深入解讀 Privasea，人臉資料鑄造 NFT 還能這樣玩兒？

作者：十四君

1.引言

近日，一個由Privasea發起的人臉NFT鑄造計畫異常火爆！

乍看之下很簡單，在專案中使用者可以在IMHUMAN（我是人類）行動應用程式上錄入自己的人臉，並把自己的人臉資料鑄造為一枚NFT，就僅僅是這人臉數據上鍊+ NFT的組合使得該項目在4月底上線以來獲得了超過20W+的NFT的鑄造量，熱度可見一斑。

我也很疑惑了，為什麼呢？人臉數據有多大也能上鍊嗎？我的人臉資料會被盜用嗎？ Privasea又是幹啥的？

等等，讓我們繼續對專案本身及專案方 Privasea 進行了研究，一探究竟。

關鍵字：NFT、AI、FHE（全同態加密）、DePIN

2、從Web2到Web3-人機對抗從未停止鑄造

首先，我們解讀一下專案本身的目的，如果你覺得這個專案就是單純的把人臉資料鑄造成NFT那就大錯特錯了。

上文我們提到的這個項目的App名稱IMHUMAN（我是人類）已經很好的說明了這個問題：事實上，該項目旨在透過人臉辨識來判斷螢幕前的你是否是真人。

首先，我們為什麼需要人機辨識？

根據Akamai提供的2024Q1報告（見附錄）顯示，Bot（一種自動化程序，可以模擬人發送HTTP請求等操作）驚人的佔據了互聯網流量的42.1%，其中惡意流量的42.1%流量佔了整個網路流量的27.5%。

惡意的Bot可能會對中心化的服務商帶來延遲響應甚至是宕機等災難性的後果，影響到真實用戶的使用體驗。

我們以搶票場景為例，作弊者透過新建多個虛擬帳號進行搶票操作，便可大幅提高搶票成功的機率，更有甚者直接把自動化程式部署在服務商的機房旁邊，實現幾乎0延時的購票。

普通用戶面對這些高科技用戶幾乎是毫無勝算可言。

服務商對此也做出了一些努力，對客戶端，Web2場景下透過引入實名認證、行為驗證碼等多種方式來區分人機，服務端則是透過WAF策略等手段進行特徵過濾攔截。

那這樣問題就能解決了嗎？

顯然沒有，因為作弊帶來的收益是豐厚的。

同時，人機的對抗具有持續性，作弊者與檢驗者兩個角色都在不斷升級自己的武器庫。

以作弊者為例，趁著近些年AI迅速發展的東風，客戶端的行為驗證碼幾乎被各種視覺類模型給降維打擊，甚至AI有著比人更快更準的識別能力。這使得校驗者不得不被動升級，由早期的用戶的行為特徵檢測（圖像類驗證碼）測逐漸過度到仿生物學特徵檢測（感知驗證：如客戶端環境監測、設備指紋等），一些高風險操作，可能需要上升到生物學特徵檢測（指紋、人臉辨識）。

對於Web3，人機偵測同樣是一個強烈需求。

對於某些專案空投，作弊者可以創建多個虛假帳號發動女巫攻擊，這個時候我們需要辨別真人。

由於Web3的金融屬性，對於一些高風險操作，如帳號登錄、提幣、交易、轉帳等，需要核實用戶的不僅僅是真人，並且是帳號所有者，人臉識別便成了不二之選。

需求是確定的，問題又是怎麼實現？

眾所周知，去中心化是Web3的初衷，當我們在討論如何在Web3上實現人臉辨識的時候，實際上更深層的問題是Web3應該怎麼適配AI場景：

• 我們該如何建構去中心化的機器學習計算網路？
• 怎麼保證用戶資料的隱私不會洩漏？
• 怎麼維護網路的運作等等？

3、Privasea AI NetWork-隱私計算+AI的探索

對於上一章文末提到的問題，而Privasea 給出了開創性的解決方案：Privasea 基於FHE（全同態加密）建構了Privasea AI NetWork 來解決Web3上AI場景的隱私運算問題。

