Med den utbredte oppmerksomheten, og potensielle anvendelser av blokkjede- og kunstig intelligens-teknologier, får personvernteknikkene som oppstår som et direkte resultat av integrering av de to teknologiene betydelig betydning. Disse teknikkene for personvern beskytter ikke bare personvernet til enkeltpersoner, men de garanterer også påliteligheten og sikkerheten til dataene. 

I denne artikkelen skal vi snakke om hvordan samarbeidet mellom AI og blockchain gir opphav til en rekke personvernteknikker, og deres anvendelse i forskjellige vertikaler, inkludert de-identifikasjon, datakryptering, k-anonymitet og multi-tier distributed reskontrometoder. Videre vil vi også prøve å analysere manglene sammen med deres faktiske årsak, og tilby løsninger deretter. 

Blockchain, kunstig intelligens og deres integrasjon

Blockchain-nettverket ble først introdusert for verden da Nakamoto i 2008 introduserte Bitcoin, en kryptovaluta bygget på blockchain-nettverket. Helt siden introduksjonen har blockchain fått mye popularitet, spesielt de siste årene. Verdien som Bitcoin handler i dag, og det å krysse markedsverdien på billioner dollar indikerer at blockchain har potensial til å generere betydelige inntekter og fortjeneste for industrien. 

Blokkjedeteknologi kan kategoriseres primært ut fra nivået av tilgjengelighet og kontroll de tilbyr, med Offentlig, privat og føderert er de tre hovedtypene av blokkjedeteknologier. Populære kryptovalutaer og blokkjedearkitekturer som Bitcoin og Ethereum er offentlige blokkjedetilbud ettersom de er desentraliserte i sin natur, og de lar noder komme inn eller ut av nettverket fritt, og fremmer dermed maksimal desentralisering. 

Følgende figur viser strukturen til Ethereum ettersom den bruker en koblet liste for å etablere forbindelser mellom forskjellige blokker. Overskriften til blokken lagrer hash-adressen til den foregående blokken for å etablere en kobling mellom de to påfølgende blokkene. 

Utviklingen og implementeringen av blokkjedeteknologien følges med legitime sikkerhets- og personvernhensyn på ulike felt som ikke kan neglisjeres. For eksempel kan et datainnbrudd i finansnæringen resultere i store tap, mens et brudd i militære eller helsevesen kan være katastrofalt. For å forhindre disse scenariene har beskyttelse av data, brukereiendeler og identitetsinformasjon vært et hovedfokus for blokkjedesikkerhetsforskningssamfunnet, for å sikre utviklingen av blokkjedeteknologien er det viktig å opprettholde sikkerheten. 

Ethereum er en desentralisert blokkjedeplattform som opprettholder en delt hovedbok med informasjon i samarbeid ved å bruke flere noder. Hver node i Ethereum-nettverket bruker EVM eller Ethereum Vector Machine for å kompilere smarte kontrakter, og lette kommunikasjonen mellom noder som skjer via et P2P- eller peer-to-peer-nettverk. Hver node på Ethereum-nettverket er utstyrt med unike funksjoner og tillatelser, selv om alle nodene kan brukes til å samle transaksjoner og delta i blokkgruvedrift. Videre er det verdt å merke seg at sammenlignet med Bitcoin, viser Ethereum raskere blokkgenereringshastigheter med et forsprang på nesten 15 sekunder. Det betyr at kryptogruvearbeidere har en bedre sjanse til å skaffe belønninger raskere mens intervalltiden for å bekrefte transaksjoner reduseres betydelig. 

På den annen side er AI eller Artificial Intelligence en gren i moderne vitenskap som fokuserer på å utvikle maskiner som er i stand til å ta beslutninger, og som kan simulere autonom tenkning som kan sammenlignes med et menneskes evner. Kunstig intelligens er en veldig stor gren i seg selv med mange underfelt, inkludert dyp læring, datasyn, naturlig språkbehandling og mer. Spesielt NLP har vært et underfelt som har vært sterkt fokusert de siste årene som har resultert i utviklingen av noen førsteklasses LLM-er som GPT og BERT. NLP er på vei mot nesten perfeksjon, og det siste trinnet i NLP er å behandle teksttransformasjoner som kan gjøre datamaskiner forståelige, og nyere modeller som ChatGPT bygget på GPT-4 indikerte at forskningen går i riktig retning. 

