Met de brede aandacht en potentiële toepassingen van blockchain- en artificial intelligence-technologieën, winnen de privacybeschermingstechnieken die voortkomen uit de integratie van deze twee technologieën aan belang. Deze privacybeschermingstechnieken beschermen niet alleen de privacy van individuen, maar garanderen ook de betrouwbaarheid en beveiliging van de data.

In dit artikel zullen we bespreken hoe de samenwerking tussen AI en blockchain leidt tot talrijke privacybeschermingstechnieken en hun toepassing in verschillende verticale markten, waaronder de-identificatie, gegevensversleuteling, k-anonimiteit en multi-laags gedistribueerde ledger-methoden. Bovendien zullen we ook proberen de tekortkomingen en hun werkelijke oorzaak te analyseren en oplossingen aan te bieden.

Blockchain, Kunstmatige Intelligentie en hun Integratie

Het blockchain-netwerk werd voor het eerst aan de wereld voorgesteld toen Nakamoto in 2008 Bitcoin introduceerde, een cryptocurrency die op het blockchain-netwerk is gebouwd. Sinds de introductie heeft blockchain veel populariteit gewonnen, vooral in de afgelopen jaren. De waarde waarop Bitcoin momenteel wordt verhandeld en de overschrijding van de triljoen-dollar markt kapitalisatie geeft aan dat blockchain het potentieel heeft om aanzienlijke inkomsten en winsten te genereren voor de industrie.

Blockchain-technologie kan voornamelijk worden onderverdeeld op basis van het niveau van toegankelijkheid en controle dat ze bieden, met Publiek, Privaat en Federated als de drie hoofdtypen blockchain-technologieën. Populaire cryptocurrencies en blockchain-architecturen zoals Bitcoin en Ethereum zijn publieke blockchain-aanbiedingen, omdat ze gedecentraliseerd zijn en nodes toelaten om vrijelijk in en uit het netwerk te gaan, en zo maximale decentralisatie bevorderen.

De volgende figuur toont de structuur van Ethereum, die een linked list gebruikt om verbindingen tussen verschillende blokken tot stand te brengen. De header van het blok slaat het hash-adres van het voorgaande blok op om een verbinding tussen de twee opeenvolgende blokken tot stand te brengen.

De ontwikkeling en implementatie van blockchain-technologie wordt gevolgd door legitieme beveiligings- en privacybezorgdheden in verschillende domeinen die niet genegeerd kunnen worden. Bijvoorbeeld, een datalek in de financiële industrie kan leiden tot zware verliezen, terwijl een lek in militaire of gezondheidszorgsystemen rampzalig kan zijn. Om deze scenario’s te voorkomen, is de bescherming van gegevens, gebruikersactiva en identiteitsinformatie een belangrijk aandachtspunt geweest voor de blockchain-beveiligingsonderzoeksgemeenschap, om ervoor te zorgen dat de ontwikkeling van blockchain-technologie haar beveiliging in stand houdt.

Ethereum is een gedecentraliseerd blockchain-platform dat een gedeelde ledger van informatie gebruikt met meerdere nodes. Elke node in het Ethereum-netwerk maakt gebruik van de EVM of Ethereum Vector Machine om smart contracts te compileren en de communicatie tussen nodes te faciliteren die via een P2P- of peer-to-peer-netwerk plaatsvindt. Elke node in het Ethereum-netwerk wordt voorzien van unieke functies en machtigingen, hoewel alle nodes kunnen worden gebruikt voor het verzamelen van transacties en het delen in block mining. Bovendien is het de moeite waard om op te merken dat Ethereum, in vergelijking met Bitcoin, snellere blokgeneratiesnelheden vertoont met een voorsprong van bijna 15 seconden. Dit betekent dat crypto-mijnwerkers een betere kans hebben om beloningen sneller te verkrijgen, terwijl de intervaltijd voor het verifiëren van transacties aanzienlijk wordt verkleind.

Aan de andere kant is AI of Kunstmatige Intelligentie een tak in de moderne wetenschap die zich richt op het ontwikkelen van machines die in staat zijn tot besluitvorming en autonoom denken kunnen simuleren, vergelijkbaar met de capaciteiten van een mens. Kunstmatige Intelligentie is een zeer brede tak in zichzelf met talrijke subdomeinen, waaronder diepe leertheorie, computerzicht, natuurlijke taalverwerking en meer. NLP in het bijzonder is een subdomein dat de afgelopen jaren zwaar is gefocust en heeft geleid tot de ontwikkeling van enkele top-notch LLM’s zoals GPT en BERT. NLP is op weg naar near-perfectie, en de laatste stap van NLP is het verwerken van teksttransformaties die computers begrijpelijk kunnen maken, en recente modellen zoals ChatGPT, gebouwd op GPT-4, geven aan dat het onderzoek in de juiste richting gaat.

