Trong thế giới số, công nghệ mã hóa bảo vệ quyền riêng tư dữ liệu cá nhân như thế nào?

Tiêu đề gốc: Dữ liệu của tôi không phải của tôi: Các lớp bảo mật
Tác giả gốc: Defi0xJeff, trưởng phòng steak studio
Người dịch gốc: zhouzhou, BlockBeats

Ghi chú của biên tập viên: Bài viết này tập trung vào nhiều công nghệ giúp tăng cường quyền riêng tư và bảo mật, bao gồm bằng chứng không kiến thức (ZKP), môi trường thực thi đáng tin cậy (TEE), mã hóa đồng hình hoàn toàn (FHE), v.v. Bài viết giới thiệu ứng dụng của các công nghệ này trong AI và xử lý dữ liệu, cách bảo vệ quyền riêng tư của người dùng, ngăn chặn rò rỉ dữ liệu và cải thiện bảo mật hệ thống. Bài viết cũng đề cập đến một số trường hợp như Earnifi, Opacity và MindV, cho thấy cách thức sử dụng các công nghệ này để đạt được mục tiêu bỏ phiếu không rủi ro, xử lý mã hóa dữ liệu, v.v., nhưng đồng thời, các công nghệ này cũng phải đối mặt với nhiều thách thức như vấn đề về chi phí tính toán và độ trễ.

Sau đây là nội dung gốc (nội dung gốc đã được tổ chức lại để đọc và hiểu dễ dàng hơn:

Vụ bê bối phân tích cầu nối. p style = "Text-Align: Center;">

GDPR của Châu Âu, CCPA của California và các quy định trong các phần khác trên thế giới đã đưa ra quyền riêng tư dữ liệu không chỉ là một vấn đề đạo đức, mà là Trong khi cải thiện khả năng bảo vệ quyền riêng tư, nó cũng làm phức tạp thêm lĩnh vực quyền riêng tư và khả năng xác minh. Ví dụ, trong khi AI có thể giúp phát hiện các hoạt động gian lận, nó cũng cho phép công nghệ "làm giả sâu", khiến việc xác minh tính xác thực của nội dung kỹ thuật số trở nên khó khăn hơn.

Ưu điểm

·Học máy bảo vệ quyền riêng tư: Học liên bang cho phép các mô hình AI được đào tạo trực tiếp trên thiết bị mà không cần tập trung dữ liệu nhạy cảm, do đó bảo vệ quyền riêng tư của người dùng.

·AI có thể được sử dụng để ẩn danh hoặc đặt tên giả cho dữ liệu, khiến việc truy tìm dữ liệu trở lại một cá nhân trở nên khó khăn, trong khi vẫn được sử dụng để phân tích.

·AI sẽ đóng vai trò quan trọng trong việc phát triển các công cụ phát hiện và giảm thiểu sự lây lan của deepfake, do đó đảm bảo khả năng xác minh nội dung kỹ thuật số (và phát hiện/xác minh tính xác thực của tác nhân AI).

·AI có thể tự động đảm bảo rằng các hoạt động xử lý dữ liệu tuân thủ các tiêu chuẩn pháp lý, giúp quá trình xác minh có khả năng mở rộng hơn.

Thách thức

·Các hệ thống AI thường yêu cầu các tập dữ liệu lớn để hoạt động hiệu quả, nhưng cách dữ liệu đó được sử dụng, lưu trữ và truy cập có thể không rõ ràng, làm dấy lên lo ngại về quyền riêng tư.

· Với đủ dữ liệu và các kỹ thuật AI tiên tiến, có thể xác định lại danh tính cá nhân từ các tập dữ liệu cần được ẩn danh, qua đó làm suy yếu các biện pháp bảo vệ quyền riêng tư.

· Vì AI có thể tạo ra văn bản, hình ảnh hoặc video có độ chân thực cao nên việc phân biệt giữa nội dung thực và nội dung do AI tạo ra trở nên khó khăn hơn, gây thách thức trong việc xác minh.

· Các mô hình AI có thể bị lừa dối hoặc thao túng (các cuộc tấn công đối nghịch), làm suy yếu khả năng xác minh dữ liệu hoặc tính toàn vẹn của chính hệ thống AI (như đã thấy trong Freysa, Jailbreak, v.v.).

