Med den omfattende opmærksomhed og potentiale anvendelser af blockchain og kunstig intelligens-teknologier, er privatlivsbeskyttelsesmetoderne, der opstår som en direkte følge af integrationen af de to teknologier, blevet betydningsfulde. Disse privatlivsbeskyttelsesmetoder beskytter ikke kun privatlivet for enkeltpersoner, men garanterer også dataintegritet og sikkerhed.

I denne artikel vil vi diskutere, hvordan samarbejdet mellem AI og blockchain giver anledning til talrige privatlivsbeskyttelsesmetoder, og deres anvendelse i forskellige vertikaler, herunder de-identifikation, datakryptering, k-anonymitet og multi-lagrede distribuerede ledgers. Derudover vil vi også forsøge at analysere manglerne samt deres årsag og tilbyde løsninger herefter.

Blockchain, Kunstig Intelligens og deres Integration

Blockchain-netværket blev først introduceret til verden, da Nakamoto introducerede Bitcoin, en kryptovaluta bygget på blockchain-netværket, i 2008. Siden da har blockchain vundet stor popularitet, især i de seneste år. Værdien, som Bitcoin handler til i dag, og den overskridende trillion-dollar markedskapital, indikerer, at blockchain har potentialet til at generere betydelig indtjening og profit for branchen.

Blockchain-teknologi kan primært kategoriseres på basis af niveauet af adgang og kontrol, med Offentlig, Privat og Føderal som de tre hovedtyper af blockchain-teknologier. Populære kryptovalutaer og blockchain-arkitekturer som Bitcoin og Ethereum er offentlige blockchain-tilbud, da de er decentrale og tillader noder at indtræde eller forlade netværket frit, og dermed fremmer maksimal decentralisering.

Den følgende figur viser strukturen af Ethereum, da den anvender en koblet liste til at etablere forbindelser mellem forskellige blokke. Headeren af blokken gemmer hash-adressen af den foregående blok for at etablere en forbindelse mellem de to pågældende blokke.

Udviklingen og implementeringen af blockchain-teknologien følges af legitime sikkerheds- og privatlivsbeskyttelsesbekymringer i forskellige felter, som ikke kan negligeres. For eksempel kan en datalæk i den finansielle branche resultere i store tab, mens en læk i militære eller sundhedsystemer kan være katastrofale. For at forhindre disse scenarier har beskyttelse af data, brugeraktiver og identitetsinformation været et hovedfokus for blockchain-sikkerhedsforskningsfællesskabet, for at sikre udviklingen af blockchain-teknologien, er det essentiel at opretholde dens sikkerhed.

Ethereum er en decentraliseret blockchain-platform, der opretholder en fælles bogføring af informationer samarbejdende ved hjælp af multiple noder. Hver node i Ethereum-netværket anvender EVM eller Ethereum Vektor Maskine til at kompilere smarte kontrakter og facilitere kommunikationen mellem noder, der sker via en P2P eller peer-to-peer netværk. Hver node i Ethereum-netværket er tilbudt unikke funktioner og tilladelser, selvom alle noder kan anvendes til at indsamle transaktioner og deltage i blokmining. Derudover er det værd at bemærke, at når det sammenlignes med Bitcoin, viser Ethereum hurtigere blokgenereringshastigheder med en føring på næsten 15 sekunder. Det betyder, at krypto-minere har en bedre chance for at erhverve belønninger hurtigere, mens intervaltiden for at verificere transaktioner reduceres betydeligt.

På den anden side er AI eller Kunstig Intelligens en gren i moderne videnskab, der fokuserer på udvikling af maskiner, der kan træffe beslutninger og simulere autonomt tænkning sammenlignelig med en menneskes evne. Kunstig Intelligens er en meget omfattende gren i sig selv med talrige underdiscipliner, herunder dyb læring, computer vision, naturlig sprogbehandling og mere. NLP i særdeleshed har været en underdisciplin, der har været fokuseret kraftigt i de seneste år, hvilket har resulteret i udviklingen af nogle top-notch LLM’er som GPT og BERT. NLP er på vej mod næsten perfektion, og det endelige trin i NLP er behandling af teksttransformationer, der kan gøre computere forståelige, og nyere modeller som ChatGPT bygget på GPT-4 indikerer, at forskningen er på vej i den rigtige retning.

