Privasea の詳細な解釈、顔データキャスト NFT は引き続きこのように再生できますか?

著者: Shijunjun

1. はじめに

最近、 Privaseaによって開始された 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！

このプロジェクトでは、ユーザーは 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、自分の顔データをNFTにキャストするだけです。オンチェーンの顔データ + NFT により、プロジェクトは4月末の立ち上げ以来、 20W+を超えるNFT鋳造量を獲得することができ、 その人気は明らかです。

私もとても混乱しています、なぜですか？顔データはどんなに大きくて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、プロジェクト自体とプロジェクトパーティ Privasea について調査を続けて調べましょう。

キーワード: NFT、AI、FHE (完全準同型暗号化)、DePIN

2. Web2 から Web3 へ、人間とマシンの対立は止まらない

まず、顔 NFT キャスティングの目的について説明します。プロジェクト自体、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うなら、それは完全に間違っています 。

上記のプロジェクトのアプリ名

IMHUMAN (私は人間です) は、この問題をよく説明しています。実際、このプロジェクトの目的は、顔認識によってあなたが画面の前にいるかどうかを 判断することです。それは本物の人間です。

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 2024Q1 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 トラフィックの驚くべき 42.1% を占めていることが示されています。そのうち悪意のあるトラフィックはインターネット トラフィック全体の 27.5% を占めます。 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として考えてみましょう。チケット取得のために複数の仮想アカウントを作成することで、詐欺師はチケット取得の成功確率を大幅に高めることができ、中には自動プログラムを直接導入することもあります。サービスプロバイダーのコンピュータルームでは、ほぼ遅延なくチケットを購入できます。

こうしたハイテクユーザーに対して、一般ユーザーには勝ち目はほとんどありません。

サービス プロバイダーもこの点でいくつかの努力を行っています。Web2 シナリオでは、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、およびその他の方法が導入されています。傍受は WAF ポリシーやその他の手段を通じて実行されます。

この問題は解決できますか？

もちろんそうではありません。不正行為によるメリットは大きいからです。

同時に、人間とマシンの対立は絶えず、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。

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機能を備えています。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。生物学的特徴の検出（指紋、顔認識）まで。

Web3 では、人間と機械の検出も強い需要です。

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、アカウントへのログイン、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、アカウント所有者であるため、顔認証は 2 つの選択が不可欠になります。

需要は確かですが、問題はそれをどのように実現するかです。

ご存知のとおり、Web3 の本来の目的は分散化です。Web3 で顔認識を実装する方法を議論するとき、より深い問題は実際には Web3 を AI シナリオにどのように適応させるべきかです。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しますか?

• 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すか?
• ネットワークの運用などを維持するにはどうすればよいですか？
• 3. Privasea AI Network - プライバシー コンピューティング + AI の探求 前の章の最後で述べた問題に対して、Privasea は画期的な解決策を提供しました:
Privasea は FHE (完全準同型暗号化) に基づいています。 ) 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 Privasea AI NetWork を構築しました。

FHE は、平たく言えば、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技術です 。Privasea は、従来の THE を最適化およびカプセル化し、アプリケーション層、最適化層、演算層、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 の最適化されたパッケージングは、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 1000 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のアーキテクチャから見ると:

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。

2. Privanetix ノード: ネットワーク全体の中核であり、高度な HESea ライブラリを備え、ブロックチェーンベースのインセンティブ メカニズムと統合されており、基盤となるデータとプライバシーのプライバシーを保護しながら安全かつ効率的な計算を実行できます。計算の整合性と機密性を確保します。

3. Decryptor: Privasea APIを通じて復号化された結果を取得し、結果を検証します。

4. 結果受信者: タスクの結果は、データ所有者と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: データ所有者が渡されましたPrivacy AI Network での登録プロセスを開始するために必要な認証および認可資格情報を提供します。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。同時に、データ所有者は、承認された復号者と結果の受信者も指定します。最終結果にアクセスできます。

• ステップ 3: タスク割り当て: 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。

• STEP 5：密钥切换：完成计算后，指定的 Privanetix 节点采用密钥切换技术来确保最终结果是经过授权的，并且只有指定的解密器才能访问。

• STEP 6：结果验证：完成计算后，Privanetix 节点将加密结果和相应的零知识证明传回基于区块链的智能合约以供将来验证。

• STEP 7：激励机制：跟踪 Privanetix 节点的贡献，并分配奖励

• STEP 8：结果检索：解密器利用 Privasea API 访问加密结果。他们的首要任务是验证计算的完整性，确保 Privanetix 节点按照数据所有者的意图执行了计算。