Những thách thức này đang thúc đẩy sự phát triển nhanh chóng của các công nghệ AI, blockchain, khả năng xác minh và quyền riêng tư, tận dụng thế mạnh của từng công nghệ. Chúng ta đã chứng kiến sự gia tăng của: · Bằng chứng không kiến thức (ZKP) · Bảo mật lớp truyền tải không kiến thức (zkTLS) · Môi trường thực thi đáng tin cậy (TEE) · Mã hóa đồng hình hoàn toàn (FHE) 1. Bằng chứng không kiến thức (ZKP) · Bảo mật lớp truyền tải không kiến thức (zkTLS) ZKP cho phép một bên chứng minh với bên kia rằng họ biết thông tin nhất định hoặc một tuyên bố là đúng, mà không tiết lộ bất kỳ thông tin nào ngoài chính bằng chứng. AI có thể sử dụng điều này để chứng minh rằng việc xử lý dữ liệu hoặc các quyết định đáp ứng các tiêu chuẩn nhất định mà không cần tiết lộ dữ liệu đó. Một nghiên cứu điển hình là getgrass.io, sử dụng băng thông internet nhàn rỗi để thu thập và sắp xếp dữ liệu web công khai nhằm đào tạo các mô hình AI.

Grass Network cho phép người dùng đóng góp băng thông Internet nhàn rỗi của họ thông qua tiện ích mở rộng hoặc ứng dụng của trình duyệt, được sử dụng để thu thập dữ liệu web công khai và sau đó xử lý thành các tập dữ liệu có cấu trúc phù hợp để đào tạo AI. Mạng thực hiện quá trình thu thập dữ liệu web này thông qua các nút do người dùng điều hành.

Grass Network nhấn mạnh vào quyền riêng tư của người dùng và chỉ thu thập dữ liệu công khai, không phải thông tin cá nhân. Nó sử dụng bằng chứng không kiến thức để xác minh và bảo vệ tính toàn vẹn và nguồn gốc của dữ liệu, ngăn ngừa hỏng dữ liệu và đảm bảo tính minh bạch. Mọi dữ liệu thu thập được cho đến các giao dịch được xử lý đều được quản lý thông qua tổng hợp dữ liệu có chủ quyền trên blockchain Solana.

Một nghiên cứu điển hình khác là zkme.

Giải pháp zkKYC của zkMe giải quyết những thách thức trong việc thực hiện quy trình KYC (Biết khách hàng của bạn) theo cách bảo vệ quyền riêng tư. Bằng cách tận dụng bằng chứng không kiến thức, zkKYC cho phép các nền tảng xác minh danh tính người dùng mà không tiết lộ thông tin cá nhân nhạy cảm, do đó bảo vệ quyền riêng tư của người dùng trong khi vẫn tuân thủ quy định.

2.zkTLS

TLS = Một giao thức bảo mật chuẩn cung cấp quyền riêng tư và tính toàn vẹn dữ liệu giữa hai ứng dụng đang giao tiếp (thường được liên kết với chữ "s" trong HTTPS). zk + TLS = cải thiện quyền riêng tư và bảo mật trong quá trình truyền dữ liệu.

Một nghiên cứu điển hình là OpacityNetwork.

Opacity sử dụng zkTLS để cung cấp các giải pháp lưu trữ dữ liệu an toàn và riêng tư. Bằng cách tích hợp zkTLS, Opacity đảm bảo rằng việc truyền dữ liệu giữa người dùng và máy chủ lưu trữ vẫn được bảo mật và không bị giả mạo, do đó giải quyết các vấn đề về quyền riêng tư vốn có trong các dịch vụ lưu trữ đám mây truyền thống.

Trường hợp sử dụng — Quyền truy cập ứng trước tiền lương Earnifi là một ứng dụng được cho là đã leo lên vị trí đầu bảng xếp hạng của cửa hàng ứng dụng, đặc biệt là trong danh mục tài chính, tận dụng zkTLS của OpacityNetwork.

· Quyền riêng tư: Người dùng có thể cung cấp cho bên cho vay hoặc các dịch vụ khác thông tin về thu nhập hoặc tình trạng việc làm của mình mà không tiết lộ thông tin ngân hàng nhạy cảm hoặc dữ liệu cá nhân, chẳng hạn như sao kê ngân hàng.

· Bảo mật: Việc sử dụng zkTLS đảm bảo các giao dịch này được an toàn, xác thực và vẫn giữ được tính riêng tư. Nó giúp người dùng không cần phải giao phó toàn bộ dữ liệu tài chính của mình cho bên thứ ba.

· Hiệu quả: Hệ thống giúp giảm chi phí và sự phức tạp liên quan đến các nền tảng tiếp cận ứng trước tiền lương truyền thống, vốn có thể yêu cầu các quy trình xác minh cồng kềnh hoặc chia sẻ dữ liệu.

3.TEE

Môi trường thực thi đáng tin cậy (TEE) cung cấp khả năng cô lập được thực thi bằng phần cứng giữa môi trường thực thi bình thường và môi trường thực thi an toàn. Đây có lẽ là triển khai an toàn nổi tiếng nhất trong các tác nhân AI hiện nay để đảm bảo rằng chúng là các tác nhân hoàn toàn tự động. Được phổ biến bởi thử nghiệm tee aipool của 123skely: một sự kiện bán trước TEE trong đó cộng đồng gửi tiền cho các đại lý, những người tự động phát hành mã thông báo theo các quy tắc được xác định trước.

