Privasea: Инновационное исследование NFT-изации данных лиц

В последнее время проект по чеканке NFT на основе лиц привлек широкое внимание. Этот проект позволяет пользователям вводить свое лицо в мобильном приложении и чеканить эти данные в виде NFT. Эта на первый взгляд простая концепция за короткие несколько недель привлекла более 200000 чеканок NFT, что свидетельствует о впечатляющей популярности.

Цель этого проекта не просто преобразовать данные лиц в NFT, а проверить, является ли пользователь реальным человеком с помощью распознавания лиц. Этот подход возник в ответ на одну серьезную проблему, с которой сталкивается современный интернет: злонамеренный трафик ботов.

Согласно последним данным, роботы занимают 42,1% интернет-трафика, из которых 27,5% составляют вредоносные потоки. Эти вредоносные роботы могут вызывать задержки в обслуживании, сбои в системе, что серьезно влияет на пользовательский опыт. В таких ситуациях, как покупка билетов, автоматизированные программы практически не оставляют шансов обычным пользователям.

Для решения этой проблемы в среде Web2 были приняты различные меры, такие как реальная аутентификация и поведенческие капчи, для различения людей и машин, в то время как сервер использует фильтрацию по признакам для блокировки. Однако, с быстрым развитием технологий ИИ традиционные методы верификации уже недостаточны. Методы верификации постепенно переходят от детекции поведенческих признаков к детекции биомиметических признаков и даже к детекции биологических признаков.

Web3 также сталкивается с потребностью в распознавании человека и машины. В таких сценариях, какairdrops проекта, необходимо идентифицировать реальных пользователей, чтобы предотвратить атаки ведьм. Для высокорисковых операций, таких как вход в аккаунт, вывод средств, сделки и т.д., необходимо подтвердить, что оператор не только человек, но и владелец аккаунта.

Однако реализация этих функций в децентрализованной среде Web3 сталкивается с множеством проблем: как построить децентрализованную вычислительную сеть машинного обучения? Как защитить конфиденциальность данных пользователей? Как поддерживать работу сети?

В ответ на эти проблемы Privasea предложила инновационное решение. Они создали Privasea AI Network на основе технологии полностью гомоморфного шифрования (FHE), которая предоставляет поддержку приватных вычислений для AI-приложений в среде Web3.

Privasea оптимизировала традиционное FHE и разработала библиотеку HESea, которая более подходит для сценариев машинного обучения. Эта библиотека разделена на уровень приложений, уровень оптимизации, арифметический уровень и базовый уровень, каждый из которых отвечает за различные функции и предоставляет гибкие и эффективные решения.

Архитектура Privasea AI Network включает в себя четыре роли: владелец данных, узел Privanetix, декодер и получатель результатов. Сеть обеспечивает безопасную обработку данных и защиту конфиденциальности через ряд этапов, начиная с регистрации пользователя и заканчивая доставкой результатов.

Чтобы стимулировать участников сети, Privasea запустила WorkHeart NFT и StarFuel NFT, использующие двойной механизм PoW и PoS для управления узлами и распределения вознаграждений. Этот дизайн обеспечивает как стабильность сети, так и баланс распределения экономических ресурсов.

Хотя технология FHE демонстрирует отличные результаты в защите конфиденциальности данных, она также сталкивается с вызовами по вычислительной эффективности. В последние годы благодаря таким методам, как оптимизация алгоритмов и аппаратное ускорение, производительность FHE значительно улучшилась, но по сравнению с вычислениями с открытым текстом все еще существует разрыв.

Тем не менее, инновационное решение Privasea открывает новые пути для глубокой интеграции Web3 и AI. С постоянным прогрессом технологий Privasea имеет потенциал проявить себя в новых областях и стать пионером в области вычислений с конфиденциальностью и приложений AI.