Инновационное сочетание данных лиц и NFT: глубокий анализ сети вычислений с соблюдением конфиденциальности
Недавно проект, позволяющий пользователям превращать данные о лицах в NFT, вызвал бурное обсуждение. С момента его запуска в конце апреля было создано более 200 000 NFT, что свидетельствует о его популярности. За этой казалось бы простой комбинацией данных о лицах в блокчейне и NFT на самом деле скрываются глубокие технологические инновации.
В этой статье будет подробно рассмотрена цель проекта, технические принципы, а также более широкие тенденции слияния Web3 и ИИ.
Непрерывное противостояние между человеком и машиной
Основная цель данного проекта заключается не только в простом создании NFT из данных лиц, но и в определении, является ли пользователь реальным человеком с помощью распознавания лиц. Эта необходимость возникает из постоянной проблемы противостояния человека и машины в средах Web2 и Web3.
Согласно данным, злоумышленные боты составляют 27,5% всего интернет-трафика. Эти автоматизированные программы могут привести к катастрофическим последствиям для услуг и серьезно повлиять на пользовательский опыт. Например, при покупке билетов мошенники значительно увеличивают свои шансы на успех с помощью виртуальных аккаунтов, в то время как обычные пользователи практически не имеют шансов.
В среде Web2 поставщики услуг различают людей и машины с помощью реальной аутентификации, кодов подтверждения и других методов. Однако с развитием ИИ традиционные способы проверки подвергаются критике. В среде Web3 распознавание людей и машин также является важной необходимостью, особенно в таких сценариях, как раздача токенов и высокорисковые операции.
Однако реализация распознавания лиц в децентрализованной среде Web3 связана с более глубокими вопросами: как построить децентрализованную вычислительную сеть машинного обучения? Как защитить конфиденциальность пользователей? Как поддерживать работу сети?
Инновационные исследования в области сетей приватных вычислений
В ответ на вышеуказанную проблему, одна команда создала инновационную сеть вычислений с конфиденциальностью на основе полностью однородного шифрования (FHE), с целью решения проблемы вычислений с конфиденциальностью в AI-сценариях Web3.
Ядром сети является оптимизированная технология FHE, которая благодаря многоуровневой архитектуре, включающей прикладной уровень, уровень оптимизации, арифметический уровень и исходный уровень, подходит для сценариев машинного обучения. Эта специализированная вычислительная технология обеспечивает более тысячи раз ускорение по сравнению с базовыми решениями.
В сетевой архитектуре предусмотрены четыре роли: владельцы данных, вычислительные узлы, декодеры и получатели результатов. Их рабочий процесс в целом выглядит следующим образом:
Пользователь регистрируется и отправляет зашифрованные вычислительные задачи и данные
Умный контракт распределяет задачи между подходящими вычислительными узлами
Узлы выполняют криптографические вычисления и генерируют доказательства с нулевым разглашением
Обеспечение безопасности результатов с помощью переключения ключей
Декодер проверяет целостность вычислений и расшифровывает результаты
Передать результат назначенному получателю
Сеть использует открытое API, что снижает порог использования для пользователей. В то же время, сквозное шифрование защищает конфиденциальность данных. Сеть также сочетает механизмы PoW и PoS для управления узлами и распределения вознаграждений, что балансирует вычислительные и экономические ресурсы.
Преимущества и ограничения технологии FHE
FHE как основная технология этой сети имеет свои преимущества и недостатки по сравнению с такими решениями, как нулевое знание (ZKP). FHE акцентирует внимание на приватности вычислений, тогда как ZKP сосредоточен на приватности верификации. По сравнению с безопасными многопартнерскими вычислениями (SMC), FHE в некоторых сценариях имеет большее преимущество.
FHE реализует разделение прав на обработку данных и собственности, но также приносит жертву скорости вычислений. В последние годы благодаря таким методам, как оптимизация алгоритмов и аппаратное ускорение, производительность FHE значительно улучшилась. Однако по сравнению с вычислениями с открытым текстом по-прежнему существует значительный разрыв.
Заключение
Эта инновационная попытка сочетания данных о лицах, NFT и вычислений с соблюдением конфиденциальности открывает новые пути для глубокой интеграции Web3 и AI. Несмотря на то, что базовые технологии все еще имеют ограничения, с постоянными прорывами такие решения могут проявить потенциал в более широких областях и способствовать развитию вычислений с соблюдением конфиденциальности и приложений AI.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
17 Лайков
Награда
17
6
Репост
Поделиться
комментарий
0/400
DAOTruant
· 21ч назад
На самом деле это просто хайп~
Посмотреть ОригиналОтветить0
MevHunter
· 21ч назад
Понял, безопасность лучше, чем спекуляции.