En anden underdisciplin, der er ret populær blandt AI-udviklere, er dyb læring, en AI-teknik, der fungerer ved at imitere strukturen af neuroner. I en konventionel dyb læring rammeværk behandles ekstern inputinformation lag for lag ved at træne hierarkiske netværksstrukturer og derefter overføres til en skjult lag for endelig repræsentation. Dyb læring rammeværk kan klassificeres i to kategorier: Overvåget læring og Uovervåget læring.

Den ovenstående figur viser arkitekturen af dyb læring perceptron, og som det kan ses i figuren, anvender et dyb læring rammeværk en multiple-lag neural netværksarkitektur til at lære funktioner i data. Neural netværket består af tre typer lag, herunder det skjulte lag, input laget og output laget. Hver perceptron lag i rammeværket er forbundet til det næste lag for at danne et dyb læring rammeværk.

Til sidst har vi integrationen af blockchain og kunstig intelligens-teknologier, da disse to teknologier anvendes på tværs af forskellige brancher og domæner med en øget bekymring for cybersikkerhed, datasikkerhed og privatlivsbeskyttelse. Anvendelser, der sigter mod at integrere blockchain og kunstig intelligens, manifestere integrationen i følgende aspekter.

• Anvendelse af blockchain-teknologi til at optage og gemme træningsdata, input og output af modellerne og parametre, for at sikre ansvarlighed og gennemsigtighed i modelaudits.
• Anvendelse af blockchain-rammeværk til at deployere AI-modeller for at opnå decentraliserede services mellem modeller og forbedre skalerbarheden og stabiliteten af systemet.
• Sikker adgang til eksterne AI-data og -modeller ved hjælp af decentraliserede systemer og muliggøre blockchain-netværk til at erhverve eksterne informationer, der er pålidelige.
• Anvendelse af blockchain-baseret token-design og incitamentsmekanismer til at etablere forbindelser og tillidsfulde interaktioner mellem brugere og AI-modeludviklere.

Privatlivsbeskyttelse gennem Integration af Blockchain og AI-teknologier

I den aktuelle situation har datatillidssystemer visse begrænsninger, der kompromitterer tilliden til dataoverførslen. For at udfordre disse begrænsninger kan blockchain-teknologier anvendes til at etablere en pålidelig og sikker datadeling- og lagringsløsning, der tilbyder privatlivsbeskyttelse og forbedrer datasikkerhed. Nogle af anvendelserne af blockchain i AI privatlivsbeskyttelse er nævnt i følgende tabel.

Ved at forbedre implementeringen og integrationen af disse teknologier kan beskyttelseskapaciteten og sikkerheden af nuværende datatillidssystemer forbedres betydeligt.

Datakryptering

Traditionelt har datadeling og datalagring metoder været sårbare over for sikkerhedstrusler, da de afhænger af centraliserede servere, der gør dem til et let mål for angribere. Sårbarheden af disse metoder giver anledning til alvorlige komplikationer, såsom dataforfalskning og datalæk, og givet de nuværende sikkerhedsbehov er krypteringsmetoder alene ikke tilstrækkelige til at sikre datasikkerhed og -integritet, hvilket er hovedårsagen til opkomsten af privatlivsbeskyttelsesmetoder baseret på integrationen af kunstig intelligens og blockchain.

Lad os se på en blockchain-baseret privatlivsbeskyttelsesfællesskabsmodel, der sigter mod at forbedre Multi-Krum-teknikken og kombinere den med homomorfe kryptering for at opnå chiffertekst-niveau model filtrering og model aggregation, der kan verificere lokale modeller, mens privatlivsbeskyttelse opretholdes. Paillier homomorfe krypteringsteknikken anvendes i denne metode til at kryptere modelopdateringer og dermed tilbyde yderligere privatlivsbeskyttelse. Paillier-algoritmen fungerer, som vist.

