1. 소개
최근 Privasea 에서 시작한 페이스 NFT 캐스팅 프로젝트가 큰 인기를 끌었습니다!
얼핏 보기에는 매우 간단해 보입니다. 프로젝트에서 사용자는 IMHUMAN (나는 인간입니다) 모바일 애플리케이션에 자신의 얼굴을 입력하고 NFT에 얼굴 데이터를 전송할 수 있습니다. 이는 바로 체인에 업로드된 얼굴 데이터입니다. NFT 의 결합으로 프로젝트는 4월 말 출시 이후 20W+ NFT 캐스팅 볼륨을 확보할 수 있게 되었으며 인기는 분명합니다.
나도 매우 혼란스러워요. 왜죠? 얼굴 데이터가 크더라도 블록체인에 업로드할 수 있나요? 내 얼굴 정보가 도난당하나요? 프리바씨는 무엇을 하나요?
잠깐만요, 프로젝트 자체와 프로젝트 당사자인 Privasea를 계속 연구하여 알아봅시다.
키워드: NFT, AI, FHE(완전 동형 암호화), DePIN
2. Web2에서 Web3까지 - 인간과 기계의 대결은 멈추지 않습니다
먼저, 얼굴 NFT 캐스팅 프로젝트 자체의 목적을 설명하겠습니다. 이 프로젝트가 단순히 얼굴 데이터를 NFT로 캐스팅하는 것이라고 생각한다면 완전히 틀린 것입니다 .
위에서 언급한 프로젝트의 앱 이름인 IMHUMAN(나는 인간입니다)은 이미 이 문제를 잘 보여줍니다. 실제로 이 프로젝트는 얼굴 인식을 사용하여 화면 앞에 있는 실제 사람인지 확인하는 것을 목표로 합니다.
우선 인간-기계 인식이 왜 필요한가?
Akamai가 제공한 2024년 1분기 보고서(부록 참조)에 따르면 Bot(사람이 보내는 HTTP 요청 및 기타 작업을 시뮬레이션할 수 있는 자동화된 프로그램)는 놀랍게도 인터넷 트래픽의 42.1%를 차지하며, 이 중 악성 트래픽이 전체 인터넷 트래픽의 27.5%를 차지합니다. 전체 인터넷 트래픽.
악성 봇은 중앙 집중식 서비스 제공업체에 대한 응답 지연이나 다운타임과 같은 치명적인 결과를 초래하여 실제 사용자의 사용자 경험에 영향을 미칠 수 있습니다.
티켓 잡기 시나리오를 예로 들어 보겠습니다. 사기꾼은 티켓을 잡기 위해 여러 개의 가상 계정을 만들어 티켓을 획득할 확률을 크게 높일 수 있습니다. 또한 서비스 제공업체의 컴퓨터실 바로 옆에 자동화된 프로그램을 배포하여 거의 모든 목표를 달성할 수도 있습니다. 0% 성공. 티켓 구매가 지연되었습니다.
일반 사용자는 이러한 첨단 기술을 사용하는 사용자를 만나면 승리할 가능성이 거의 없습니다.
이와 관련하여 서비스 제공업체도 Web2 시나리오에서 인간과 기계를 구별하기 위해 실명 인증, 행동 확인 코드 및 기타 방법을 도입했으며, 기능 필터링 및 차단 기능을 수행했습니다. WAF 정책 및 기타 수단을 통해.
이것으로 문제가 해결될까요?
분명히 그렇지 않습니다. 부정 행위의 이점이 엄청나기 때문입니다.
동시에 인간과 기계 사이의 대결은 계속되고 있으며 사기꾼과 테스터 모두 끊임없이 무기고를 업그레이드하고 있습니다.
사기꾼을 예로 들면, 최근 AI의 급속한 발전을 활용하여 클라이언트의 행동 검증 코드는 다양한 시각적 모델을 통해 거의 차원적으로 축소되었으며 심지어 인간보다 더 빠르고 정확한 인식 기능을 갖추고 있습니다. 이로 인해 검증자는 수동적으로 업그레이드하여 초기 사용자 행동 특징 감지(이미지 확인 코드)에서 생체 인식 기능 감지(지각적 확인: 클라이언트 환경 모니터링, 장치 지문 등)로 점진적으로 전환합니다. 일부 고위험 작업에는 업그레이드가 필요할 수 있습니다. 생물학적 특징 감지(지문, 얼굴 인식)까지.