FHE 通俗講就是一種保證明文與密文進行相同運算後結果一致的加密技術。

Privasea 對傳統的THE進行了優化封裝，劃分了應用層、優化層、算術層和原始層，形成了HESea庫，使其適配了機器學習場景，以下是具體每一層的負責的功能：

透過分層結構，Privasea 提供了更具體和量身定制的解決方案，以滿足每個用戶的獨特需求。

Privasea 的最佳化封裝主要集中在應用層和最佳化層，與其他同態庫中的基本解決方案相比，這些客製化計算可以提供超過千倍的加速。

3.1 Privasea AI NetWork的網路架構

從其Privasea AI NetWork的架構看：

在其網路上總共有4個節點接受者。

1. 資料擁有者：透過 Privasea API，用於安全地提交任務及資料。

2. Privanetix 節點：是整個網路的核心，配備了先進的HESea 庫並整合了基於區塊鏈的激勵機制，可執行安全高效的計算，同時保護底層數據的隱私並確保計算的完整性和機密性。

3. 解密器：透過 Privasea API 取得解密後的結果，對結果進行驗證。

4. 結果接受者：任務結果將傳回給資料擁有者及任務下發者指定的人。

3.2 Privasea AI NetWork 的核心工作流程

以下是Privasea AI NetWork 的一般工作流程圖：

：資料所有者透過提供必要的身份驗證和授權憑證在隱私AI 網路上啟動註冊流程。此步驟可確保只有授權使用者才能存取系統並參與網路活動。

• STEP 2：任務提交：提交計算任務和輸入數據，數據是由HEsea庫加密後的數據，同時數據所有者還指定可以訪問最終結果的授權解密者和結果接收者。

• STEP 3：任務分配：部署在網路上的基於區塊鏈的智慧合約根據可用性和能力將計算任務分配給合適的 Privanetix 節點。此動態分配過程可確保高效率的資源分配和運算任務的分配。

• STEP 4：加密計算：指定的 Privanetix 節點接收加密資料並利用 HESea 函式庫進行計算。這些計算無需解密敏感資料即可執行，從而保持了其機密性。為了進一步驗證計算的完整性，Privanetix 節點為這些步驟產生零知識證明。

• LANGKAH 5: Penukaran Kunci : Selepas melengkapkan pengiraan, nod Privanetix yang ditetapkan menggunakan teknologi pensuisan kunci untuk memastikan keputusan akhir dibenarkan dan hanya boleh diakses oleh penyahsulit yang ditetapkan.

• STEP 6: Pengesahan Keputusan: Selepas melengkapkan pengiraan, nod Privanetix menghantar hasil yang disulitkan kepada kontrak-pengetahuan balik pintar berasaskan blokchain yang sepadan. pengesahan.励Langkah 7: Mekanisme insentif

: Jejaki sumbangan nod PrivaNetix, dan peruntukkan ganjaran

• Langkah 8: Pendapatan semula hasil: Dekrirator menggunakan API Privasea Keutamaan pertama mereka adalah untuk mengesahkan integriti pengiraan, memastikan bahawa nod Privanetix melakukan pengiraan seperti yang dimaksudkan oleh pemilik data.

• LANGKAH 9: Penyampaian Keputusan : Kongsi hasil yang disulitkan dengan penerima hasil yang ditetapkan yang telah ditentukan sebelumnya oleh pemilik data.

• Dalam aliran kerja teras Privasea AI NetWork, API terbuka didedahkan kepada pengguna, yang membolehkan pengguna hanya memberi perhatian kepada parameter input dan hasil yang sepadan tanpa perlu memahami operasi kompleks dalam rangkaian itu sendiri akan menjadi terlalu banyak beban mental. Pada masa yang sama, penyulitan hujung ke hujung menghalang data itu sendiri daripada bocor tanpa menjejaskan pemprosesan data.

  PoW && PoS dwi mekanisme superposisi
  Privasea baru-baru ini melancarkan WorkHeart NFT dan Po.W StarFu mekanisma untuk menjalankan nod rangkaian Pengurusan dan ganjaran Tangan keluar . Beli WorkHeart NFT dan anda akan layak menjadi nod Privanetix untuk mengambil bahagian dalam pengkomputeran rangkaian dan memperoleh pendapatan token berdasarkan mekanisme PoW. StarFuel NFT ialah pemeroleh nod (terhad kepada 5000), yang boleh digabungkan dengan WorkHeart, serupa dengan PoS Semakin banyak token yang dicagarkan kepadanya, semakin besar pengganda keuntungan WorkHeart. Jadi, kenapa PoW dan PoS?
  Sebenarnya soalan ini lebih mudah untuk dijawab.
  Intipati PoW adalah untuk mengurangkan kadar kejahatan nod dan mengekalkan kestabilan rangkaian melalui kos masa operasi.
  Berbeza daripada bilangan besar pengiraan tidak sah dalam pengesahan nombor rawak BTC, output kerja sebenar (operasi) nod rangkaian pengkomputeran privasi ini boleh dikaitkan terus dengan mekanisme beban kerja, yang secara semula jadi sesuai untuk PoW. Dan PoS memudahkan untuk mengimbangi sumber ekonomi.
  Dengan cara ini, WorkHeart NFT memperoleh pendapatan melalui mekanisme PoW, manakala StarFuel NFT meningkatkan berganda pendapatan melalui mekanisme PoS, membentuk mekanisme insentif pelbagai peringkat dan pelbagai, membolehkan pengguna memilih kaedah penyertaan yang sesuai berdasarkan sumber mereka sendiri dan strategi. Gabungan kedua-dua mekanisme boleh mengoptimumkan struktur pengagihan hasil dan mengimbangi kepentingan sumber pengkomputeran dan sumber ekonomi dalam rangkaian.
  3.3 Ringkasan
  Dapat dilihat bahawa Privatosea AI NetWork telah membina versi disulitkan sistem pembelajaran mesin
  berdasarkan FHE. Terima kasih kepada ciri-ciri pengkomputeran privasi FHE, tugas pengkomputeran disubkontrakkan kepada pelbagai nod pengkomputeran (Privanetix) dalam persekitaran yang diedarkan, kesahihan keputusan disahkan melalui ZKP, dan mekanisme dwi PoW dan PoS digunakan untuk memberikan hasil pengkomputeran. . Nod memberi ganjaran atau hukuman untuk mengekalkan operasi rangkaian.
  Boleh dikatakan reka bentuk Privasea AI NetWork membuka jalan untuk aplikasi AI yang memelihara privasi dalam pelbagai bidang.