Et annet underfelt som er ganske populært blant AI-utviklere er deep learning, en AI-teknikk som fungerer ved å imitere strukturen til nevroner. I et konvensjonelt rammeverk for dyp læring blir den eksterne inputinformasjonen behandlet lag for lag ved å trene hierarkiske nettverksstrukturer, og den sendes deretter videre til et skjult lag for endelig representasjon. Dype læringsrammer kan deles inn i to kategorier: Veiledet læring, og uovervåket læring. 

Bildet ovenfor viser arkitekturen til dyp læringsperceptron, og som det kan sees på bildet, bruker et rammeverk for dyp læring en nevrale nettverksarkitektur på flere nivåer for å lære funksjonene i dataene. Det nevrale nettverket består av tre typer lag, inkludert det skjulte laget, inngangsbetaleren og utgangslaget. Hvert perceptronlag i rammeverket er koblet til neste lag for å danne et dyplæringsrammeverk. 

Til slutt har vi integreringen av blokkjede- og kunstig intelligens-teknologier ettersom disse to teknologiene brukes på tvers av forskjellige bransjer og domener med en økning i bekymringen angående cybersikkerhet, datasikkerhet og personvern. Applikasjoner som tar sikte på å integrere blokkjede og kunstig intelligens manifesterer integrasjonen i følgende aspekter. 

• Bruke blockchain-teknologi for å registrere og lagre treningsdata, input og output fra modellene og parametere, for å sikre ansvarlighet og åpenhet i modellrevisjoner. 
• Bruke blokkjederammer for å distribuere AI-modeller for å oppnå desentraliseringstjenester blant modeller, og forbedre skalerbarheten og stabiliteten til systemet. 
• Gir sikker tilgang til eksterne AI-data og -modeller ved hjelp av desentraliserte systemer, og gjør det mulig for blokkjedenettverk å skaffe ekstern informasjon som er pålitelig. 
• Bruke blokkjedebaserte token-design og insentivmekanismer for å etablere forbindelser og pålitelige interaksjoner mellom brukere og AI-modellutviklere. 

Personvern gjennom integrering av Blockchain og AI-teknologier 

I det nåværende scenariet har datatillitssystemer visse begrensninger som kompromitterer påliteligheten til dataoverføringen. For å utfordre disse begrensningene, kan blokkjedeteknologier distribueres for å etablere en pålitelig og sikker datadelings- og lagringsløsning som tilbyr personvernbeskyttelse og forbedrer datasikkerheten. Noen av applikasjonene til blokkjede i AI personvern er nevnt i tabellen nedenfor. 

Ved å forbedre implementeringen og integrasjonen av disse teknologiene, kan beskyttelseskapasiteten og sikkerheten til gjeldende datatillitssystemer økes betydelig. 

Datakryptering

Tradisjonelt har metoder for datadeling og datalagring vært sårbare for sikkerhetstrusler fordi de er avhengige av sentraliserte servere som gjør dem til et lett identifiserbart mål for angripere. Sårbarheten til disse metodene gir opphav til alvorlige komplikasjoner som tukling av data og datalekkasjer, og gitt gjeldende sikkerhetskrav er ikke krypteringsmetoder alene tilstrekkelig for å sikre sikkerheten og sikkerheten til dataene, som er hovedårsaken bak fremveksten av personvernteknologier basert på integrering av kunstig intelligens og blokkjede. 

La oss ta en titt på en blokkjedebasert personvernbevarende føderert læringsordning som tar sikte på å forbedre Multi-Krum-teknikken, og kombinere den med homomorf kryptering for å oppnå modellfiltrering på chiffertekstnivå og modellaggregering som kan verifisere lokale modeller samtidig som personvernet opprettholdes. Paillier homomorfe krypteringsteknikk brukes i denne metoden for å kryptere modelloppdateringer, og dermed gi ekstra personvern. Paillier-algoritmen fungerer som vist. 

