Menguak Privasea, Bagaimana Cara Bermain NFT Penciptaan Data Wajah?

1. Pengenalan

Baru-baru ini, proyek cetak non-fungible token wajah yang digagas oleh Privasea sangat populer!

Pada pandangan pertama terlihat sangat sederhana, dalam proyek ini pengguna dapat merekam wajah mereka di aplikasi seluler IMHUMAN (Saya Manusia) dan mencetak data wajah mereka sebagai token non-fungible, hanya kombinasi dari memasukkan data wajah ke dalam rantai dan mencetak token non-fungible yang membuat proyek ini telah mencetak lebih dari 20 W+ token non-fungible sejak diluncurkan pada akhir April, popularitasnya sangat nyata.

Saya juga sangat bingung, mengapa? Apakah data wajah bisa dimasukkan ke dalam blockchain bahkan jika berukuran long? Apakah informasi wajah saya akan dicuri? Dan apa itu Privasea?

Tunggu sebentar, mari kita lanjutkan penelitian terhadap proyek itu sendiri dan Privasea, untuk melihat lebih jauh.

Kata kunci: Non-fungible token, AI, FHE (Enkripsi Homomorphic), DEP

2, Dari Web2 ke Web3 - Pertempuran Manusia dan Mesin Tak Pernah Berhenti

Pertama, mari kita memahami tujuan proyek cetak Non-fungible token wajah ini. Jika Anda berpikir bahwa proyek ini hanya tentang mencetak data wajah menjadi Non-fungible token, itu adalah kesalahan besar.

Dalam artikel sebelumnya, nama aplikasi proyek ini, IMHUMAN (Saya Manusia), sudah dengan baik menjelaskan masalah ini: sebenarnya, proyek ini bertujuan untuk menggunakan pengenalan wajah untuk menentukan apakah Anda di depan layar adalah manusia asli.

Pertama-tama, mengapa kita memerlukan pengenalan manusia-mesin?

Berdasarkan laporan Q1 2024 yang disediakan oleh Akamai (lihat lampiran), Bot (sejenis program otomatis yang dapat mensimulasikan tindakan seperti mengirimkan permintaan HTTP) menguasai lalu lintas internet sebesar 42,1%, di mana lalu lintas jahat menguasai 27,5% dari seluruh lalu lintas internet.

Bot jahat dapat menyebabkan latensi bahkan crash yang berdampak buruk pada penyedia layanan terpusat dan mempengaruhi pengalaman pengguna yang sebenarnya.

Kami mengambil contoh skenario pembelian tiket, para penipu dapat meningkatkan probabilitas keberhasilan pembelian tiket secara signifikan dengan membuat long akun virtual baru untuk melakukan pembelian tiket, bahkan ada yang langsung memasang program otomatis di dekat ruang server penyedia layanan, sehingga pembelian tiket hampir tanpa keterlambatan 0.

Pengguna biasa hampir tidak memiliki peluang menang melawan pengguna teknologi tinggi ini.

Para penyedia layanan juga telah melakukan beberapa upaya, untuk klien, dalam skenario Web2, dengan memperkenalkan berbagai metode seperti Know Your Customer, verifikasi tindakan, dll. untuk membedakan manusia dan mesin, sedangkan server layanan menggunakan strategi WAF dan metode lainnya untuk menyaring dan memblokir fitur-fitur tertentu.

Jadi apakah masalah ini bisa diselesaikan?

Tentu saja tidak, karena keuntungan yang diperoleh dari curang sangat besar.

Pertarungan antara manusia dan mesin bersifat berkelanjutan, di mana kedua belah pihak, yaitu penipu dan pemeriksa, terus meningkatkan persenjataan mereka.

Sebagai contoh seorang penipu, dengan berkembangnya AI dalam beberapa tahun terakhir, verifikasi perilaku di sisi klien hampir dilumpuhkan oleh berbagai model visual, bahkan AI memiliki kemampuan identifikasi yang lebih cepat dan lebih akurat daripada manusia. Hal ini membuat pemeriksa harus melakukan peningkatan secara pasif, dari deteksi fitur perilaku pengguna di tahap awal (captcha berbasis gambar) secara bertahap berpindah ke deteksi fitur biologis (verifikasi sensorik: seperti pemantauan lingkungan klien, sidik jari perangkat, dll), beberapa operasi berisiko tinggi mungkin perlu Naik ke deteksi fitur biologis (sidik jari, pengenalan wajah).

