Privasea の詳細な解釈、顔データをこのように NFT のキャストに使用できますか?
1 はじめに
最近、 Privaseaが開始した顔NFTキャスティングプロジェクトが非常に人気があります。
一見すると、このプロジェクトでは、ユーザーがIMHUMAN (私は人間です) モバイル アプリケーションに自分の顔を入力し、その顔データをチェーンにアップロードするだけの NFT にキャストできます。 NFTとの組み合わせにより、このプロジェクトは4月末の立ち上げ以来、20 W+以上のNFTキャスティングボリュームを獲得することができ、その人気の高さが明らかです。
私もとても混乱しています、なぜですか？顔データはサイズが大きい場合でもブロックチェーンにアップロードできますか?顔情報が盗まれることはありますか?プリバセアは何をするのですか？
待ってください。プロジェクト自体とプロジェクトの当事者である Privasea について引き続き調査して調べてみましょう。
キーワード：NFT、AI、FHE（完全準同型暗号）、DePIN
2. Web2 から Web3 へ - 人間と機械の対立は止まらない
まず、顔NFTキャスティングプロジェクト自体の目的を説明しましょう。このプロジェクトが単に顔データをNFTにキャストするだけだと思っているなら、それは完全に間違いです。
上で述べたプロジェクトのアプリ名 IMHUMAN (私は人間です) は、すでにこの問題を非常によく示しています。実際、このプロジェクトは、顔認識を使用して、あなたが画面の前にいる本物の人間であるかどうかを判断することを目的としています。
まず第一に、なぜ人間と機械の認識が必要なのでしょうか?
Akamai が提供した 2024 年第 1 四半期レポート (付録を参照) によると、ボット (HTTP リクエストやその他の操作を送信する人間をシミュレートできる自動プログラム) がインターネット トラフィックの 42.1% を占めており、そのうち悪意のあるトラフィックは 27.5% を占めています。インターネットトラフィック全体。
悪意のあるボットは、集中サービス プロバイダーの応答遅延やダウンタイムなどの壊滅的な結果を引き起こし、実際のユーザーのユーザー エクスペリエンスに影響を与える可能性があります。
チケット取得のシナリオを例に挙げてみましょう。チケットを取得するために複数の仮想アカウントを作成することで、不正行為者はチケットの取得に成功する確率を大幅に高めることができます。さらに、サービス プロバイダーのコンピュータ ルームのすぐ隣に自動化されたプログラムを展開することもできます。チケット購入の成功率は 0% です。
こうしたハイテクユーザーと対峙した場合、一般のユーザーには勝ち目はほとんどありません。
サービスプロバイダーも、クライアント側で、Web2 シナリオで人間とマシンを区別するために、実名認証、動作検証コード、その他の方法を導入し、機能のフィルタリングと傍受を実行しています。 WAF ポリシーやその他の手段を通じて外部に送信します。
これで問題は解決しますか?
不正行為のメリットは非常に大きいため、明らかにそうではありません。
同時に、人間と機械の対立は絶え間なく続いており、チーターとテスターの両方が常に武器をアップグレードしています。
詐欺師を例に挙げると、近年の AI の急速な発展を利用して、AI は人間よりも高速かつ正確な認識能力を備え、さまざまなビジュアル モデルによってクライアントの行動検証コードをほぼ次元削減しています。これにより、検証者は受動的にアップグレードする必要があり、初期のユーザー行動特徴検出 (画像検証コード) から生体特徴検出 (知覚検証: クライアント環境の監視、デバイスの指紋など) に徐々に移行します。一部の高リスク操作にはアップグレードが必要な場合があります。生物学的特徴検出（指紋、顔認識）まで。
Web3 では、人間と機械の検出も強く求められています。
一部のプロジェクトのエアドロップでは、詐欺師が複数の偽のアカウントを作成して魔女攻撃を開始する可能性があります。現時点では、本物の人物を特定する必要があります。
Web3 の財務特性により、アカウントのログイン、通貨の引き出し、取引、送金などの一部の高リスク操作では、ユーザーを確認する必要があるのは本人であるだけでなく、アカウントの所有者でもあります。そのため、顔認識が最良の選択となっています。
需要は決まっていますが、問題はそれをどのように実現するかです。
誰もが知っているように、分散化は Web3 の本来の目的です。Web3 で顔認識を実装する方法について議論する場合、より深い問題は、Web3 が AI シナリオにどのように適応するかということです。
分散型機械学習コンピューティングネットワークを構築するにはどうすればよいでしょうか?
ユーザーデータのプライバシーが漏洩しないようにするにはどうすればよいでしょうか?