De-Identifisering

Avidentifikasjon er en metode som ofte brukes til å anonymisere personlig identifiserende informasjon om en bruker i dataene ved å separere dataene fra dataidentifikatorene, og dermed redusere risikoen for datasporing. Det finnes et desentralisert AI-rammeverk bygget på autorisert blokkjedeteknologi som bruker den ovennevnte tilnærmingen. AI-rammeverket skiller i hovedsak personlig identifiserende informasjon fra ikke-personlig informasjon effektivt, og lagrer deretter hashverdiene til personlig identifiserende informasjon i blokkjedenettverket. Det foreslåtte AI-rammeverket kan brukes i medisinsk industri for å dele medisinske journaler og informasjon om en pasient uten å avsløre hans/hennes sanne identitet. Som vist på bildet nedenfor, bruker det foreslåtte AI-rammeverket to uavhengige blokkjeder for dataforespørsler, hvor ett blokkjedenettverk lagrer pasientens informasjon sammen med tilgangstillatelser for data, mens det andre blokkjedenettverket fanger opp revisjonsspor for eventuelle forespørsler eller spørsmål fra forespørrere. Som et resultat har pasienter fortsatt full autoritet og kontroll over sine medisinske journaler og sensitiv informasjon, samtidig som de muliggjør sikker og trygg datadeling mellom flere enheter i nettverket. 

Flerlags distribuert hovedbok

En flerlags distribuert hovedbok er et datalagringssystem med desentraliseringsegenskaper og flere hierarkiske lag som er designet for å maksimere effektiviteten og sikre datadelingsprosessen sammen med forbedret personvern. DeepLinQ er en blokkjedebasert flerlags desentralisert distribuert hovedbok som adresserer en brukers bekymring angående personvern og datadeling ved å aktivere personvernbeskyttet personvern. DeepLinQ arkiverer det lovede datapersonvernet ved å bruke ulike teknikker som spørring på forespørsel, tilgangskontroll, proxy-reservasjon og smarte kontrakter for å utnytte blokkjedenettverkets egenskaper, inkludert konsensusmekanisme, fullstendig desentralisering og anonymitet for å beskytte datavernet. 

K-anonymitet

K-Anonymitetsmetoden er en personvernmetode som tar sikte på å målrette og gruppere individer i et datasett på en måte som gjør at hver gruppe har minst K individer med identiske attributtverdier, og derfor beskytter identiteten og personvernet til individuelle brukere. K-Anonymitetsmetoden har vært grunnlaget for en foreslått pålitelig transaksjonsmodell som letter transaksjoner mellom energinoder og elektriske kjøretøy. I denne modellen har K-Anonymitetsmetoden to funksjoner: For det første skjuler den plasseringen av elbilene ved å konstruere en enhetlig forespørsel ved å bruke K-Anonymitetsteknikker som skjuler eller skjuler plasseringen til eieren av bilen; For det andre skjuler K-Anonymity-metoden brukeridentifikatorer slik at angripere ikke får muligheten til å koble brukere til deres elektriske kjøretøy. 

Evaluering og situasjonsanalyse

I denne delen skal vi snakke om omfattende analyse og evaluering av ti personvernsystemer som bruker fusjonen av blokkjede- og AI-teknologier som har blitt foreslått de siste årene. Evalueringen fokuserer på fem hovedkarakteristikker ved disse foreslåtte metodene, inkludert: autoritetsstyring, databeskyttelse, tilgangskontroll, skalerbarhet og nettverkssikkerhet, og diskuterer også styrker, svakheter og potensielle forbedringsområder. Det er de unike funksjonene som følge av integreringen av AI- og blokkjedeteknologier som har banet vei for nye ideer og løsninger for forbedret personvern. Som referanse viser bildet nedenfor ulike evalueringsmålinger som brukes for å utlede de analytiske resultatene for den kombinerte anvendelsen av blokkjede- og AI-teknologier. 