Untuk Web3, deteksi manusia-mesin juga merupakan kebutuhan yang kuat.

Untuk beberapa proyek Airdrop, penipu dapat membuat long akun palsu untuk melakukan Serangan Sybil, pada saat ini kita perlu memverifikasi manusia yang sebenarnya.

Karena sifat keuangan Web3, untuk beberapa operasi berisiko tinggi seperti masuk akun, penarikan, perdagangan, transfer, dsb., perlu memverifikasi bahwa pengguna bukan hanya manusia tetapi juga pemilik akun, sehingga pengenalan wajah menjadi pilihan yang tepat.

Kebutuhan sudah jelas, pertanyaannya adalah bagaimana mewujudkannya?

Seperti yang kita semua tahu, Desentralisasi adalah tujuan utama dari Web3. Ketika kita membahas tentang bagaimana menerapkan pengenalan wajah di Web3, sebenarnya pertanyaan yang lebih mendasar adalah bagaimana Web3 seharusnya mengakomodasi skenario kecerdasan buatan (AI):

• Bagaimana cara membangun jaringan komputasi pembelajaran mesin yang Desentralisasi?
• Bagaimana memastikan privasi data pengguna tidak bocor?
• Bagaimana cara merawat operasi jaringan, dan sebagainya?

3、Privasea AI NetWork-隐私计算+AI 的探索

Untuk masalah yang disebutkan di akhir bab sebelumnya, Privasea memberikan solusi inovatif: Privasea membangun Privasea AI NetWork berdasarkan FHE (Enkripsi Homomorfik penuh) untuk menyelesaikan masalah komputasi privasi di skenario AI di Web3.

FHE secara sederhana adalah teknologi enkripsi yang memastikan hasil dari perhitungan yang sama antara Plaintext dan Ciphertext menjadi sama.

Privasea telah dioptimalkan dan dikemas ulang dari THE tradisional, membaginya menjadi Layer Aplikasi, lapisan optimasi, lapisan aritmatika, dan lapisan asli, membentuk perpustakaan HESea, sehingga cocok untuk skenario pembelajaran mesin, berikut adalah detail fungsi yang bertanggung jawab untuk setiap lapisan:

Dengan struktur berlapis, Privasea menyediakan solusi yang lebih spesifik dan disesuaikan untuk memenuhi kebutuhan unik setiap pengguna.

Optimasi Privasea terutama difokuskan pada Layer Aplikasi dan lapisan optimasi, dibandingkan dengan solusi dasar dalam perpustakaan homomorfik lain, perhitungan kustom ini dapat memberikan percepatan lebih dari k kali lipat.

3.1 Arsitektur Jaringan Privasea AI NetWork

Dilihat dari arsitektur Privasea AI NetWork-nya:

Di jaringannya, terdapat total 4 jenis peran, pemilik data, Node Privanetix, decryptor, penerima hasil.

1. Pemilik Data: Melalui API Privasea, untuk mengirimkan tugas dan data dengan aman.
2. Node Privanetix: adalah inti dari seluruh jaringan, dilengkapi dengan perpustakaan HESea canggih dan terintegrasi dengan mekanisme insentif berbasis blockchain, dapat melakukan komputasi yang aman dan efisien, sambil melindungi privasi data dasar dan memastikan integritas dan kerahasiaan komputasi.
3. Decoder: Dapatkan hasil dekripsi melalui API Privasea, dan lakukan verifikasi terhadap hasil tersebut.
4. Penerima Hasil: Hasil tugas akan dikembalikan kepada pemilik data dan orang yang ditentukan oleh pemberi tugas.

