Med den udbredte opmærksomhed og potentielle anvendelser af blockchain- og kunstig intelligens-teknologier, får de privatlivsbeskyttelsesteknikker, der opstår som et direkte resultat af integrationen af ​​de to teknologier, bemærkelsesværdig betydning. Disse teknikker til beskyttelse af privatlivets fred beskytter ikke kun enkeltpersoners privatliv, men de garanterer også pålideligheden og sikkerheden af ​​dataene. 

I denne artikel vil vi tale om, hvordan samarbejdet mellem AI og blockchain afføder adskillige privatlivsbeskyttelsesteknikker og deres anvendelse i forskellige vertikaler, herunder afidentifikation, datakryptering, k-anonymitet og multi-tier distributed ledger-metoder. Desuden vil vi også forsøge at analysere manglerne sammen med deres faktiske årsag og tilbyde løsninger i overensstemmelse hermed. 

Blockchain, kunstig intelligens og deres integration

Blockchain-netværket blev først introduceret til verden, da Nakamoto i 2008 introducerede Bitcoin, en kryptovaluta bygget på blockchain-netværket. Lige siden introduktionen har blockchain vundet meget popularitet, især i de sidste par år. Den værdi, hvormed Bitcoin handler i dag, og det at krydse markedsværdien på billioner dollars indikerer, at blockchain har potentialet til at generere betydelige indtægter og overskud til industrien. 

Blockchain-teknologi kan primært kategoriseres ud fra det niveau af tilgængelighed og kontrol, de tilbyder, med Offentlig, privat og fødereret er de tre hovedtyper af blockchain-teknologier. Populære kryptovalutaer og blockchain-arkitekturer som Bitcoin og Ethereum er offentlige blockchain-tilbud, da de er decentraliserede af natur, og de tillader noder at komme ind eller ud af netværket frit, og dermed fremmer maksimal decentralisering. 

Den følgende figur viser strukturen af ​​Ethereum, da den bruger en sammenkædet liste til at etablere forbindelser mellem forskellige blokke. Blokkens overskrift gemmer hash-adressen for den foregående blok for at etablere en forbindelse mellem de to på hinanden følgende blokke. 

Udviklingen og implementeringen af ​​blockchain-teknologien følges med legitime sikkerheds- og privatlivsproblemer på forskellige områder, som ikke kan overses. For eksempel kan et databrud i den finansielle industri resultere i store tab, mens et brud i militær- eller sundhedssystemer kan være katastrofalt. For at forhindre disse scenarier har beskyttelse af data, brugeraktiver og identitetsoplysninger været et stort fokus for blockchain-sikkerhedsforskningssamfundet, da det for at sikre udviklingen af ​​blockchain-teknologien er vigtigt at opretholde dens sikkerhed. 

Ethereum er en decentraliseret blockchain-platform, der opretholder en delt hovedbog af information i samarbejde ved hjælp af flere noder. Hver node i Ethereum-netværket gør brug af EVM eller Ethereum Vector Machine til at kompilere smarte kontrakter og lette kommunikationen mellem noder, der opstår via et P2P- eller peer-to-peer-netværk. Hver node på Ethereum-netværket er forsynet med unikke funktioner og tilladelser, selvom alle noderne kan bruges til at indsamle transaktioner og deltage i blokmining. Desuden er det værd at bemærke, at sammenlignet med Bitcoin, viser Ethereum hurtigere blokgenereringshastigheder med et forspring på næsten 15 sekunder. Det betyder, at kryptominearbejdere har en bedre chance for at opnå belønninger hurtigere, mens intervaltiden til at verificere transaktioner reduceres betydeligt. 

På den anden side er AI eller Artificial Intelligence en gren i moderne videnskab, der fokuserer på at udvikle maskiner, der er i stand til at træffe beslutninger, og som kan simulere autonom tænkning, der kan sammenlignes med et menneskes evner. Kunstig intelligens er en meget stor gren i sig selv med adskillige underområder, herunder dyb læring, computersyn, naturlig sprogbehandling og mere. Især NLP har været et underområde, der har været stærkt fokuseret i de sidste par år, hvilket har resulteret i udviklingen af ​​nogle førsteklasses LLM'er som GPT og BERT. NLP er på vej mod næsten perfektion, og det sidste trin i NLP er at behandle teksttransformationer, der kan gøre computere forståelige, og nyere modeller som ChatGPT bygget på GPT-4 indikerede, at forskningen er på vej i den rigtige retning. 