Myndighetsledelse

Tilgangskontroll er en sikkerhets- og personvernteknologi som brukes til å begrense en brukers tilgang til autoriserte ressurser på grunnlag av forhåndsdefinerte regler, sett med instruksjoner, retningslinjer, sikring av dataintegritet og systemsikkerhet. Det finnes et intelligent personvernparkeringsadministrasjonssystem som bruker en rollebasert tilgangskontroll eller RBAC-modell for å administrere tillatelser. I rammeverket tildeles hver bruker en eller flere roller, og klassifiseres deretter etter roller som lar systemet kontrollere attributttilgangstillatelser. Brukere på nettverket kan bruke blokkjedeadressen deres for å bekrefte identiteten deres, og få tilgang til attributtautorisasjon. 

Access Control

Tilgangskontroll er en av de grunnleggende prinsippene for personvern, og begrenser tilgang basert på gruppemedlemskap og brukeridentitet for å sikre at det kun er de autoriserte brukerne som kan få tilgang til spesifikke ressurser de har tilgang til, og dermed beskytte systemet mot uønsket tvungen tilgang. For å sikre effektiv og effektiv tilgangskontroll, må rammeverket vurdere flere faktorer, inkludert autorisasjon, brukerautentisering og tilgangspolicyer. 

Digital Identity Technology er en fremvoksende tilnærming for IoT-applikasjoner som kan gi trygg og sikker tilgangskontroll og sikre personvern for data og enheter. Metoden foreslår å bruke en rekke tilgangskontrollpolicyer som er basert på kryptografiske primitiver, og digital identitetsteknologi eller DIT for å beskytte sikkerheten til kommunikasjon mellom enheter som droner, skyservere og bakkestasjonsservere (GSS). Når registreringen av enheten er fullført, lagres legitimasjonen i minnet. Tabellen nedenfor oppsummerer typene defekter i rammeverket. 

Data Protection

Databeskyttelse brukes til å referere til tiltak inkludert datakryptering, tilgangskontroll, sikkerhetsrevisjon og sikkerhetskopiering av data for å sikre at dataene til en bruker ikke får tilgang til ulovlig, tuklet med eller lekket. Når det gjelder databehandling, kan teknologier som datamaskering, anonymisering, dataisolering og datakryptering brukes for å beskytte data mot uautorisert tilgang og lekkasje. Videre kan krypteringsteknologier som homomorfisk kryptering, differensiell personvern, digitale signaturalgoritmer, asymmetriske krypteringsalgoritmer og hashalgoritmer forhindre uautorisert og ulovlig tilgang fra ikke-autoriserte brukere og sikre datakonfidensialitet. 

Nettverkssikkerhet

Nettverkssikkerhet er et bredt felt som omfatter ulike aspekter, inkludert å sikre datakonfidensialitet og integritet, forhindre nettverksangrep og beskytte systemet mot nettverksvirus og skadelig programvare. For å sikre sikkerheten, påliteligheten og sikkerheten til systemet, må en rekke sikre nettverksarkitekturer og protokoller og sikkerhetstiltak tas i bruk. Videre er det avgjørende å analysere og vurdere ulike nettverkstrusler og komme opp med tilsvarende forsvarsmekanismer og sikkerhetsstrategier for å forbedre påliteligheten og sikkerheten til systemet.

skalerbarhet

Skalerbarhet refererer til et systems evne til å håndtere større mengder data eller et økende antall brukere. Når de designer et skalerbart system, må utviklere vurdere systemytelse, datalagring, nodeadministrasjon, overføring og flere andre faktorer. Videre, når de sikrer skalerbarheten til et rammeverk eller et system, må utviklere ta hensyn til systemsikkerheten for å forhindre datainnbrudd, datalekkasjer og andre sikkerhetsrisikoer. 

Utviklere har designet et system i samsvar med europeiske generelle databeskyttelsesregler eller GDPR ved å lagre personvernrelatert informasjon og kunstverksmetadata i et distribuert filsystem som eksisterer utenfor kjeden. Kunstmetadata og digitale tokens lagres i OrbitDB, et databaselagringssystem som bruker flere noder for å lagre dataene, og dermed sikrer datasikkerhet og personvern. Det distribuerte systemet utenfor kjeden sprer datalagring, og forbedrer dermed skalerbarheten til systemet. 

