký chứng minh thư sẽ trích xuất các đặc điểm khuôn mặt từ ảnh selfie.

3. Truy xuất phần nhúng được mã hóa của hình ảnh ID: Nút Privanetix được chỉ định truy xuất phần nhúng được mã hóa của ID được liên kết với người dùng từ cơ sở dữ liệu an toàn.

4. Xử lý việc kiểm tra khuôn mặt trong miền văn bản mã hóa: Sử dụng hàm FHE, nút Privanetix thực hiện các phép tính trên ID được mã hóa và nhúng ảnh tự chụp, chẳng hạn như tính toán giữa chúng khoảng cách. Các nút Privanetix so sánh khoảng cách với các ngưỡng được xác định trước để xác định mức độ tương tự. Kết quả được giữ lại trong trường bản mã.

5. Gửi kết quả được mã hóa đến bộ giải mã: Nút Privanetix gửi kết quả Boolean được mã hóa đến bộ giải mã để xử lý thêm.

6. Giải mã và trích xuất kết quả: Bộ giải mã có khóa riêng và giải mã kết quả nhận được để thu được kết quả kiểm tra cuối cùng (chẳng hạn như có hoặc không).

7. Cung cấp kết quả: Bộ giải mã sử dụng mã hóa lại proxy (PRE) hoặc các phương pháp phù hợp khác để cung cấp kết quả cuối cùng một cách an toàn cho cơ quan hoặc tổ chức được chỉ định có nhu cầu. Nó.

3. GitHub

Chúng tôi đã xem xét Zama ở trên Một số kho lưu trữ dành cho AI, bây giờ chúng ta hãy xem xét một sốkho lưu trữ Privasea độc quyền. Điều đầu tiên khiến bạn chú ý là kho lưu trữ Privasea được cập nhật lần cuối vào tháng 7 năm 2023. Điều này có thể là do sự cạnh tranh xung quanh việc phân công nhiệm vụ FHE và AI/ML hiện rất khốc liệt trong lĩnh vực này đến mức các nhóm không phát hành bản cập nhật để duy trì sự phát triển của họ.

Privasea-general là kho lưu trữ chính của Privasea và chứa một số gói phần mềm nguồn mở. Các gói này bao gồm HESea_lib, thư viện mã hóa đồng hình hoàn toàn (FHE) tiên tiến cung cấp cho các nhà phát triển các công cụ điện toán an toàn mạnh mẽ, linh hoạt và dễ sử dụng. hoặc Privasea-Miscellaneous, chứa dữ liệu nguồn có thể được sử dụng trong các kho lưu trữ PrivateSea khác.

HESEA_Lib - HESea là thư viện mã hóa hoàn toàn đồng hình (FHE) tiên tiến cung cấp cho các nhà phát triển tính năng mạnh mẽ, linh hoạt và dễ dàng -để sử dụng công cụ tính toán an toàn. HESea được xây dựng bằng công nghệ mã hóa tiên tiến và được tối ưu hóa để mang lại hiệu suất cao, khiến nó trở nên lý tưởng cho nhiều trường hợp sử dụng khác nhau. HESea cung cấp nhiều sơ đồ FHE khác nhau, bao gồm TFHE, CKKS, BGV, BFV, v.v., cho phép người dùng thực hiện các phép tính trên dữ liệu được mã hóa mà không cần giải mã. Điều này đảm bảo rằng dữ liệu nhạy cảm vẫn an toàn và được bảo vệ khỏi các vi phạm quyền riêng tư và các mối đe dọa bảo mật.

Comparison_demo - Đây là minh họa về cách sắp xếp văn bản mã hóa bằng thư viện HESEA. Chương trình trình diễn này mã hóa chuỗi bản rõ được sắp xếp thành chuỗi bản mã tương ứng và sắp xếp chuỗi bằng cách so sánh trình tự bản mã. Sau đó, chương trình sẽ giải mã chuỗi văn bản mã hóa và đưa ra chuỗi văn bản gốc đã được sắp xếp.

dinn_demo - Đây là minh chứng về nhận dạng chữ số viết tay an toàn bằng thư viện HESEA. Nó thể hiện phương pháp học sâu bảo vệ quyền riêng tư bằng cách sử dụng sơ đồ mã hóa TFHE. Ưu điểm chính của DINN là nó đạt được độ chính xác cạnh tranh trong khi vẫn duy trì hiệu quả hoạt động bình thường thông qua việc sử dụng sáng tạo các mạng thần kinh rời rạc. Các mạng này lượng tử hóa trọng số và độ lệch, giảm độ phức tạp tính toán cơ bản và đơn giản hóa quá trình khởi động TFHE ban đầu. Kết quả là, ước lượng đồng hình được cải thiện hơn nữa, dẫn đến hiệu quả tăng lên.