PhalaNetwork của marvin tong: Bảo vệ MEV, tích hợp ElizaOS của ai16zdao và Agent Kira như một tác nhân AI tự động có thể xác minh.

Triển khai TEE chỉ bằng một cú nhấp chuột của fleek: tập trung vào việc đơn giản hóa việc sử dụng và cải thiện khả năng truy cập của nhà phát triển.

4.FHE (Mã hóa đồng hình hoàn toàn)

Một dạng mã hóa cho phép thực hiện tính toán trực tiếp trên dữ liệu được mã hóa mà không cần giải mã dữ liệu trước.

Một nghiên cứu điển hình là mindnetwork xyz và công nghệ/trường hợp sử dụng FHE độc quyền của họ.

Trường hợp sử dụng—Lớp thế chấp lớn FHE và Biểu quyết không rủi ro

Lớp thế chấp lớn FHE
Bằng cách sử dụng FHE, các tài sản được thế chấp lớn vẫn được mã hóa, nghĩa là khóa riêng không bao giờ bị lộ, giúp giảm đáng kể rủi ro bảo mật. Điều này đảm bảo quyền riêng tư đồng thời xác minh giao dịch.

Biểu quyết không rủi ro (MindV)
Biểu quyết quản trị được thực hiện trên dữ liệu được mã hóa, đảm bảo rằng các lá phiếu vẫn được giữ riêng tư và an toàn, giảm nguy cơ bị ép buộc hoặc hối lộ. Người dùng có được quyền biểu quyết (vFHE) bằng cách nắm giữ tài sản có giá trị lớn, do đó tách biệt hoạt động quản trị khỏi việc tiếp xúc trực tiếp với tài sản.

FHE + TEE
Bằng cách kết hợp TEE và FHE, chúng tạo ra một lớp bảo mật mạnh mẽ để xử lý AI:

· TEE bảo vệ các hoạt động trong môi trường điện toán khỏi các mối đe dọa bên ngoài.

·FHE đảm bảo rằng các hoạt động luôn được thực hiện trên dữ liệu được mã hóa trong suốt quá trình.

Đối với các tổ chức xử lý các giao dịch trị giá từ 100 triệu đô la đến hơn 1 tỷ đô la, quyền riêng tư và bảo mật rất quan trọng để ngăn chặn việc chạy trước, tấn công hoặc tiết lộ các chiến lược giao dịch.

Đối với các tác nhân AI, mã hóa kép này tăng cường quyền riêng tư và bảo mật, khiến nó rất hữu ích trong các lĩnh vực sau:

· Quyền riêng tư của dữ liệu đào tạo nhạy cảm

· Bảo vệ trọng số mô hình nội bộ (ngăn chặn kỹ thuật đảo ngược/trộm cắp IP)

· Bảo vệ dữ liệu người dùng

Thách thức chính của FHE vẫn là chi phí cao do cường độ tính toán của nó, dẫn đến tăng mức tiêu thụ năng lượng và độ trễ. Nghiên cứu hiện tại đang khám phá các phương pháp như tăng tốc phần cứng, kỹ thuật mã hóa lai và tối ưu hóa thuật toán để giảm gánh nặng tính toán và cải thiện hiệu quả. Do đó, FHE phù hợp nhất cho các ứng dụng có độ trễ cao, tính toán thấp.

Tóm tắt

·FHE = hoạt động trên dữ liệu được mã hóa mà không giải mã (bảo vệ quyền riêng tư mạnh nhất, nhưng tốn kém nhất)

·TEE = thực thi an toàn trong phần cứng, môi trường biệt lập (cân bằng giữa bảo mật và hiệu suất)

·ZKP = chứng minh các tuyên bố hoặc xác thực danh tính mà không tiết lộ dữ liệu cơ bản (tốt cho việc chứng minh sự thật/thông tin xác thực)

Đây là một chủ đề rộng, vì vậy đây không phải là kết thúc. Một câu hỏi quan trọng vẫn còn đó: trong thời đại công nghệ deepfake ngày càng tinh vi, làm thế nào chúng ta có thể đảm bảo rằng các cơ chế xác minh do AI điều khiển thực sự đáng tin cậy? Trong phần ba, chúng ta sẽ đi sâu hơn vào:

· Các lớp có thể xác minh

· Vai trò của AI trong việc xác minh tính toàn vẹn của dữ liệu

· Tương lai của quyền riêng tư và bảo mật

「Liên kết gốc」