  4. Penyulitan Homomorfik FHE - grail suci kriptografi baharu?

  Kita dapat lihat dalam bab terakhir bahawa keselamatan Privatosea AI NetWork bergantung pada asas FHE Dengan penemuan teknologi berterusan ZAMA, peneraju landasan FHE, FHE telah diberikan kata laluan baharu oleh pelabur. Mengambil tajuk Holy Grail, mari kita bandingkan dengan ZKP dan penyelesaian yang berkaitan.

  

  Sebagai perbandingan, anda dapat melihat bahawa senario yang terpakai bagi ZKP dan FHE agak berbeza memfokuskan pada pengiraan privasi, manakala ZKP memfokuskan pada pengesahan privasi.
  Dan SMC nampaknya mempunyai pertindihan yang lebih besar dengan FHE Konsep SMC ialah pengkomputeran bersama yang selamat, yang menyelesaikan masalah privasi data komputer individu yang berfungsi bersama.

  5. Had FHE

  FHE merealisasikan pemisahan hak pemprosesan data dan pemilikan data, dengan itu menghalang kebocoran data tanpa menjejaskan pengiraan. Tetapi pada masa yang sama, pengorbanan adalah kelajuan pengkomputeran.
  Penyulitan adalah seperti pedang bermata dua Walaupun ia meningkatkan keselamatan, ia juga mengurangkan kelajuan pengkomputeran.
  Dalam beberapa tahun kebelakangan ini, pelbagai jenis penyelesaian peningkatan prestasi FHE telah dicadangkan, beberapa berdasarkan pengoptimuman algoritma dan beberapa bergantung pada pecutan perkakasan.
  • Dari segi pengoptimuman algoritma, penyelesaian FHE baharu seperti CKKS dan kaedah bootstrap yang dioptimumkan dengan ketara mengurangkan pertumbuhan hingar dan overhed pengiraan
  • Dari segi pecutan perkakasan, FP dan lain-lain perkakasan tersuai; peningkatan dengan ketara Prestasi operasi polinomial.
  Selain itu, aplikasi skim penyulitan hibrid juga sedang diterokai Dengan menggabungkan penyulitan separa homomorfik (PHE) dan penyulitan carian (SE), kecekapan boleh dipertingkatkan dalam senario tertentu.
  Walaupun begitu, FHE masih mempunyai jurang prestasi yang besar daripada pengiraan plaintext.

  6 Ringkasan

  Privasea bukan sahaja menyediakan pengguna dengan persekitaran pemprosesan data yang sangat selamat melalui seni binanya yang unik dan teknologi pengkomputeran privasi yang agak cekap, tetapi juga membuka lembaran baharu dalam penyepaduan mendalam Web3 dan AI. Walaupun FHE yang bergantung padanya di bahagian bawah mempunyai kelemahan kelajuan pengkomputeran semula jadi, Privasea baru-baru ini telah mencapai kerjasama dengan ZAMA untuk bersama-sama menyelesaikan masalah pengkomputeran privasi. Pada masa hadapan, dengan penemuan teknologi yang berterusan, Privasea dijangka akan melancarkan potensinya dalam lebih banyak bidang dan menjadi penjelajah pengkomputeran privasi dan aplikasi AI.

以上是深入解讀 Privasea，人臉資料鑄造 NFT 還能這樣玩兒？的詳細內容。更多資訊請關注PHP中文網其他相關文章！