Et andet underområde, der er ret populært blandt AI-udviklere, er deep learning, en AI-teknik, der virker ved at efterligne neuronernes struktur. I en konventionel deep learning-ramme behandles den eksterne inputinformation lag for lag ved at træne hierarkiske netværksstrukturer, og den videregives derefter til et skjult lag til endelig repræsentation. Dybe læringsrammer kan opdeles i to kategorier: Superviseret læring og uovervåget læring. 

Ovenstående billede viser arkitekturen af ​​deep learning perceptron, og som det kan ses på billedet, anvender en deep learning-ramme en neural netværksarkitektur på flere niveauer til at lære funktionerne i dataene. Det neurale netværk består af tre typer lag, herunder det skjulte lag, input betaleren og outputlaget. Hvert perceptronlag i rammen er forbundet med det næste lag for at danne en dyb læringsramme. 

Endelig har vi integrationen af ​​blockchain og kunstig intelligens-teknologier, da disse to teknologier anvendes på tværs af forskellige industrier og domæner med en stigning i bekymringen vedrørende cybersikkerhed, datasikkerhed og beskyttelse af privatlivets fred. Applikationer, der sigter mod at integrere blockchain og kunstig intelligens, viser integrationen i følgende aspekter. 

• Brug af blockchain-teknologi til at registrere og gemme træningsdata, input og output af modellerne og parametre, hvilket sikrer ansvarlighed og gennemsigtighed i modelrevisioner. 
• Brug af blockchain-rammer til at implementere AI-modeller for at opnå decentraliseringstjenester blandt modeller og forbedre skalerbarheden og stabiliteten af ​​systemet. 
• Giver sikker adgang til eksterne AI-data og -modeller ved hjælp af decentrale systemer og gør det muligt for blockchain-netværk at erhverve ekstern information, der er pålidelig. 
• Brug af blockchain-baserede tokendesigns og incitamentsmekanismer til at etablere forbindelser og pålidelige interaktioner mellem brugere og AI-modeludviklere. 

Privatlivsbeskyttelse gennem integration af Blockchain og AI-teknologier 

I det nuværende scenarie har datatillidssystemer visse begrænsninger, der kompromitterer pålideligheden af ​​datatransmissionen. For at udfordre disse begrænsninger kan blockchain-teknologier implementeres for at etablere en pålidelig og sikker datadelings- og lagringsløsning, der tilbyder privatlivsbeskyttelse og forbedrer datasikkerheden. Nogle af applikationerne af blockchain i AI beskyttelse af privatlivets fred er nævnt i følgende tabel. 

Ved at forbedre implementeringen og integrationen af ​​disse teknologier kan beskyttelseskapaciteten og sikkerheden af ​​nuværende datatillidssystemer øges markant. 

Datakryptering

Traditionelt har metoder til datadeling og datalagring været sårbare over for sikkerhedstrusler, fordi de er afhængige af centraliserede servere, der gør dem til et let identificerbart mål for angribere. Sårbarheden af ​​disse metoder giver anledning til alvorlige komplikationer såsom datamanipulation og datalæk, og i betragtning af de nuværende sikkerhedskrav er krypteringsmetoder alene ikke tilstrækkelige til at sikre dataens sikkerhed og sikkerhed, hvilket er hovedårsagen bag fremkomsten af teknologier til beskyttelse af privatlivets fred baseret på integration af kunstig intelligens og blockchain. 

Lad os tage et kig på en blockchain-baseret privatlivsbevarende fødereret læringsordning, der har til formål at forbedre Multi-Krum-teknikken og kombinere den med homomorf kryptering for at opnå modelfiltrering på chiffertekstniveau og modelaggregering, der kan verificere lokale modeller og samtidig bevare privatlivsbeskyttelse. Paillier homomorfe krypteringsteknikken bruges i denne metode til at kryptere modelopdateringer og dermed give yderligere beskyttelse af privatlivets fred. Paillier-algoritmen fungerer som vist. 