De-identifikation

De-identifikation er en metode, der anvendes til at anonymisere personlige identifikationsoplysninger i data ved at adskille data fra datoidentificatorer og dermed reducere risikoen for datasporing. Der findes en decentraliseret AI-rammeværk bygget på tilladelsesbaseret blockchain-teknologi, der anvender ovenstående metode. AI-rammeværket adskiller personlige identifikationsoplysninger fra ikke-personlige oplysninger effektivt og gemmer derefter hashværdierne af personlige identifikationsoplysninger i blockchain-netværket. Den foreslåede AI-rammeværk kan anvendes i den medicinske branche til at dele medicinske journaler og patientinformationer uden at afsløre patientens sande identitet. Som vist i følgende figur anvender den foreslåede AI-rammeværk to uafhængige blockchain-netværk til dataanmodninger, hvor ét blockchain-netværk gemmer patientens information samt dataadgangs tilladelser, mens det andet blockchain-netværk fanger audit-spor af eventuelle anmodninger eller forespørgsler, der er gjort af anmodere. Derved har patienterne stadig fuld myndighed og kontrol over deres medicinske journaler og følsomme oplysninger, mens de tillader sikker og sikkert dataudveksling mellem multiple enheder i netværket.

Multi-lagret distribueret ledger

Et multi-lagret distribueret ledger er et datasystem med decentraliserings egenskab og multiple hierarkiske lag, der er designet til at maksimere effektivitet og sikre datasystemet samt forbedre privatlivsbeskyttelsen. DeepLinQ er en blockchain-baseret multi-lagret decentraliseret distribueret ledger, der beskæftiger sig med brugernes bekymring omkring dataprivatliv og datasikkerhed ved at aktivere privatlivsbeskyttet dataprivatliv. DeepLinQ opnår det lovede dataprivatliv ved at anvende forskellige teknikker, såsom påkrævet forespørgsel, adgangskontrol, proxy-reservation og smarte kontrakter for at udnytte blockchain-netværkets egenskaber, herunder konsensusmekanismer, fuld decentralisering og anonymitet til at beskytte dataprivatliv.

K-anonymitet

K-anonymitet-metoden er en privatlivsbeskyttelsesmetode, der sigter mod at gruppere individer i en datamængde på en måde, så hver gruppe har mindst K individer med identiske attributværdier og dermed beskytter identiteten og privatlivet af enkelte brugere. K-anonymitet-metoden har været grundlaget for en foreslået pålidelig transaktionsmodel, der faciliterer transaktioner mellem energinoder og elbiler. I denne model fungerer K-anonymitet-metoden på to måder: først gemmer den elbilerne ved at konstruere en samlet anmodning ved hjælp af K-anonymitet-teknikker, der skjuler eller gemmer ejerens placering; anden gemmer den brugeridentifikatorer, så angribere ikke har mulighed for at linke brugere til deres elbiler.

Evaluering og Situationanalyse

I denne sektion vil vi diskutere en omfattende analyse og evaluering af ti privatlivsbeskyttelsessystemer, der anvender en kombination af blockchain og AI-teknologier, som er blevet foreslået i de seneste år. Evalueringen fokuserer på fem hovedkarakteristika af disse metoder, herunder myndighedsstyring, dataprotektion, adgangskontrol, skalerbarhed og netværkssikkerhed, og diskuterer også styrker, svagheder og potentielle områder for forbedring. Det er de unikke funktioner, der resulterer fra integrationen af AI og blockchain-teknologier, der har åbnet veje for nye ideer og løsninger til forbedret privatlivsbeskyttelse. For reference viser billedet nedenfor forskellige evalueringsskemaer, der anvendes til at aflede de analytiske resultater for den kombinerede anvendelse af blockchain og AI-teknologier.