3.2 Alur Kerja Inti Privasea AI NetWork

Berikut adalah diagram alur kerja umum Privasea AI NetWork:

• LANGKAH 1: Pendaftaran Pengguna: Pemilik data memulai proses pendaftaran di jaringan AI Privasi dengan menyediakan kredensial otentikasi dan otorisasi yang diperlukan. Langkah ini memastikan bahwa hanya pengguna yang terotorisasi yang dapat mengakses sistem dan berpartisipasi dalam aktivitas jaringan.
• LANGKAH 2: PENGIRIMAN TUGAS: Kirim tugas komputasi dan data masukan, di mana data dienkripsi oleh perpustakaan HEsea. Pemilik data juga menentukan penerima hasil akhir yang diotorisasi untuk membuka kunci dan menerima hasil.
• STEP 3 ：Tugas Penugasan：Smart Contract berbasis blockchain yang didistribusikan di jaringan akan menugaskan tugas komputasi kepada Node Privanetix yang sesuai berdasarkan ketersediaan dan kapabilitas. Proses penugasan dinamis ini memastikan alokasi sumber daya yang efisien dan penugasan tugas komputasi.
• STEP 4: Perhitungan enkripsi : Node Privanetix yang ditentukan menerima data enkripsi dan melakukan perhitungan menggunakan perpustakaan HESea. Perhitungan ini dapat dilakukan tanpa harus mendekripsi data sensitif, sehingga menjaga kerahasiaannya. Untuk memverifikasi integritas perhitungan tersebut, Node Privanetix menghasilkan Zero-Knowledge Proof untuk langkah-langkah ini.
• LANGKAH 5: Beralih ke Kunci Rahasia: Setelah perhitungan selesai, Privanetix Node yang ditentukan menggunakan teknologi beralih ke Kunci Rahasia untuk memastikan bahwa hasil akhirnya diotorisasi dan hanya dapat diakses oleh dekriptor yang ditentukan.
• STEP 6 ：Verifikasi Hasil：Setelah perhitungan selesai, Node Privanetix akan mengenkripsi hasil dan Zero-Knowledge Proof yang sesuai dikirim kembali ke Smart Contract berbasis blockchain untuk verifikasi di masa depan.
• LANGKAH 7: Mekanisme Insentif: Melacak kontribusi Privanetix Node dan menugaskan hadiah
• STEP 8 ：Pengambilan Hasil：Dekriptor mengakses hasil enkripsi menggunakan API Privasea. Tugas utama merekalah memverifikasi integritas perhitungan, memastikan bahwa Node Privanetix menjalankan perhitungan sesuai dengan niat pemilik data.
• STEP 9 ：Hasil Pengiriman：Berbagi hasil dekripsi dengan penerima hasil yang telah ditentukan oleh pemilik data sebelumnya.

Dalam alur kerja inti Privasea AI NetWork, yang terungkap kepada pengguna adalah API terbuka, yang membuat pengguna hanya perlu mengikuti parameter masukan dan hasil yang sesuai, tanpa perlu memahami perhitungan internal yang rumit di jaringan, tanpa beban pikiran yang terlalu panjang. Pada saat yang sama, enkripsi ujung ke ujung dalam kondisi tanpa mempengaruhi pemrosesan data, membuat data itu sendiri tidak bocor ke luar.

PoW && PoS Dual Mechanism Overlay

WorkHeart Non-fungible token dan StarFuel Non-fungible token yang baru saja diluncurkan oleh Privasea menggunakan mekanisme PoW dan PoS untuk mengatur dan memberikan hadiah kepada jaringan Node. Dengan membeli WorkHeart Non-fungible token, Anda dapat memenuhi syarat untuk menjadi Privanetix Node dan berpartisipasi dalam perhitungan jaringan, serta mendapatkan penghasilan Token berdasarkan mekanisme PoW. StarFuel Non-fungible token adalah penguat Node (terbatas pada 5000), yang dapat dikombinasikan dengan WorkHeart, mirip dengan PoS, semakin banyak Token yang di-stake, semakin besar tingkat penghasilan WorkHeart Node.

Jadi, mengapa PoW dan PoS?

Sebenarnya, masalah ini cukup mudah dijawab.

Essensi dari PoW adalah untuk menurunkan tingkat kejahatan Node melalui biaya waktu komputasi, untuk menjaga stabilitas jaringan. Berbeda dengan validasi angka acak BTC yang melibatkan banyak perhitungan yang tidak valid, hasil kerja (komputasi) jaringan Node privasi ini dapat langsung terkait dengan mekanisme bukti kerja, secara alami sesuai untuk PoW.

Sedangkan PoS lebih mudah dalam menyeimbangkan sumber daya ekonomi.