Een ander subdomein dat populair is onder AI-ontwikkelaars is diepe leertheorie, een AI-techniek die werkt door de structuur van neuronen na te bootsen. In een conventionele diepe leertheorie-framework wordt de externe invoerinformatie laag voor laag verwerkt door het trainen van hiërarchische netwerkstructuren, en wordt vervolgens doorgegeven aan een verborgen laag voor de definitieve weergave. Diepe leertheorie-frameworks kunnen worden onderverdeeld in twee categorieën: Supervised learning en Unsupervised learning.

De bovenstaande afbeelding toont de architectuur van diepe leertheorie-perceptron, en zoals te zien is in de afbeelding, maakt een diepe leertheorie-framework gebruik van een multi-level neurale netwerkarchitectuur om de kenmerken in de gegevens te leren. Het neurale netwerk bestaat uit drie soorten lagen, waaronder de verborgen laag, de invoerlaag en de uitvoerlaag. Elke perceptronlaag in het framework is verbonden met de volgende laag om een diepe leertheorie-framework te vormen.

Tenslotte hebben we de integratie van blockchain- en kunstmatige intelligentie-technologieën, aangezien deze twee technologieën worden toegepast in verschillende industrieën en domeinen met een toenemende bezorgdheid over cybersecurity, gegevensbeveiliging en privacybescherming. Toepassingen die gericht zijn op het integreren van blockchain en kunstmatige intelligentie, vertonen deze integratie in de volgende aspecten.

• Het gebruik van blockchain-technologie om de trainingsgegevens, invoer en uitvoer van modellen en parameters op te nemen en op te slaan, waardoor verantwoordelijkheid en transparantie in modelaudits worden gewaarborgd.
• Het gebruik van blockchain-frameworks om AI-modellen te implementeren en decentrale diensten tussen modellen te bereiken, waardoor de schaalbaarheid en stabiliteit van het systeem worden verbeterd.
• Het bieden van beveiligde toegang tot externe AI-gegevens en -modellen met behulp van decentrale systemen, waardoor blockchain-netwerken in staat worden gesteld om externe informatie te verkrijgen die betrouwbaar is.
• Het gebruik van blockchain-gebaseerde tokenontwerpen en incentivemechanismen om verbindingen en betrouwbare interacties tussen gebruikers en AI-modelontwikkelaars tot stand te brengen.

Privacybescherming door de Integratie van Blockchain- en AI-Technologieën

In de huidige situatie hebben data-trustsystemen bepaalde beperkingen die de betrouwbaarheid van de datatransmissie in gevaar brengen. Om deze beperkingen uit te dagen, kunnen blockchain-technologieën worden ingezet om een betrouwbaar en beveiligd datadelings- en opslagsysteem tot stand te brengen dat privacybescherming biedt en de gegevensbeveiliging verhoogt. Enkele toepassingen van blockchain in AI voor privacybescherming worden genoemd in de onderstaande tabel.

Door de implementatie en integratie van deze technologieën te verbeteren, kan de beschermingscapaciteit en beveiliging van de huidige data-trustsystemen aanzienlijk worden verbeterd.

Gegevensversleuteling

Traditionele gegevensdelings- en opslagmethoden zijn kwetsbaar voor beveiligingsbedreigingen omdat ze afhankelijk zijn van centrale servers, waardoor ze een gemakkelijk identificeerbaar doelwit vormen voor aanvallers. De kwetsbaarheid van deze methoden leidt tot ernstige complicaties, zoals gegevenstampering en gegevenslekkage, en gezien de huidige beveiligingsvereisten zijn versleutelingsmethoden alleen niet voldoende om de veiligheid en beveiliging van de gegevens te garanderen, wat de reden is achter de opkomst van privacybeschermingstechnologieën op basis van de integratie van kunstmatige intelligentie en blockchain.

Laten we eens kijken naar een blockchain-gebaseerd privacy-beschermend federaal leerplan dat gericht is op het verbeteren van de Multi-Krum-techniek en het combineren met homomorfe versleuteling om ciphertext-niveau model filtering en model aggregatie te bereiken die lokale modellen kan verifiëren terwijl privacybescherming wordt gehandhaafd. De Paillier-homomorfe versleutelingstechniek wordt in deze methode gebruikt om modelupdates te versleutelen en zo extra privacybescherming te bieden. De Paillier-algoritme werkt zoals afgebeeld.