Myndighedsstyring

Adgangskontrol er en sikkerheds- og privatlivsbeskyttelsesmetode, der anvendes til at begrænse en brugers adgang til autoriserede ressourcer på basis af foruddefinerede regler, instruktionssæt, politikker, der sikrer dataintegritet og system sikkerhed. Der findes et intelligent privatlivsbeskyttelsesparkeringssystem, der anvender en rollebaseret adgangskontrol eller RBAC-model til at styre tilladelser. I rammeværket tildeles hver bruger en eller flere roller og klassificeres derefter efter roller, hvilket giver systemet mulighed for at kontrollere attribut tilladelser. Brugere på netværket kan anvende deres blockchain-adresse til at verificere deres identitet og få attribut tilladelse.

Adgangskontrol

Adgangskontrol er en af grundpillerne i privatlivsbeskyttelse, der begrænser adgang baseret på gruppe medlemskab og brugeridentitet for at sikre, at kun autoriserede brugere kan få adgang til bestemte ressourcer, de har tilladelse til at adgang til, og dermed beskytter systemet mod uønsket eller tvungen adgang.

Digital Identitetsteknologi er en fremvoksende tilgang til IoT-anvendelser, der kan tilbyde sikker og sikker adgangskontrol og sikre data- og enhedsprivatliv. Metoden foreslår at anvende en række adgangskontrolpolitikker, der er baseret på kryptografiske primitiver og digital identitetsteknologi eller DIT til at beskytte sikkerheden af kommunikation mellem enheder, såsom droner, cloud-servere og Ground Station Servere (GSS). Når enhedens registrering er fuldført, gemmes legitimationsoplysninger i hukommelsen. Tabellen nedenfor summerer typerne af fejl i rammeværket.

Dataprotektion

Dataprotektion anvendes til at referere til foranstaltninger, herunder datakryptering, adgangskontrol, sikkerhedsauditing og data backup til at sikre, at brugernes data ikke kan adgangs illegalt, manipuleres eller lækes. Når det kommer til data behandling, kan teknologier som data maskering, anonymisering, data isolation og datakryptering anvendes til at beskytte data mod uautoriseret adgang og læk. Derudover kan krypteringsteknologier som homomorfe kryptering, differentiel privatlivsbeskyttelse, digitale signaturalgoritmer, asymmetriske krypteringsalgoritmer og hash-algoritmer forhindre uautoriseret og ulovlig adgang af ikke-autoriserede brugere og sikre datakonfidentialitet.

Netværkssikkerhed

Netværkssikkerhed er et bredt felt, der omfatter forskellige aspekter, herunder sikring af datakonfidentialitet og -integritet, forhindring af netværksangreb og beskyttelse af systemet mod netværksvirus og ondsindet software. For at sikre systemets sikkerhed, pålidelighed og sikkerhed skal en række sikre netværksarkitekturer og protokoller samt sikkerhedsforanstaltninger anvendes. Derudover er det essentiel at analysere og vurderer forskellige netværkstrusler og udvikle 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 en øgende antal brugere. Når man designer et skalerbart system, skal udviklere tage hensyn til systemydeevne, data lagring, node styring, transmission og flere andre faktorer. Derudover skal udviklere, når de sikrer skalerbarheden af et rammeværk eller et system, tage hensyn til systemets sikkerhed for at forhindre data læk, data tab og andre sikkerhedsrisici.

Udviklere har designet et system i overensstemmelse med EU’s almindelige dataværnsregler eller GDPR ved at gemme privatlivsrelaterede oplysninger og kunst metadata i et distribueret filsystem, der findes uden for kæden. Kunst metadata og digitale tokens gemmes i OrbitDB, et database-lagrings system, der anvender multiple noder til at gemme data og dermed sikrer datasikkerhed og -privatliv. Det distribuerede filsystem uden for kæden spredte data lagring og forbedrede dermed systemets skalerbarhed.