ネットワークなどの運用を維持するにはどうすればよいですか？
3. Privasea AI Network - プライベート コンピューティング + AI 探索
前章の最後で述べた問題に関して、Privasea は画期的なソリューションを提供しました。Privasea は、Web3 上の AI シナリオのプライバシー コンピューティングの問題を解決するために、FHE (完全準同型暗号化) に基づいて Privasea AI NetWork を構築しました。
平たく言えば、FHE は、平文と暗号文に対する同じ操作の結果の一貫性を保証する暗号化テクノロジです。
Privasea は、従来の THE を最適化してカプセル化し、アプリケーション層、最適化層、算術層、および元の層に分割し、機械学習シナリオに適応させるための HESea ライブラリを形成しました。各層を担当する特定の機能は次のとおりです。
Privasea は、階層構造を通じて、各ユーザーの固有のニーズを満たす、より具体的でカスタマイズされたソリューションを提供します。
Privasea の最適化パッケージは、主にアプリケーション層と最適化層に焦点を当てており、他の準同型ライブラリの基本ソリューションと比較して、これらのカスタマイズされた計算は 1,000 倍以上の高速化を実現します。
3.1 Privasea AI Networkのネットワークアーキテクチャ
Privasea AI Network アーキテクチャから判断すると、次のようになります。
そのネットワークには、データ所有者、Privanetix ノード、復号者、結果受信者の合計 4 つの役割があります。
データ所有者: Privasea API を通じてタスクとデータを安全に送信するために使用されます。
Privanetix ノード: ネットワーク全体の中核であり、高度な HESea ライブラリが装備されており、基盤となるデータのプライバシーを保護し、計算の整合性と機密性を確保しながら、安全かつ効率的な計算を実行するためのブロックチェーン ベースのインセンティブ メカニズムが統合されています。
Decryptor: Privasea API を通じて復号結果を取得し、結果を検証します。
結果の受信者: タスクの結果は、データ所有者およびタスク発行者によって指定された人物に返されます。
3.2 Privasea AI Networkのコアワークフロー
以下は、Privasea AI Network の一般的なワークフロー図です。
ステップ 1: ユーザー登録:データ所有者は、必要な認証および認可資格情報を提供して、Privacy AI Network 上で登録プロセスを開始します。この手順により、許可されたユーザーのみがシステムにアクセスし、ネットワーク アクティビティに参加できるようになります。
ステップ 2: タスクの送信: 計算タスクと入力データを送信します。データは HEsea ライブラリによって暗号化されます。同時に、データ所有者は最終結果にアクセスできる承認された復号者と結果受信者も指定します。
ステップ 3: タスクの割り当て: ネットワーク上に展開されたブロックチェーン ベースのスマート コントラクトは、可用性と機能に基づいてコンピューティング タスクを適切な Privanetix ノードに割り当てます。この動的な割り当てプロセスにより、効率的なリソース割り当てとコンピューティング タスクの分散が保証されます。
ステップ 4: 暗号化された計算: 指定された Privanetix ノードは暗号化されたデータを受信し、HESea ライブラリを使用して計算を実行します。これらの計算は機密データを復号化することなく実行できるため、機密性が維持されます。計算の整合性をさらに検証するために、Privanetix ノードはこれらのステップに対してゼロ知識証明を生成します。
ステップ 5: キーの切り替え: 計算の完了後、指定された Privanetix ノードはキー スイッチング技術を使用して、最終結果が認証され、指定された復号化者のみがアクセスできることを保証します。
ステップ 6: 結果の検証: 計算の完了後、Privanetix ノードは、将来の検証のために、暗号化された結果と対応するゼロ知識証明をブロックチェーン ベースのスマート コントラクトに送り返します。
ステップ 7: インセンティブのメカニズム: Privanetix ノードの貢献を追跡し、報酬を分配します
ステップ 8: 結果の取得: 復号化プログラムは Privasea API を使用して暗号化結果にアクセスします。最優先事項は、計算の整合性を検証し、Privanetix ノードがデータ所有者の意図どおりに計算を実行したことを確認することです。
ステップ 9: 結果の配信: 復号化された結果を、データ所有者が事前に指定した指定結果受信者と共有します。
Privasea AI NetWork のコア ワークフローでは、ユーザーに公開されるのはオープン API です。これにより、ユーザーは、ネットワーク自体内の複雑な操作を理解する必要がなく、多大な精神的労力を必要とせず、入力パラメーターと対応する結果のみに注意を払うことができます。 。 重荷。同時に、エンドツーエンドの暗号化により、データ処理に影響を与えることなくデータ自体の漏洩を防ぎます。
PoW && PoS 二重メカニズムの重ね合わせ
Privaseaが最近発売したWorkHeart NFTとStarFuel NFTは、PoWとPoSの二重メカニズムを使用してネットワークノードを管理し、報酬を発行します。 WorkHeart NFT を購入すると、Privanetix ノードになり、ネットワーク コンピューティングに参加し、PoW メカニズムに基づいてトークン収入を得る資格が得られます。 StarFuel NFT は、WorkHeart と組み合わせることができるノード ゲイナー (5,000 に制限されています) であり、それに誓約されたトークンが多いほど、WorkHeart ノードの収益乗数が大きくなります。
では、なぜ PoW と PoS なのでしょうか?