Afidentifikation

De-identifikation er en metode, der almindeligvis bruges til at anonymisere personlige identifikationsoplysninger om en bruger i dataene ved at adskille dataene fra dataidentifikatorerne og dermed reducere risikoen for datasporing. Der eksisterer en decentraliseret AI-ramme bygget på godkendt blockchain-teknologi, der bruger ovennævnte tilgang. AI-rammen adskiller i det væsentlige de personlige identifikationsoplysninger fra ikke-personlige oplysninger effektivt og gemmer derefter hashværdierne for de personlige identifikationsoplysninger i blockchain-netværket. Den foreslåede AI-ramme kan bruges i den medicinske industri til at dele medicinske journaler og oplysninger om en patient uden at afsløre hans/hendes sande identitet. Som afbildet i det følgende billede bruger den foreslåede AI-ramme to uafhængige blockchain til dataanmodninger med ét blockchain-netværk, der lagrer patientens oplysninger sammen med dataadgangstilladelser, hvorimod det andet blockchain-netværk fanger revisionsspor af eventuelle anmodninger eller forespørgsler fra rekvirenter. Som et resultat har patienterne stadig fuld autoritet og kontrol over deres lægejournaler og følsomme oplysninger, mens de muliggør sikker og sikker datadeling inden for flere enheder på netværket. 

Multi-Layered Distributed Ledger

En distribueret hovedbog i flere lag er et datalagringssystem med decentraliseringsegenskaber og flere hierarkiske lag, der er designet til at maksimere effektiviteten og sikre datadelingsprocessen sammen med forbedret beskyttelse af privatlivets fred. DeepLinQ er en blockchain-baseret flerlags decentraliseret distribueret hovedbog, der adresserer en brugers bekymring vedrørende databeskyttelse og datadeling ved at aktivere privatlivsbeskyttet databeskyttelse. DeepLinQ arkiverer den lovede databeskyttelse ved at bruge forskellige teknikker som on-demand forespørgsel, adgangskontrol, proxyreservation og smarte kontrakter for at udnytte blockchain-netværkets karakteristika, herunder konsensusmekanisme, fuldstændig decentralisering og anonymitet for at beskytte databeskyttelse. 

K-Anonymitet

K-Anonymitetsmetoden er en privatlivsbeskyttelsesmetode, der har til formål at målrette og gruppere individer i et datasæt på en måde, så hver gruppe har mindst K individer med identiske attributværdier, og derfor beskytter individuelle brugeres identitet og privatliv. K-Anonymitetsmetoden har været grundlaget for en foreslået pålidelig transaktionsmodel, der letter transaktioner mellem energiknudepunkter og elektriske køretøjer. I denne model har K-Anonymitetsmetoden to funktioner: For det første skjuler den placeringen af ​​elbilerne ved at konstruere en samlet anmodning ved hjælp af K-Anonymitetsteknikker, der skjuler eller skjuler placeringen af ​​bilens ejer; for det andet skjuler K-Anonymity-metoden brugeridentifikatorer, så angribere ikke får mulighed for at linke brugere til deres elektriske køretøjer. 

Evaluering og situationsanalyse

I dette afsnit vil vi tale om omfattende analyse og evaluering af ti systemer til beskyttelse af privatlivets fred ved hjælp af fusionen af ​​blockchain- og AI-teknologier, der er blevet foreslået i de seneste år. Evalueringen fokuserer på fem hovedkarakteristika ved disse foreslåede metoder, herunder: myndighedsstyring, databeskyttelse, adgangskontrol, skalerbarhed og netværkssikkerhed, og diskuterer også styrker, svagheder og potentielle forbedringsområder. Det er de unikke funktioner, der er resultatet af integrationen af ​​AI og blockchain-teknologier, der har banet veje for nye ideer og løsninger til forbedret beskyttelse af privatlivets fred. Til reference viser billedet nedenfor forskellige evalueringsmålinger, der anvendes til at udlede de analytiske resultater for den kombinerede anvendelse af blockchain- og AI-teknologierne. 