De-identificatie

De-identificatie is een methode die vaak wordt gebruikt om persoonlijke identificatie-informatie van een gebruiker in de gegevens te anonimiseren door de gegevens te scheiden van de gegevensidentificatoren, waardoor het risico van gegevenstracking wordt verkleind. Er bestaat een gedecentraliseerd AI-framework gebouwd op toegestane blockchain-technologie die de bovengenoemde aanpak gebruikt. Het AI-framework scheidt de persoonlijke identificatie-informatie effectief van niet-persoonlijke informatie en slaat vervolgens de hash-waarden van de persoonlijke identificatie-informatie op in het blockchain-netwerk. Het voorgestelde AI-framework kan in de medische industrie worden gebruikt om medische dossiers en informatie van een patiënt te delen zonder zijn/haar ware identiteit te onthullen. Zoals afgebeeld in de onderstaande afbeelding, gebruikt het voorgestelde AI-framework twee onafhankelijke blockchain-netwerken voor gegevensaanvragen, waarbij het ene blockchain-netwerk de informatie van de patiënt opslaat, samen met toegangsrechten, terwijl het tweede blockchain-netwerk audit-sporen van aanvragen of queries die door aanvragers zijn gedaan, vastlegt. Als gevolg hiervan hebben patiënten nog steeds volledige autoriteit en controle over hun medische dossiers en gevoelige informatie, terwijl ze veilige en beveiligde gegevensdeling tussen meerdere entiteiten op het netwerk mogelijk maken.

Multi-laags Gedistribueerde Ledger

Een multi-laags gedistribueerde ledger is een gegevensopslagsysteem met decentrale eigenschappen en meerdere hiërarchische lagen die zijn ontworpen om de efficiëntie te maximaliseren en de gegevensdelingsprocessen te beveiligen, evenals de privacybescherming te verbeteren. DeepLinQ is een blockchain-gebaseerd multi-laags decentraal gedistribueerd ledger dat de zorgen van gebruikers over gegevensprivacy en -deling adresseert door privacy-beschermde gegevensopslag mogelijk te maken. DeepLinQ waarborgt de beloofde gegevensprivacy door verschillende technieken te gebruiken, zoals on-demand querying, toegangscontrole, proxy-reservatie en slimme contracten, om de kenmerken van het blockchain-netwerk te benutten, waaronder het consensusmechanisme, volledige decentralisatie en anonimiteit, om gegevensprivacy te beschermen.

K-Anonimiteit

De K-Anonimiteit-methode is een privacybeschermingsmethode die individuen in een dataset zo groepeert dat elke groep ten minste K individuen met identieke attribuutwaarden heeft, waardoor de identiteit en privacy van individuele gebruikers worden beschermd. De K-Anonimiteit-methode is de basis voor een voorgestelde betrouwbare transactiemodel dat transacties tussen energienodes en elektrische voertuigen mogelijk maakt. In dit model vervult de K-Anonimiteit-methode twee functies: ten eerste, het verbergt de locatie van de EV’s door een geünificeerd verzoek te construeren met K-Anonimiteit-technieken die de locatie van de auto-eigenaar verbergen; ten tweede, verbergt de K-Anonimiteit-methode gebruikersidentificatoren, zodat aanvallers niet de optie hebben om gebruikers te koppelen aan hun elektrische voertuigen.

Evaluatie en Situatieanalyse

In dit gedeelte zullen we een uitgebreide analyse en evaluatie van tien privacybeschermingssystemen doen die gebruikmaken van de fusie van blockchain- en AI-technologieën die in de afgelopen jaren zijn voorgesteld. De evaluatie richt zich op vijf belangrijke kenmerken van deze voorgestelde methoden, waaronder autoriteitsbeheer, gegevensbescherming, toegangscontrole, schaalbaarheid en netwerkbeveiliging, en bespreekt ook de sterke en zwakke punten en potentiële verbeteringsgebieden. Het zijn de unieke kenmerken die voortkomen uit de integratie van AI en blockchain-technologieën die nieuwe ideeën en oplossingen voor verbeterde privacybescherming hebben mogelijk gemaakt. Voor referentie toont de onderstaande afbeelding de verschillende evaluatiemetrics die worden gebruikt om de analytische resultaten voor de gecombineerde toepassing van blockchain- en AI-technologieën te verkrijgen.