Web3의 경우 인간-기계 감지도 강력한 요구 사항입니다.
일부 프로젝트 에어드랍의 경우 사기꾼이 여러 개의 가짜 계정을 만들어 마녀 공격을 시작할 수 있습니다. 이때 실제 인물을 식별해야 합니다.
Web3의 재정적 특성으로 인해 계정 로그인, 화폐 인출, 거래, 이체 등 일부 고위험 작업의 경우 실제 사람이 사용자를 확인해야 할 뿐만 아니라 계정 소유자도 확인해야 합니다. 그래서 얼굴 인식이 최선의 선택이 되었습니다.
수요는 정해져 있지만, 그것을 어떻게 실현할 것인가가 문제이다.
우리 모두 알고 있듯이 분산화는 Web3의 원래 의도입니다. Web3에서 얼굴 인식을 구현하는 방법을 논의할 때 실제로 Web3가 AI 시나리오에 어떻게 적응해야 하는지에 대한 더 깊은 질문이 있습니다.
분산형 머신러닝 컴퓨팅 네트워크를 어떻게 구축해야 할까요?
사용자 데이터의 개인 정보가 유출되지 않도록 하려면 어떻게 해야 합니까?
네트워크 등의 운영을 유지하는 방법은 무엇입니까?
3. Privasea AI NetWork - 프라이빗 컴퓨팅 + AI 탐색
이전 장의 끝 부분에서 언급한 문제에 대해 Privasea는 획기적인 솔루션을 제시했습니다. Privasea는 Web3에서 AI 시나리오의 개인 정보 보호 컴퓨팅 문제를 해결하기 위해 FHE(Fully Homomorphic Encryption) 기반의 Privasea AI NetWork를 구축했습니다.
일반인의 관점에서 FHE는 일반 텍스트와 암호 텍스트에 대한 동일한 작업 결과가 일관되도록 보장하는 암호화 기술 입니다.
Privasea는 애플리케이션 계층, 최적화 계층, 산술 계층 및 원본 계층으로 구분된 전통적인 THE를 최적화하고 캡슐화하여 HESea 라이브러리를 구성하여 이를 기계 학습 시나리오에 적용합니다. 다음은 각 계층을 담당하는 특정 기능입니다.
Privasea는 계층화된 구조를 통해 각 사용자의 고유한 요구 사항을 충족하기 위해 보다 구체적이고 맞춤화된 솔루션을 제공합니다.
Privasea의 최적화 패키징은 주로 애플리케이션 계층과 최적화 계층에 중점을 두고 있으며, 다른 동형 라이브러리의 기본 솔루션과 비교하여 이러한 맞춤형 계산은 1000배 이상의 가속화를 제공할 수 있습니다.
3.1 Privasea AI Network의 네트워크 아키텍처
Privasea AI NetWork 아키텍처로 판단하면 다음과 같습니다.
네트워크에는 데이터 소유자, Privanetix 노드, 암호 해독기 및 결과 수신자 총 4가지 역할이 있습니다.
데이터 소유자: Privasea API를 통해 작업과 데이터를 안전하게 제출하는 데 사용됩니다.
Privanetix 노드: 전체 네트워크의 핵심이며 고급 HESea 라이브러리를 갖추고 있으며 블록체인 기반 인센티브 메커니즘을 통합하여 안전하고 효율적인 계산을 수행하는 동시에 기본 데이터의 개인 정보를 보호하고 계산의 무결성과 기밀성을 보장합니다.
Decryptor: Privasea API를 통해 복호화된 결과를 얻고 결과를 확인합니다.
결과 수신자: 작업 결과는 데이터 소유자와 작업 발행자가 지정한 사람에게 반환됩니다.
3.2 Privasea AI NetWork의 핵심 워크플로우
다음은 Privasea AI NetWork의 일반적인 워크플로 다이어그램입니다.
1단계: 사용자 등록: 데이터 소유자는 필요한 인증 및 권한 부여 자격 증명을 제공하여 개인 정보 보호 AI 네트워크에서 등록 프로세스를 시작합니다. 이 단계에서는 승인된 사용자만 시스템에 액세스하고 네트워크 활동에 참여할 수 있도록 합니다.