Situasjonsanalyse

Sammenslåingen av AI- og blockchain-teknologier har resultert i å utvikle et system som fokuserer sterkt på å beskytte brukernes personvern, identitet og data. Selv om AI-datapersonvernsystemer fortsatt står overfor noen utfordringer som nettverkssikkerhet, databeskyttelse, skalerbarhet og tilgangskontroll, er det avgjørende å vurdere og veie disse problemene på grunnlag av praktiske hensyn under designfasen. Etter hvert som teknologien utvikler seg og utvikler seg videre, utvides applikasjonene, personvernsystemene bygget ved hjelp av AI og blokkjede vil tiltrekke seg mer oppmerksomhet i den kommende fremtiden. På grunnlag av forskningsresultater, tekniske tilnærminger og anvendelsesscenarier kan de klassifiseres i tre kategorier. 

• Personvernmetodeapplikasjon i IoT- eller tingenes internett-industrien ved å bruke både blokkjede- og AI-teknologi. 
• Personvernmetodeapplikasjon i smart kontrakt og tjenester som benytter seg av både blokkjede- og AI-teknologi. 
• Storskala dataanalysemetoder som tilbyr personvernbeskyttelse ved å bruke både blokkjede- og AI-teknologi. 

Teknologiene som tilhører den første kategorien fokuserer på implementering av AI og blockchain-teknologier for personvern i IoT-industrien. Disse metodene bruker AI-teknikker for å analysere store datavolumer samtidig som de drar fordel av desentraliserte og uforanderlige funksjoner i blokkjedenettverket for å sikre autentisitet og sikkerhet for dataene. 

Teknologiene som faller i den andre kategorien fokuserer på å smelte sammen AI- og Blockchain-teknologier for forbedret personvern ved å bruke blockchains smarte kontrakter og tjenester. Disse metodene kombinerer dataanalyse og databehandling med AI og bruker blokkjedeteknologi ved siden av for å redusere avhengigheten av pålitelige tredjeparter, og registrere transaksjoner. 

Til slutt fokuserer teknologiene som faller i den tredje kategorien på å utnytte kraften til AI og blokkjedeteknologi for å oppnå forbedret personvern i storskala dataanalyse. Disse metodene tar sikte på å utnytte blockchains desentralisering og uforanderlighetsegenskaper som sikrer ektheten og sikkerheten til data mens AI-teknikker sikrer nøyaktigheten til dataanalysen. 

Konklusjon

I denne artikkelen har vi snakket om hvordan AI- og Blockchain-teknologier kan brukes synkronisert med hverandre for å forbedre applikasjonene til personvernteknologier ved å snakke om deres relaterte metodikker, og evaluere de fem primære egenskapene til disse personvernteknologiene. Videre har vi også snakket om eksisterende begrensninger i dagens systemer. Det er visse utfordringer innen personvernteknologier bygget på blockchain og AI som fortsatt må løses, for eksempel hvordan man kan finne en balanse mellom datadeling og bevaring av personvern. Forskningen på hvordan man effektivt kan slå sammen egenskapene til AI- og Blockchain-teknikker pågår, og her er flere andre måter som kan brukes til å integrere andre teknikker. 

• Edge Computing

Edge computing har som mål å oppnå desentralisering ved å utnytte kraften til edge- og IoT-enheter for å behandle private og sensitive brukerdata. Fordi AI-behandling gjør det obligatorisk å bruke betydelige dataressurser, kan bruk av edge computing-metoder muliggjøre distribusjon av beregningsoppgaver til edge-enheter for behandling i stedet for å migrere dataene til skytjenester eller dataservere. Siden dataene behandles mye nærmere selve edge-enheten, reduseres latenstiden betydelig, og det samme er overbelastningen på nettverket som forbedrer hastigheten og ytelsen til systemet. 

• Flerkjedemekanismer

Flerkjedemekanismer har potensial til å løse enkeltkjede blokkjedelagring og ytelsesproblemer, og øker derfor skalerbarheten til systemet. Integreringen av flerkjedemekanismer muliggjør distinkte attributter og personvernbasert dataklassifisering, og forbedrer derfor lagringsmuligheter og sikkerhet for personvernsystemer.