Autoriteitsbeheer

Toegangscontrole is een beveiligings- en privacytechnologie die wordt gebruikt om de toegang van een gebruiker tot geautoriseerde resources te beperken op basis van vooraf gedefinieerde regels, instructies, beleid, om de gegevensintegriteit en systeembeveiliging te waarborgen. Er bestaat een intelligent privacy-parkerbeheersysteem dat gebruikmaakt van een Role-Based Access Control- of RBAC-model om machtigingen te beheren. In het framework wordt elke gebruiker een of meer rollen toegewezen en vervolgens ingedeeld op basis van rollen, waardoor het systeem de toegangsrechten voor attributen kan controleren. Gebruikers op het netwerk kunnen hun blockchain-adres gebruiken om hun identiteit te verifiëren en toegangsrechten te verkrijgen.

Toegangscontrole

Toegangscontrole is een van de belangrijkste fundamenten van privacybescherming, waarbij de toegang wordt beperkt op basis van groepslidmaatschap en gebruikersidentiteit, om ervoor te zorgen dat alleen geautoriseerde gebruikers toegang hebben tot specifieke resources die ze mogen benaderen, en zo het systeem te beschermen tegen ongewenste of gedwongen toegang.

Digitale identiteitstechnologie is een opkomende aanpak voor IoT-toepassingen die veilige en beveiligde toegangscontrole kan bieden en de beveiliging van gegevens en apparaten kan waarborgen. De methode stelt voor om een reeks toegangscontrolebeleidsregels te gebruiken die zijn gebaseerd op cryptografische primitieven en digitale identiteitstechnologie of DIT om de beveiliging van communicaties tussen entiteiten zoals drones, cloud-servers en Ground Station Servers (GSS) te beschermen. Zodra de registratie van de entiteit is voltooid, worden de referenties opgeslagen in het geheugen. De onderstaande tabel samenvat de soorten defecten in het framework.

Gegevensbescherming

Gegevensbescherming verwijst naar maatregelen, waaronder gegevensversleuteling, toegangscontrole, beveiligingsaudits en gegevensback-up, om ervoor te zorgen dat de gegevens van een gebruiker niet onrechtmatig worden benaderd, gemanipuleerd of gelekt. Bij het verwerken van gegevens kunnen technieken zoals gegevensmaskering, anonimisatie, gegevensisolatie en gegevensversleuteling worden gebruikt om gegevens te beschermen tegen ongeautoriseerde toegang en lekkage. Bovendien kunnen encryptietechnologieën zoals homomorfe versleuteling, differentiële privacybescherming, digitale handtekeningen, asymmetrische encryptie-algoritmen en hash-algoritmen ongeautoriseerde en illegale toegang door niet-geautoriseerde gebruikers voorkomen en gegevensvertrouwelijkheid waarborgen.

Netwerkbeveiliging

Netwerkbeveiliging is een breed domein dat verschillende aspecten omvat, waaronder het waarborgen van gegevensvertrouwelijkheid en -integriteit, het voorkomen van netwerkaanvallen en het beschermen van het systeem tegen netwerkvirussen en kwaadaardige software. Om de veiligheid, betrouwbaarheid en beveiliging van het systeem te waarborgen, moeten een reeks beveiligde netwerkarchitecturen en -protocollen, evenals beveiligingsmaatregelen, worden geadopteerd. Bovendien is het analyseren en beoordelen van verschillende netwerkbedreigingen en het ontwikkelen van overeenkomstige verdedigingsmechanismen en beveiligingsstrategieën essentieel om de betrouwbaarheid en beveiliging van het systeem te verbeteren.

Schaalbaarheid

Schaalbaarheid verwijst naar de mogelijkheid van een systeem om grotere hoeveelheden gegevens of een toenemend aantal gebruikers te verwerken. Bij het ontwerpen van een schaalbaar systeem moeten ontwikkelaars rekening houden met systeemprestaties, gegevensopslag, knooppuntbeheer, transmissie en verschillende andere factoren. Bovendien moeten ontwikkelaars bij het waarborgen van de schaalbaarheid van een framework of systeem, rekening houden met de systeembeveiliging om gegevenslekken, gegevenslekkage en andere beveiligingsrisico’s te voorkomen.

Ontwikkelaars hebben een systeem ontworpen dat voldoet aan de Europese Algemene Gegevensbeschermingsregels of GDPR door privacy-gerelateerde informatie en metadata van kunstwerken op te slaan in een gedistribueerd bestandssysteem dat buiten de keten bestaat. Metadata van kunstwerken en digitale tokens worden opgeslagen in OrbitDB, een databasesysteem dat meerdere knooppunten gebruikt om gegevens op te slaan, waardoor gegevensbeveiliging en -privacy worden gewaarborgd. Het gedistribueerde systeem buiten de keten verspreidt gegevensopslag en verbetert zo de schaalbaarheid van het systeem.