4. Kinh tế mã thông báo

Mã thông báo PRVA Nó là một mã thông báo tiện ích trong mạng Privasea Al và đóng vai trò quan trọng trong việc tạo điều kiện thuận lợi cho các giao dịch, thúc đẩy người tham gia và đạt được khả năng quản trị trên chuỗi. Nó cũng hoạt động như một phương tiện trao đổi, cho phép người dùng truy cập các dịch vụ AI riêng tư và mở khóa các tính năng khác nhau trong hệ sinh thái. Giá trị của mã thông báo PRVA chủ yếu được thúc đẩy bởi nhu cầu về các dịch vụ mạng, bao gồm cả máy học bảo vệ quyền riêng tư và các tính năng dựa trên Al khác.

Cụ thể, mã thông báo PRVA đóng các vai trò sau trong hệ sinh thái:

- Hỗ trợ giao dịch
- Ưu đãi và phần thưởng
- Quản trị và bỏ phiếu
- Đặt cược và bảo mật mạng
- Truy cập vào các tính năng độc quyền

Phân bổ tiền xu thế hệ :

• Khai thác/Stake (45%) - Sẽ được phân bổ cho các nút đặt cược trong dự án cung cấp mã hóa đồng hình hoàn toàn (FHE) và các dịch vụ bảo mật khác.

• Phân bổ nhóm (10%)

• Người ủng hộ (20%)

• Phân bổ tiếp thị và phát triển cộng đồng (15%)- Những mã thông báo này sẽ được dành cho các sáng kiến ​​tiếp thị và phát triển cộng đồng.

• Dự trữ (6%) - Loại này chủ yếu phù hợp với các dự án không thể lập kế hoạch, chẳng hạn như khi cần đáp ứng các quy định trong tương lai hoặc xin giấy phép.

• Tính thanh khoản (4%) - Tính thanh khoản này rất quan trọng vì nó có thể Đảm bảo rằng những người tham gia có thể vào hoặc thoát vị thế của họ mà không gây ra biến động giá lớn góp phần vào sự tăng trưởng của thị trường.

5. Nhóm

LinkedInCEO David Jiao là một doanh nhân giàu kinh nghiệm với nền tảng vững chắc về phát triển hệ thống phức tạp, từng làm kỹ sư phần mềm tại Simplight Nanoelectronics vào năm 2010. Sau đó gia nhập Cybercom Group . Từ năm 2015 đến năm 2020, David là người đồng sáng lập và giám đốc sản phẩm của Golden Ridge Robotic AB, một công ty R&D khởi nghiệp chủ yếu tập trung vào các hệ thống robot gia đình vật lý không gian mạng. Đồng thời, anh ấy cũng tham gia phát triển phần mềm tại Volvo – với tư cách là nhà thiết kế hệ thống của Volvo, tôi chịu trách nhiệm thiết kế và tạo nguyên mẫu các chức năng hệ thống cho cấu hình xe trong kiến ​​trúc SPA2 mới của Volvo. Năm 2021, anh ra mắt Nulink để cung cấp công nghệ PRE+ZK cho các ứng dụng phi tập trung thông qua API. Ngoài ra, kinh nghiệm của David tại Volvo cho phép Privasea tham gia vào các dự án chung với RISE (một viện nghiên cứu của Thụy Điển) và Alkit Communications AB cho ngành công nghiệp ô tô.

Ting Gao, LinkedInNhà khoa học nghiên cứu chính   Nền tảng về mô hình toán học: Anh là nhà nghiên cứu tại Viện Công nghệ Illinois từ năm 2010, nhà phân tích dữ liệu và nhà khoa học dữ liệu tại M3 từ năm 2015, và sau đó là kỹ sư ML tại Twitter. Từ năm 2021, ông giữ chức vụ Trợ lý Giáo sư về Toán ứng dụng, Mô hình ngẫu nhiên, Học sâu và Ứng dụng của nó trong Toán học Tài chính tại Đại học Khoa học và Công nghệ Huazhong

Alex (R) Gaidarski, LinkedInGiám đốc tăng trưởng - Có nhiều kinh nghiệm làm quản trị viên hệ thống từ năm 2006, khiến anh trở thành một nhà tiếp thị thiên về kỹ thuật. Trước khi gia nhập Privasea, anh từng làm việc trong nhóm tiếp thị cùng với David Jiao tại NuiLink.

Zean Darren, Quản lý và phát triển cộng đồng, LinkedIn - Có nhiều kinh nghiệm trong quản lý cộng đồng, từng đảm nhiệm chức vụ Manta, Polyhedra, Tanssi Network và từng là người dẫn chương trình cũng như trợ lý tại Arcomia và Story Chain.