Посмотреть ОригиналОтветить0
rekt_but_vibing
· 21ч назад
Еще одно банальное AI-раздувание??
Посмотреть ОригиналОтветить0
LiquidationKing
· 21ч назад
Недостаток средств, разыгрывайте людей как лохов, сокращение потерь не прекращается, уже затупил.
Посмотреть ОригиналОтветить0
ChainWatcher
· 21ч назад
С ума сошли от игр с NFT?
Посмотреть ОригиналОтветить0
metaverse_hermit
· 21ч назад
Снова сделали что-то новенькое, посмотрим, как это будет выглядеть дальше.
Web3 инновации: анализ сети вычислений конфиденциальности за лицом NFT
Инновационное сочетание данных лиц и NFT: глубокий анализ сети вычислений с соблюдением конфиденциальности
Недавно проект, позволяющий пользователям превращать данные о лицах в NFT, вызвал бурное обсуждение. С момента его запуска в конце апреля было создано более 200 000 NFT, что свидетельствует о его популярности. За этой казалось бы простой комбинацией данных о лицах в блокчейне и NFT на самом деле скрываются глубокие технологические инновации.
В этой статье будет подробно рассмотрена цель проекта, технические принципы, а также более широкие тенденции слияния Web3 и ИИ.
Непрерывное противостояние между человеком и машиной
Основная цель данного проекта заключается не только в простом создании NFT из данных лиц, но и в определении, является ли пользователь реальным человеком с помощью распознавания лиц. Эта необходимость возникает из постоянной проблемы противостояния человека и машины в средах Web2 и Web3.
Согласно данным, злоумышленные боты составляют 27,5% всего интернет-трафика. Эти автоматизированные программы могут привести к катастрофическим последствиям для услуг и серьезно повлиять на пользовательский опыт. Например, при покупке билетов мошенники значительно увеличивают свои шансы на успех с помощью виртуальных аккаунтов, в то время как обычные пользователи практически не имеют шансов.
В среде Web2 поставщики услуг различают людей и машины с помощью реальной аутентификации, кодов подтверждения и других методов. Однако с развитием ИИ традиционные способы проверки подвергаются критике. В среде Web3 распознавание людей и машин также является важной необходимостью, особенно в таких сценариях, как раздача токенов и высокорисковые операции.
Однако реализация распознавания лиц в децентрализованной среде Web3 связана с более глубокими вопросами: как построить децентрализованную вычислительную сеть машинного обучения? Как защитить конфиденциальность пользователей? Как поддерживать работу сети?
Инновационные исследования в области сетей приватных вычислений
В ответ на вышеуказанную проблему, одна команда создала инновационную сеть вычислений с конфиденциальностью на основе полностью однородного шифрования (FHE), с целью решения проблемы вычислений с конфиденциальностью в AI-сценариях Web3.
Ядром сети является оптимизированная технология FHE, которая благодаря многоуровневой архитектуре, включающей прикладной уровень, уровень оптимизации, арифметический уровень и исходный уровень, подходит для сценариев машинного обучения. Эта специализированная вычислительная технология обеспечивает более тысячи раз ускорение по сравнению с базовыми решениями.
В сетевой архитектуре предусмотрены четыре роли: владельцы данных, вычислительные узлы, декодеры и получатели результатов. Их рабочий процесс в целом выглядит следующим образом:
Сеть использует открытое API, что снижает порог использования для пользователей. В то же время, сквозное шифрование защищает конфиденциальность данных. Сеть также сочетает механизмы PoW и PoS для управления узлами и распределения вознаграждений, что балансирует вычислительные и экономические ресурсы.
Преимущества и ограничения технологии FHE
FHE как основная технология этой сети имеет свои преимущества и недостатки по сравнению с такими решениями, как нулевое знание (ZKP). FHE акцентирует внимание на приватности вычислений, тогда как ZKP сосредоточен на приватности верификации. По сравнению с безопасными многопартнерскими вычислениями (SMC), FHE в некоторых сценариях имеет большее преимущество.
FHE реализует разделение прав на обработку данных и собственности, но также приносит жертву скорости вычислений. В последние годы благодаря таким методам, как оптимизация алгоритмов и аппаратное ускорение, производительность FHE значительно улучшилась. Однако по сравнению с вычислениями с открытым текстом по-прежнему существует значительный разрыв.
Заключение
Эта инновационная попытка сочетания данных о лицах, NFT и вычислений с соблюдением конфиденциальности открывает новые пути для глубокой интеграции Web3 и AI. Несмотря на то, что базовые технологии все еще имеют ограничения, с постоянными прорывами такие решения могут проявить потенциал в более широких областях и способствовать развитию вычислений с соблюдением конфиденциальности и приложений AI.