2단계: 작업 제출 : 계산 작업 및 입력 데이터를 제출합니다. 데이터는 HEsea 라이브러리에 의해 암호화됩니다. 동시에 데이터 소유자는 최종 결과에 액세스할 수 있는 승인된 암호 해독기와 결과 수신자를 지정합니다.
3단계: 작업 할당 : 네트워크에 배포된 블록체인 기반 스마트 계약은 가용성과 기능을 기반으로 적절한 Privanetix 노드에 컴퓨팅 작업을 할당합니다. 이러한 동적 할당 프로세스는 컴퓨팅 작업의 효율적인 리소스 할당 및 배포를 보장합니다.
4단계: 암호화된 계산 : 지정된 Privanetix 노드는 암호화된 데이터를 수신하고 HESea 라이브러리를 사용하여 계산을 수행합니다. 이러한 계산은 민감한 데이터를 해독하지 않고도 수행할 수 있으므로 기밀성이 유지됩니다. 계산의 무결성을 추가로 확인하기 위해 Privanetix 노드는 이러한 단계에 대한 영지식 증명을 생성합니다.
5단계: 키 전환 : 계산이 완료된 후 지정된 Privanetix 노드는 키 전환 기술을 사용하여 최종 결과가 승인되고 지정된 암호 해독자만 액세스할 수 있는지 확인합니다.
6단계: 결과 검증 : 계산이 완료된 후 Privanetix 노드는 향후 검증을 위해 암호화된 결과와 해당 영지식 증명을 블록체인 기반 스마트 계약으로 다시 전송합니다.
7단계: 인센티브 메커니즘 : Privanetix 노드의 기여도를 추적하고 보상을 분배합니다.
8단계: 결과 검색 : 암호 해독기는 Privasea API를 사용하여 암호화 결과에 액세스합니다. 이들의 최우선 순위는 계산의 무결성을 확인하고 Privanetix 노드가 데이터 소유자가 의도한 대로 계산을 수행했는지 확인하는 것입니다.
9단계: 결과 전달 : 복호화된 결과를 데이터 소유자가 미리 정한 지정된 결과 수신자와 공유합니다.
Privasea AI NetWork의 핵심 워크플로우에서 사용자에게 노출되는 것은 개방형 API입니다. 이를 통해 사용자는 네트워크 자체 내의 복잡한 작업을 이해하지 않고도 입력 매개변수와 해당 결과에만 주의를 기울일 수 있습니다. . 부담. 동시에, 엔드투엔드 암호화는 데이터 처리에 영향을 주지 않고 데이터 자체가 유출되는 것을 방지합니다.
PoW PoS 이중 메커니즘 중첩
Privasea가 최근 출시한 WorkHeart NFT와 StarFuel NFT는 PoW와 PoS의 이중 메커니즘을 사용하여 네트워크 노드를 관리하고 보상을 발행합니다. WorkHeart NFT를 구매하면 Privanetix 노드가 되고, 네트워크 컴퓨팅에 참여하고, PoW 메커니즘을 기반으로 토큰 수입을 얻을 수 있는 자격이 부여됩니다. StarFuel NFT는 WorkHeart와 결합할 수 있는 노드 이득자(5,000개로 제한)입니다. PoS와 마찬가지로 더 많은 토큰을 약속할수록 WorkHeart 노드의 수익 배율이 더 커집니다.
그렇다면 PoW와 PoS가 필요한 이유는 무엇일까요?
사실 이 질문은 대답하기가 더 쉽습니다.
PoW의 본질은 계산에 소요되는 시간 비용을 통해 노드 악율을 줄이고 네트워크의 안정성을 유지하는 것입니다. BTC의 난수 검증에서 다수의 유효하지 않은 계산과 달리, 이 개인 정보 보호 컴퓨팅 네트워크 노드의 실제 작업 출력(작업)은 작업 부하 메커니즘에 직접 연결될 수 있으며 이는 당연히 PoW에 적합합니다.
PoS를 사용하면 경제적 자원의 균형을 더 쉽게 맞출 수 있습니다.