Myndighedsledelse

Adgangskontrol er en sikkerheds- og privatlivsteknologi, der bruges til at begrænse en brugers adgang til autoriserede ressourcer på grundlag af foruddefinerede regler, sæt instruktioner, politikker, sikring af dataintegritet og systemsikkerhed. Der findes et intelligent privat parkeringsstyringssystem, der gør brug af en rollebaseret adgangskontrol eller RBAC-model til at administrere tilladelser. I rammen tildeles hver bruger en eller flere roller og klassificeres derefter efter roller, der gør det muligt for systemet at kontrollere attributadgangstilladelser. Brugere på netværket kan gøre brug af deres blockchain-adresse til at bekræfte deres identitet og få adgang til attributautorisation. 

Adgangskontrol

Adgangskontrol er et af de grundlæggende principper for beskyttelse af privatlivets fred, der begrænser adgang baseret på gruppemedlemskab og brugeridentitet for at sikre, at det kun er de autoriserede brugere, der kan få adgang til specifikke ressourcer, som de har tilladelse til at få adgang til, og dermed beskytte systemet mod uønskede tvungen adgang. For at sikre effektiv adgangskontrol skal rammen tage højde for flere faktorer, herunder autorisation, brugergodkendelse og adgangspolitikker. 

Digital Identity Technology er en ny tilgang til IoT applikationer der kan give sikker og sikker adgangskontrol og sikre data- og enhedsbeskyttelse. Metoden foreslår at bruge en række adgangskontrolpolitikker, der er baseret på kryptografiske primitiver og digital identitetsteknologi eller DIT til at beskytte kommunikationssikkerheden mellem enheder såsom droner, skyservere og Ground Station Servers (GSS). Når registreringen af ​​enheden er afsluttet, gemmes legitimationsoplysninger i hukommelsen. Nedenstående tabel opsummerer typer af defekter i rammeværket. 

Databeskyttelse

Databeskyttelse bruges til at henvise til foranstaltninger, herunder datakryptering, adgangskontrol, sikkerhedsrevision og databackup for at sikre, at en brugers data ikke tilgås ulovligt, manipuleres med eller lækkes. Når det kommer til databehandling, kan teknologier som datamaskering, anonymisering, dataisolering og datakryptering bruges til at beskytte data mod uautoriseret adgang og lækage. Desuden kan krypteringsteknologier såsom homomorfisk kryptering, differentiel beskyttelse af privatlivets fred, digitale signaturalgoritmer, asymmetriske krypteringsalgoritmer og hashalgoritmer forhindre uautoriseret og ulovlig adgang for ikke-autoriserede brugere og sikre datafortrolighed. 

Network Security

Netværkssikkerhed er et bredt felt, der omfatter forskellige aspekter, herunder sikring af datafortrolighed og integritet, forebyggelse af netværksangreb og beskyttelse af systemet mod netværksvirus og ondsindet software. For at sikre systemets sikkerhed, pålidelighed og sikkerhed skal der vedtages en række sikre netværksarkitekturer og protokoller samt sikkerhedsforanstaltninger. Desuden er det afgørende at analysere og vurdere forskellige netværkstrusler og komme med tilsvarende forsvarsmekanismer og sikkerhedsstrategier for at forbedre systemets pålidelighed og sikkerhed.

Skalerbarhed

Skalerbarhed refererer til et systems evne til at håndtere større mængder data eller et stigende antal brugere. Når udviklere designe et skalerbart system, skal udviklere overveje systemydeevne, datalagring, nodestyring, transmission og flere andre faktorer. Når udviklere skal sikre skalerbarheden af ​​et framework eller et system, skal udviklerne desuden tage højde for systemsikkerheden for at forhindre databrud, datalæk og andre sikkerhedsrisici. 

Udviklere har designet et system i overensstemmelse med europæiske generelle databeskyttelsesregler eller GDPR ved at gemme privatlivsrelateret information og artwork-metadata i et distribueret filsystem, der eksisterer uden for kæden. Kunstmetadata og digitale tokens gemmes i OrbitDB, et databaselagringssystem, der bruger flere noder til at gemme dataene og dermed sikrer datasikkerhed og privatliv. Det off-chain distribuerede system spreder datalagring og forbedrer dermed systemets skalerbarhed. 