Dengan demikian, WorkHeart Non-fungible token mendapatkan penghasilan melalui mekanisme PoW, sedangkan StarFuel Non-fungible token meningkatkan tingkat penghasilan melalui mekanisme PoS, membentuk mekanisme insentif yang panjang dan terdiversifikasi, sehingga pengguna dapat memilih cara partisipasi yang sesuai berdasarkan sumber daya dan strategi mereka sendiri. Kombinasi kedua mekanisme ini dapat mengoptimalkan struktur distribusi pendapatan, sekaligus menyeimbangkan pentingnya sumber daya komputasi dan sumber daya ekonomi di dalam jaringan.

3.3 Kesimpulan

Dari sini terlihat bahwa Privatosea AI NetWork membangun sistem pembelajaran mesin versi jebakanenkripsi berdasarkan FHE. Berkat fitur komputasi privasi FHE, tugas komputasi dibagi ke berbagai Node komputasi (Privanetix) dalam lingkungan terdistribusi, hasilnya diverifikasi keabsahannya melalui ZKP, dan Node yang memberikan hasil komputasi diberi hadiah atau dihukum dengan mekanisme ganda PoW dan PoS untuk menjaga jaringan berjalan. Dapat dikatakan bahwa desain Privasea AI NetWork membuka jalan bagi aplikasi AI perlindungan privasi di berbagai bidang.

4、Enkripsi Homomorfik FHE-Tabir Sihir Kriptografi Baru?

Di bab sebelumnya, kita dapat melihat bahwa keamanan Privatosea AI NetWork bergantung pada FHE yang mendasarinya. Dengan terobosan teknologi dari ZAMA sebagai pemimpin dalam lintasan FHE, FHE bahkan disebut sebagai Holy Grail baru dalam kriptografi oleh para investor. Mari kita bandingkan dengan ZKP dan solusi terkait.

Setelah dibandingkan, dapat dilihat bahwa perbedaan penerapan antara ZKP dan FHE cukup besar, FHE lebih fokus pada perhitungan privasi, sementara ZKP lebih fokus pada verifikasi privasi.

Sepertinya SMC memiliki kesamaan yang lebih besar dengan FHE, konsep SMC adalah komputasi gabungan yang aman, yang memecahkan masalah privasi data individu komputer dalam komputasi bersama.

5, Keterbatasan FHE

FHE mengimplementasikan pemisahan hak pengolahan data dan kepemilikan data, sehingga mencegah kebocoran data tanpa mengganggu perhitungan. Namun, sejalan dengan itu, kecepatan komputasi menjadi berkurang.

Enkripsi adalah pisau bermata dua, meningkatkan keamanan tetapi mengorbankan kecepatan komputasi.

Dalam beberapa tahun terakhir, berbagai jenis solusi peningkatan kinerja FHE telah diajukan, beberapa berdasarkan optimasi Algoritme, beberapa mengandalkan akselerasi perangkat keras.

• Dalam hal optimasi Algoritme, skema FHE baru seperti CKKS dan metode bootstrap yang dioptimalkan secara signifikan mengurangi kebisingan naik dan biaya komputasi;
• Dalam hal akselerasi perangkat keras, GPU dan FPGA yang disesuaikan secara khusus secara signifikan meningkatkan kinerja operasi polinomial long.
• Selain itu, aplikasi dari skema enkripsi gabungan juga sedang dieksplorasi, dengan menggabungkan sebagian Enkripsi Homomorfik (PHE) dan enkripsi pencarian (SE), dapat meningkatkan efisiensi dalam skenario tertentu.

Namun, FHE masih memiliki kesenjangan yang signifikan dalam kinerjanya dibandingkan dengan perhitungan Plaintext.

6, Kesimpulan

Dengan arsitektur uniknya dan teknologi komputasi privasi yang relatif efisien, Privasea tidak hanya menyediakan lingkungan pengolahan data yang sangat aman bagi pengguna, tetapi juga membuka babak baru tentang fusi Web3 dan AI Kedalaman. Meskipun bergantung pada FHE yang memiliki kelemahan kecepatan operasi yang alami, Privasea baru-baru ini bekerja sama dengan ZAMA untuk mengatasi tantangan komputasi privasi. Di masa depan, dengan terus mengembangkan teknologi, Privasea berpotensi untuk memanfaatkan potensinya dalam bidang yang lebih luas dan menjadi penjelajah komputasi privasi dan aplikasi AI.