Situationanalyse

Integrationen af AI og blockchain-teknologier har resulteret i udviklingen af et system, der fokuserer kraftigt på at beskytte privatliv, identitet og data for brugerne. Selvom AI dataprivatlivssystemer stadig står over for nogle udfordringer, såsom netværkssikkerhed, dataprotektion, skalerbarhed og adgangskontrol, er det essentiel at overveje og veje disse problemer på basis af praktiske overvejelser under designfasen. Da teknologien udvikler sig og avancerer yderligere, vil privatlivsbeskyttelsessystemer bygget med AI og blockchain tiltrække mere opmærksomhed i den kommende fremtid. På basis af forskningsresultater, tekniske tilgange og anvendelsesscenarier kan de klassificeres i tre kategorier.

• Privatlivsbeskyttelsesmetodeanvendelse i IoT eller Internet of Things-industrien ved at anvende både blockchain og AI-teknologi.
• Privatlivsbeskyttelsesmetodeanvendelse i smart kontrakt og services, der anvender både blockchain og AI-teknologi.
• Storskaladataanalysemetoder, der tilbyder privatlivsbeskyttelse ved at anvende både blockchain og AI-teknologi.

Teknologierne i den første kategori fokuserer på implementeringen af AI og blockchain-teknologier til privatlivsbeskyttelse i IoT-industrien. Disse metoder anvender AI-teknikker til at analysere store mængder data, mens de udnytter de decentraliserede og uændelige funktioner af blockchain-netværket til at sikre ægthed og sikkerhed af data.

Teknologierne i den anden kategori fokuserer på at kombinere AI og blockchain-teknologier til forbedret privatlivsbeskyttelse ved at anvende blockchain-smart kontrakt og -services. Disse metoder kombinerer dataanalyse og dataprocessing med AI og anvender blockchain-teknologi til at reducere afhængigheden af tillidsfulde tredjeparter og optage transaktioner.

Til sidst fokuserer teknologierne i den tredje kategori på at udnytte kraften af AI og blockchain-teknologi til at opnå forbedret privatlivsbeskyttelse i storskaladataanalyse. Disse metoder sigter mod at udnytte blockchain-decentralisering og uændelighedsegenskaber, der sikrer ægthed og sikkerhed af data, mens AI-teknikker sikrer nøjagtigheden af dataanalyse.

Konklusion

I denne artikel har vi diskuteret, hvordan AI og blockchain-teknologier kan anvendes i samspil til at forbedre anvendelserne af privatlivsbeskyttelsesmetoder ved at diskutere deres relaterede metoder og evaluere de fem primære karakteristika af disse privatlivsbeskyttelsesmetoder. Derudover har vi også diskuteret de eksisterende begrænsninger af de nuværende systemer. Der findes visse udfordringer i feltet af privatlivsbeskyttelsesmetoder bygget på blockchain og AI, der stadig skal løses, såsom hvordan man finder en balance mellem dataudveksling og privatlivsbeskyttelse. Forskningen i, hvordan man effektivt kan kombinere evnerne af AI og blockchain-teknikker, er i gang, og her er flere måder, der kan anvendes til at integrere andre teknikker.

• Kantcomputering

Kantcomputering sigter mod at opnå decentralisering ved at udnytte kraften af kant- og IoT-enheder til at behandle private og følsomme brugerdata. Da AI-behandling kræver betydelige beregningsressourcer, kan anvendelsen af kantcomputeringmetoder muliggøre distributionen af beregningsopgaver til kantenheder til behandling i stedet for at migrere data til cloud-tjenester eller dataservere. Da data behandles meget tættere på kantenheden selv, reduceres ventetiden betydeligt, og dermed også netværkskongestionen, hvilket forbedrer systemets hastighed og ydeevne.

• Multi-kædemekanismer

Multi-kædemekanismer har potentialet til at løse enkeltkæde-blockchain-lagring og -ydeevneproblemer, hvilket forbedrer systemets skalerbarhed. Integrationen af multi-kædemekanismer muliggør forskellige attribut- og privatlivsniveauer baseret dataklassificering, hvilket forbedrer lagringskapaciteten og sikkerheden af privatlivsbeskyttelsessystemer.