Situatieanalyse

De combinatie van AI- en blockchain-technologieën heeft geleid tot de ontwikkeling van een systeem dat zich sterk richt op het beschermen van de privacy, identiteit en gegevens van gebruikers. Hoewel AI-gegevensprivacysystemen nog steeds enkele uitdagingen kennen, zoals netwerkbeveiliging, gegevensbescherming, schaalbaarheid en toegangscontrole, is het essentieel om deze kwesties te overwegen en te wegen op basis van praktische overwegingen tijdens de ontwerpfase. Naarmate de technologie verder ontwikkelt en vordert, zullen de toepassingen van privacybeschermingssystemen die zijn gebouwd met AI- en blockchain-technologieën, meer aandacht trekken in de toekomst. Op basis van onderzoeksbevindingen, technische benaderingen en toepassingsscenario’s, kunnen ze worden onderverdeeld in drie categorieën.

• Toepassing van privacybeschermingsmethoden in de IoT- of Internet of Things-industrie met behulp van zowel blockchain- als AI-technologie.
• Toepassing van privacybeschermingsmethoden in slimme contracten en diensten die gebruikmaken van zowel blockchain- als AI-technologie.
• Grote-schaal gegevensanalysemethode die privacybescherming biedt met behulp van zowel blockchain- als AI-technologie.

De technologieën die behoren tot de eerste categorie, richten zich op de implementatie van AI- en blockchain-technologieën voor privacybescherming in de IoT-industrie. Deze methoden gebruiken AI-technieken om grote hoeveelheden gegevens te analyseren en profiteren van de decentrale en onveranderlijke kenmerken van het blockchain-netwerk om de authenticiteit en beveiliging van de gegevens te waarborgen.

De technologieën die vallen onder de tweede categorie, richten zich op het combineren van AI- en blockchain-technologieën voor verbeterde privacybescherming door gebruik te maken van blockchain-smart contracten en -diensten. Deze methoden combineren gegevensanalyse en -verwerking met AI en gebruiken blockchain-technologie om de afhankelijkheid van vertrouwde derden te verminderen en transacties op te nemen.

Tenslotte richten de technologieën die vallen onder de derde categorie, zich op het benutten van de kracht van AI- en blockchain-technologie om verbeterde privacybescherming te bereiken in grote-schaal gegevensanalyse. Deze methoden zijn gericht op het benutten van de decentrale en onveranderlijke eigenschappen van blockchain om de authenticiteit en beveiliging van de gegevens te waarborgen, terwijl AI-technieken de nauwkeurigheid van gegevensanalyse waarborgen.

Conclusie

In dit artikel hebben we besproken hoe AI- en blockchain-technologieën kunnen worden gebruikt in samenhang met elkaar om de toepassingen van privacybeschermingstechnologieën te verbeteren door hun gerelateerde methoden te bespreken en de vijf primaire kenmerken van deze privacybeschermingstechnologieën te evalueren. Bovendien hebben we ook de bestaande beperkingen van de huidige systemen besproken. Er zijn enkele uitdagingen in het domein van privacybeschermingstechnologieën die zijn gebouwd op blockchain- en AI-technologieën die nog steeds moeten worden aangepakt, zoals het vinden van een balans tussen gegevensdeling en privacybescherming. Het onderzoek naar het effectief combineren van de mogelijkheden van AI- en blockchain-technieken is gaande, en hier zijn enkele andere manieren om andere technieken te integreren.

• Edge Computing

Edge computing streeft naar decentralisatie door de kracht van edge- en IoT-apparaten te benutten om private en gevoelige gebruikersgegevens te verwerken. Aangezien AI-verwerking aanzienlijke rekenkracht vereist, kunnen edge computing-methoden de distributie van berekeningsTaken naar edge-apparaten voor verwerking mogelijk maken, in plaats van de gegevens te migreren naar cloudservices of dataservers. Aangezien de gegevens dichter bij het edge-apparaat zelf worden verwerkt, wordt de latentietijd aanzienlijk verkleind en wordt de netwerkcongestie verminderd, waardoor de snelheid en prestaties van het systeem worden verbeterd.

• Multi-chain Mechanismen

Multi-chain mechanismen hebben het potentieel om single-chain blockchain-opslag- en prestatieproblemen op te lossen, waardoor de schaalbaarheid van het systeem wordt verbeterd. De integratie van multi-chain mechanismen maakt het mogelijk om gegevens te classificeren op basis van distincte kenmerken en privacy niveaus, waardoor de opslagmogelijkheden en de beveiliging van privacybeschermingssystemen worden verbeterd.