• STEP 9：结果交付：将解密结果与数据所有者预先确定的指定结果接收者共享。

在 Privasea AI NetWork 的核心工作流中，暴露给用户的是开放的API，这就使得用户只需关注入参以及相应的结果，而无需了解网络内部复杂的运算本身，不会有太多的心智负担。同时，端到端的加密在不影响数据处理的前提下，使数据本身不被外泄。

PoW && PoS 双机制叠加

Privasea 于近期推出的 WorkHeart NFT 与 StarFuel NFT 通过PoW和PoS的双重机制来进行网络节点管理与奖励发放 。 购买 WorkHeart NFT 即可拥有成为 Privanetix 节点的资格参与网络计算，并基于PoW机制获取代币收益。StarFuel NFT 是节点增益器（ 限量5000），可以与 WorkHeart 进行组合，类似PoS，向其质押的代币数量越多， WorkHeart节点的收益倍率越大。

那么，为何是PoW和PoS?

其实这个问题比较好解答。

PoW的本质是通过运算的时间成本来降低节点作恶率，维护网络的稳定。 不同于BTC的随机数验证的大量无效计算，该隐私计算网络节点的的实际工作产出（运算）可以直接与工作量机制挂钩，天然适合PoW。

而PoS又更易于平衡了经济资源。

这样一来，WorkHeart NFT 通过 PoW 机制获取收益，而 StarFuel NFT 通过 PoS 机制提高收益倍率，形成了多层次、多样化的激励机制，使得用户可以根据自身资源和策略选择适合的参与方式。两种机制的结合， 可以优化收益分配结构，平衡计算资源和经济资源在网络中的重要性。

3.3 小结

由此可见，Privatosea AI NetWork基于FHE构建了一套 加密版本的机器学习体系。得益于FHE隐私计算的特性，把计算任务分包给分布式环境下的各个运算节点（Privanetix），通过ZKP对结果进行有效性验证，并借助于PoW和PoS的双重机制对提供运算结果的节点进行奖励或者惩罚，维护网络的运行。

可以说，Privasea AI NetWork 的设计在为各个领域的隐私保护 AI 应用铺平道路。

4、FHE同态加密-新的密码学圣杯？

上个章节我们可以看到，Privatosea AI NetWork 的 安全性依赖于其底层的FHE，随着FHE赛道领头羊ZAMA在技术上的不断突破，FHE 甚至被投资者冠以新的密码学圣杯的称号，让我们把它与ZKP以及相关的解决方案进行对比。

对比下来，可以看到，ZKP与FHE两者的适用场景区别较大，FHE侧重于隐私计算，ZKP侧重于隐私验证。

而SMC似乎与FHE有着更大的重合度， SMC的概念是安全的联合计算，解决的是共同计算的计算机个体的数据隐私问题。

5、FHE的局限性

FHE实现了 数据处理权与数据所有权的分离，从而在不影响计算的情况下防止了数据泄露。但与此同时，牺牲的是运算速度。

加密如同一把双刃剑，在提升了安全性的同时，导致运算速度大打折扣。

近年来，各种类型的FHE的性能提升方案被提出，有的基于算法优化、有的依靠硬件加速。

• 算法优化方面，新的FHE方案如CKKS和优化的bootstrap方法显著减少了噪声增长和计算开销；
• 硬件加速方面，定制的GPU、FPGA等硬件显著提升了多项式运算的性能。

此外，混合加密方案的应用也在探索之中，通过结合部分同态加密（PHE）和搜索加密（SE），在特定场景下可以提升效率。

尽管如此，FHE在性能上仍与明文计算有较大差距。

6、总结

Privasea 通过其独特的架构和相对高效的隐私计算技术，不仅为用户提供了高度安全的数据处理环境，还开启了Web3与AI深度融合的新篇章。虽然其底层依赖的FHE有着天然的运算速度劣势，但是Privasea 近期与ZAMA已经达成了合作，共同攻坚隐私计算的难题。未来，随着技术上的不断突破，Privasea 有望在更多领域发挥其潜力，成为 隐私计算和AI应用的探索者。

以上がPrivasea の詳細な解釈、顔データキャスト NFT は引き続きこのように再生できますか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。