Situationsanalyse

Sammenlægningen af ​​AI- og blockchain-teknologier har resulteret i at udvikle et system, der fokuserer stærkt på at beskytte brugernes privatliv, identitet og data. Selvom AI-databeskyttelsessystemer stadig står over for nogle udfordringer som netværkssikkerhed, databeskyttelse, skalerbarhed og adgangskontrol, er det afgørende at overveje og afveje disse spørgsmål på grundlag af praktiske overvejelser under designfasen. Efterhånden som teknologien udvikler sig og udvikler sig yderligere, udvides applikationerne, privatlivsbeskyttelsessystemerne bygget ved hjælp af AI og blockchain vil tiltrække mere opmærksomhed i den kommende fremtid. På grundlag af forskningsresultater, tekniske tilgange og anvendelsesscenarier kan de klassificeres i tre kategorier. 

• Anvendelse af privatlivsbeskyttelsesmetode i IoT- eller Internet of Things-industrien ved at bruge både blockchain- og AI-teknologi. 
• Anvendelse af databeskyttelsesmetode i smart kontrakt og tjenester, der gør brug af både blockchain og AI-teknologi. 
• Dataanalysemetoder i stor skala, der tilbyder beskyttelse af privatlivets fred ved at bruge både blockchain- og AI-teknologi. 

De teknologier, der tilhører den første kategori, fokuserer på implementeringen af ​​AI og blockchain-teknologier til beskyttelse af privatlivets fred i IoT-industrien. Disse metoder bruger AI-teknikker til at analysere store mængder data, mens de drager fordel af decentraliserede og uforanderlige funktioner i blockchain-netværket for at sikre ægthed og sikkerhed af dataene. 

De teknologier, der falder i den anden kategori, fokuserer på at fusionere AI- og Blockchain-teknologier for forbedret beskyttelse af privatlivets fred ved at gøre brug af blockchains smarte kontrakter og tjenester. Disse metoder kombinerer dataanalyse og databehandling med AI og bruger blockchain-teknologi sideløbende for at reducere afhængigheden af ​​betroede tredjeparter og registrere transaktioner. 

Endelig fokuserer de teknologier, der falder i den tredje kategori, på at udnytte kraften i AI og blockchain-teknologi til at opnå forbedret beskyttelse af privatlivets fred i storskala dataanalyse. Disse metoder sigter mod at udnytte blockchains decentraliserings- og uforanderlighedsegenskaber, der sikrer ægtheden og sikkerheden af ​​data, mens AI-teknikker sikrer nøjagtigheden af ​​dataanalysen. 

Konklusion

I denne artikel har vi talt om, hvordan AI- og Blockchain-teknologier kan bruges synkront med hinanden for at forbedre anvendelserne af teknologier til beskyttelse af privatlivets fred ved at tale om deres relaterede metoder og evaluere de fem primære egenskaber ved disse teknologier til beskyttelse af privatlivets fred. Endvidere har vi også talt om de eksisterende begrænsninger i de nuværende systemer. Der er visse udfordringer inden for teknologier til beskyttelse af privatlivets fred baseret på blockchain og AI, som stadig skal løses, såsom hvordan man finder en balance mellem datadeling og beskyttelse af privatlivets fred. Forskningen i, hvordan man effektivt kan fusionere AI- og Blockchain-teknikkernes muligheder, er i gang, og her er flere andre måder, som kan bruges til at integrere andre teknikker. 

• EdgeComputing

Edge computing sigter mod at opnå decentralisering ved at udnytte kraften i edge- og IoT-enheder til at behandle private og følsomme brugerdata. Fordi AI-behandling gør det obligatorisk at bruge betydelige computerressourcer, kan brug af edge computing-metoder muliggøre distribution af beregningsopgaver til edge-enheder til behandling i stedet for at migrere dataene til cloud-tjenester eller dataservere. Da dataene behandles meget tættere på selve edge-enheden, reduceres latenstiden betydeligt, og det samme er overbelastningen af ​​netværket, der forbedrer systemets hastighed og ydeevne. 

• Flerkædede mekanismer

Multi-chain mekanismer har potentialet til at løse single-chain blockchain storage og ydeevneproblemer, hvilket øger skalerbarheden af ​​systemet. Integrationen af ​​multi-chain mekanismer letter forskellige attributter og dataklassificering baseret på privatlivsniveauer, hvilket forbedrer lagringskapaciteten og sikkerheden i systemer til beskyttelse af privatlivets fred.