6. Hợp tác, tích hợp và ứng dụng

Privasea hiện tại Ứng dụng thực tế chính là ImHuman, hiện đã có trên Google Play và AppStore. Đây là việc triển khai công nghệ PoH (Bằng chứng về nhân loại) nhằm xác nhận danh tính con người và bảo vệ sự hiện diện kỹ thuật số của bạn khỏi bot và mô phỏng AI. Trong ứng dụng này, việc xác nhận danh tính thông qua sinh trắc học khuôn mặt là bằng chứng được cá nhân hóa về danh tính con người thông qua NFT. Dữ liệu sinh trắc học được nối mạng thông qua các vectơ được mã hóa trên thiết bị của người dùng. Các vectơ này sau đó được mã hóa an toàn bằng khóa máy khách của người dùng và gửi đến máy chủ web bảo mật của Privasea. Privasea hiện đang có kế hoạch triển khai giải pháp PoH của mình trong Linea, Movement, Gate và tích hợp với Telegra, /Discord/Reddit.

Ví dụ về tích hợp với robot TG:

Mind Network là công ty tiên phong về hồ dữ liệu không tin cậy phi tập trung. Privasea hiện đang xây dựng một thư viện tinh chỉnh được tối ưu hóa cho các hoạt động cốt lõi của mã hóa đồng cấu hoàn toàn nhằm cung cấp các giải pháp hiệu quả và thuận tiện cho khách hàng web2 và web3. Mặt khác, Mind Network tập trung vào các hợp đồng thông minh dựa trên dữ liệu an toàn và AI mã hóa dữ liệu. Một trong những khía cạnh quan trọng của sự hợp tác là việc tích hợp hồ dữ liệu FHE của Mind Network vào mạng AI của Privasea.

BNB Grienfield - Kết hợp quản lý dữ liệu với tiềm năng tài chính phi tập trung (DeFi) trong Chuỗi thông minh BNB (BSC). Privasea AI Network và BNB Greenfield đã hợp tác để thay đổi bối cảnh lưu trữ dữ liệu và quyền riêng tư. Công nghệ FHE của Privasea sẽ cho phép mã hóa liên tục dữ liệu người dùng trên web. Ngoài ra, các nhà phát triển trên nền tảng BNB Greenfield có thể thực hiện liền mạch các phép tính bằng cách sử dụng dữ liệu được mã hóa, bao gồm các hoạt động như thống kê dữ liệu, phân tích logic và đánh giá mô hình học máy mà không cần phải đi sâu vào các chi tiết phức tạp của phương pháp mã hóa, bao gồm khả năng tận dụng công nghệ của Privanetix. các nút mạnh mẽ.

Ton Network - Privasea ra mắt Secure LivenessCheck Bot, một giải pháp từ TON Netwok được thiết kế để kết hợp mã hóa đồng hình hoàn toàn bằng cách tận dụng công nghệ nhận dạng khuôn mặt tiên tiến [ FHE] để xác định lại xác thực người dùng .  

Pri-Auto là dự án dành cho ngành công nghiệp ô tô bền vững mà Vinnova Fordonsstrategisk Forskning och Innovation (FFI) của Thụy Điển đã chọn tài trợ vào năm 2023. Theo dự án Pri-Auto, Privasea sẽ xây dựng cơ sở hạ tầng để tạo nguồn dữ liệu an toàn cho ngành công nghiệp ô tô và cho phép chia sẻ dữ liệu giữa nhiều bên bao gồm OEM, MaaS và các công ty bảo hiểm thông qua quản lý quyền truy cập thông minh. Đối với dự án này, Privasea đang hợp tác với RISE, một viện nghiên cứu của Thụy Điển và Alkit Communications AB, nhà cung cấp dịch vụ thu thập dữ liệu cho các OEM như Volvo Group và Volvo Cars.  

7. Người ủng hộ

Privasea đã bị xóa từ những Người ủng hộ như Dewhales Capital, Binance Labs, Gate Labs, OKX Ventures, MH Ventures, K300 Ventures, QB Ventures, Crypto Times, Basic Capital, DuckDAO và một số thiên thần kinh doanh trong ngành như Zakaria (zak) Aves và Luke Sheng ( từ Chainlink) đã nhận được cam kết đầu tư 5 triệu USD.

8. Kết luận

Bằng cách giải quyết các vấn đề về hiệu quả và tập trung Bằng cách cải thiện các thuật toán hiện có, Privasea mở đường cho việc áp dụng rộng rãi FHE, đảm bảo một tương lai nơi bảo mật và quyền riêng tư dữ liệu có thể cùng tồn tại trong thế giới dựa trên dữ liệu này. Giải pháp của họ cho phép người dùng tận dụng các tài nguyên điện toán phân tán đa dạng do blockchain cung cấp trong khi vẫn duy trì toàn quyền kiểm soát dữ liệu và mô hình của họ khi làm việc với AI. Thế giới ngày nay ngày càng trở nên phức tạp và web3 ngày càng được kết nối với AI.