実際、この質問は答えるのが簡単です。
PoW の本質は、計算の時間コストを通じてノードの悪影響率を削減し、ネットワークの安定性を維持することです。 BTC の乱数検証における多数の無効な計算とは異なり、このプライバシー コンピューティング ネットワーク ノードの実際の作業出力 (操作) はワークロード メカニズムに直接リンクでき、当然 PoW に適しています。
PoS により、経済リソースのバランスが取りやすくなります。
このように、WorkHeart NFTはPoWメカニズムを通じて収益を獲得し、StarFuel NFTはPoSメカニズムを通じて収益倍数を増加させることで、多層的かつ多様なインセンティブメカニズムを形成し、ユーザーが自身のリソースと戦略に基づいて適切な参加方法を選択できるようにします。 2 つのメカニズムを組み合わせることで、収益分配構造を最適化し、ネットワーク内のコンピューティング リソースと経済的リソースの重要性のバランスを取ることができます。
3.3 概要
Privatosea AI NetWork が FHE に基づいて暗号化されたバージョンの機械学習システムを構築していることがわかります。 FHE プライバシー コンピューティングの特性により、コンピューティング タスクは分散環境内のさまざまなコンピューティング ノード (Privanetix) に委託され、結果の妥当性は ZKP を通じて検証され、PoW と PoS の二重メカニズムが結果の検証に使用されます。 . ノードはネットワークの運用を維持するために報酬または罰を与えます。 Privasea AI NetWork の設計は、さまざまな分野でのプライバシー保護 AI アプリケーションへの道を切り開いていると言えます。
4. FHE準同型暗号化 - 暗号化の新たな聖杯?
前の章でわかるように、Privatosea AI Network のセキュリティは、その基盤となる FHE に依存しています。FHE トラックのリーダーである ZAMA の継続的な技術革新により、FHE は投資家によって暗号化の新たな聖杯とも呼ばれています。 、ZKP および関連ソリューションと比較してみましょう。
比較すると、ZKP と FHE の適用可能なシナリオはまったく異なることがわかります。FHE はプライバシーの計算に重点を置いているのに対し、ZKP はプライバシーの検証に重点を置いています。
SMC は、FHE とより重なる部分があるようです。SMCのコンセプトは、共同計算を実行する個々のコンピューターのデータプライバシー問題を解決する安全な共同コンピューティングです。
5. FHEの限界
FHE はデータ処理権とデータ所有権の分離を実現し、コンピューティングに影響を与えることなくデータ漏洩を防ぎます。しかし同時に、計算速度も犠牲になります。
暗号化は両刃の剣のようなもので、セキュリティは向上しますが、コンピューティング速度も大幅に低下します。
近年、さまざまなタイプの FHE パフォーマンス向上ソリューションが提案されており、アルゴリズムの最適化に基づくものやハードウェア アクセラレーションに依存するものもあります。
アルゴリズムの最適化に関しては、CKKS や最適化されたブートストラップ手法などの新しい FHE スキームにより、ノイズの増加と計算オーバーヘッドが大幅に削減されます。
ハードウェア アクセラレーションの点では、カスタマイズされた GPU、FPGA、およびその他のハードウェアにより、多項式演算のパフォーマンスが大幅に向上しました。
さらに、部分準同型暗号化 (PHE) と検索暗号化 (SE) を組み合わせることにより、特定のシナリオで効率を向上させるハイブリッド暗号化方式の適用も検討されています。
それにもかかわらず、FHE 計算と平文計算との間には依然としてパフォーマンスに大きな差があります。
6. まとめ
Privasea は、その独自のアーキテクチャと比較的効率的なプライバシー コンピューティング テクノロジを通じて、ユーザーに非常に安全なデータ処理環境を提供するだけでなく、Web3 と AI の緊密な統合における新たな章を開きます。 Privasea が依存している基盤となる FHE には当然のコンピューティング速度の欠点がありますが、Privasea は最近、プライバシー コンピューティングの問題に共同で取り組むために ZAMA と協力関係に達しました。将来的には、継続的な技術的進歩により、Privasea はより多くの分野でその可能性を解き放ち、プライバシー コンピューティングと AI アプリケーションの探求者となることが期待されています。