이러한 방식으로 WorkHeart NFT는 PoW 메커니즘을 통해 수익을 얻는 반면, StarFuel NFT는 PoS 메커니즘을 통해 수익 배수를 증가시켜 다단계 및 다양한 인센티브 메커니즘을 형성하여 사용자가 자신의 자원과 전략에 따라 적절한 참여 방법을 선택할 수 있도록 합니다. 두 가지 메커니즘을 결합하면 수익 분배 구조를 최적화하고 네트워크에서 컴퓨팅 리소스와 경제적 리소스의 중요성 사이의 균형을 맞출 수 있습니다.
3.3 요약
Privatosea AI NetWork가 FHE를 기반으로 암호화된 버전의 머신러닝 시스템을 구축한 것을 볼 수 있습니다. FHE 프라이버시 컴퓨팅의 특성으로 인해 컴퓨팅 작업은 분산 환경에서 다양한 컴퓨팅 노드(Privanetix)에 하도급되고, 결과의 유효성은 ZKP를 통해 검증되며, PoW와 PoS의 이중 메커니즘을 사용하여 결과를 검증합니다. . 노드는 네트워크 운영을 유지하기 위해 보상하거나 처벌합니다. Privasea AI NetWork의 설계는 다양한 분야에서 개인정보를 보호하는 AI 애플리케이션을 위한 길을 닦고 있다고 할 수 있습니다.
4. FHE 동형암호 - 암호학의 새로운 성배?
이전 장에서 볼 수 있듯이 Privatosea AI NetWork의 보안은 기본 FHE에 의존합니다. FHE 트랙의 선두주자인 ZAMA의 지속적인 기술 혁신으로 FHE는 투자자들로부터 암호화폐의 새로운 성배로 불리기도 했습니다. , ZKP 및 관련 솔루션과 비교해 보겠습니다.
이에 비해 ZKP와 FHE의 적용 가능한 시나리오는 상당히 다르다는 것을 알 수 있습니다. FHE는 개인 정보 보호 계산에 중점을 두는 반면 ZKP는 개인 정보 확인에 중점을 둡니다.
SMC는 FHE와 더 많이 겹치는 것 같습니다. SMC의 개념은 공동 계산을 수행하는 개별 컴퓨터의 데이터 프라이버시 문제를 해결하는 보안 공동 컴퓨팅입니다.
5. FHE의 한계
FHE는 데이터 처리 권한과 데이터 소유권을 분리 하여 컴퓨팅에 영향을 주지 않고 데이터 유출을 방지합니다. 그러나 동시에 컴퓨팅 속도도 희생됩니다.
암호화는 양날의 검과 같습니다. 보안을 향상시키는 동시에 컴퓨팅 속도를 크게 저하시킵니다.
최근 몇 년 동안 다양한 유형의 FHE 성능 개선 솔루션이 제안되었으며, 일부는 알고리즘 최적화를 기반으로 하고 일부는 하드웨어 가속에 의존합니다.
알고리즘 최적화 측면에서 CKKS 및 최적화된 부트스트랩 방법과 같은 새로운 FHE 방식은 잡음 증가와 계산 오버헤드를 크게 줄입니다.
하드웨어 가속 측면에서 맞춤형 GPU, FPGA 및 기타 하드웨어는 다항식 연산 성능을 크게 향상시켰습니다.
또한, 부분 동형 암호화(PHE)와 검색 암호화(SE)를 결합하면 특정 시나리오에서 효율성을 향상시킬 수 있는 하이브리드 암호화 방식의 적용도 모색되고 있습니다.
그럼에도 불구하고 FHE와 일반 텍스트 계산 사이에는 여전히 큰 성능 차이가 있습니다.
6. 요약
Privasea는 고유한 아키텍처와 상대적으로 효율적인 개인 정보 보호 컴퓨팅 기술을 통해 사용자에게 매우 안전한 데이터 처리 환경을 제공할 뿐만 아니라 Web3와 AI의 심층 통합에서 새로운 장을 엽니다. 기반이 되는 기본 FHE에는 자연스러운 컴퓨팅 속도 단점이 있지만 Privasea는 최근 ZAMA와 협력하여 개인 정보 보호 컴퓨팅 문제를 공동으로 해결했습니다. 앞으로 Privasea는 지속적인 기술 혁신을 통해 더 많은 분야에서 잠재력을 발휘하고 개인 정보 보호 컴퓨팅 및 AI 애플리케이션의 탐험가가 될 것으로 예상됩니다.
