Med den omfattende oppmerksomheten og potensielle anvendelser av blockchain- og kunstig intelligens-teknologier, har personvernteknikkene som oppstår som en direkte følge av integrasjonen av disse teknologiene, fått betydelig betydning. Disse personvernteknikkene beskytter ikke bare personvern for enkeltpersoner, men garanterer også pålitelighet og sikkerhet for dataene.

I denne artikkelen skal vi diskutere hvordan samarbeidet mellom AI og blockchain gir fødsel til tallrike personvernteknikker, og deres anvendelse i ulike vertikaler, inkludert de-identifisering, datakryptering, k-anonymitet og multi-lagrede distribuerte ledermetoder. Videre skal vi også prøve å analysere manglene samt deres faktiske årsak, og tilby løsninger deretter.

Blockchain, kunstig intelligens og deres integrasjon

Blockchain-nettverket ble først introdusert for verden i 2008 da Nakamoto introduserte Bitcoin, en kryptovaluta bygget på blockchain-nettverket. Siden dens introduksjon har blockchain fått mye popularitet, spesielt de siste årene. Verdien som Bitcoin handles i dag, og den krysser trillion-dollar markedskap-marken, indikerer at blockchain har potensial til å generere betydelig inntekt og fortjeneste for industrien.

Blockchain-teknologi kan kategoriseres primært basert på nivået av tilgjengelighet og kontroll de tilbyr, med offentlig, privat og føderal som de tre hovedtypene av blockchain-teknologier. Populære kryptovalutaer og blockchain-arkitekturer som Bitcoin og Ethereum er offentlige blockchain-tilbud, da de er desentralisert i naturen og tillater noder å gå inn eller ut av nettverket fritt, og dermed fremmer maksimal desentralisering.

Følgende figur viser strukturen til Ethereum, da den bruker en lenket liste til å etablere forbindelser mellom ulike blokker. Hodesiden til blokken lagrer hash-adressen til den forrige blokken for å etablere en kobling mellom de to påfølgende blokkene.

Utviklingen og implementeringen av blockchain-teknologien følges av legitime sikkerhets- og personverns bekymringer i ulike felt som ikke kan neglisjeres. For eksempel kan en datalekkasje i finansindustrien føre til store tap, mens en lekkasje i militær- eller helse-systemer kan være katastrofale. For å forebygge disse scenariene, har beskyttelse av data, brukerens aktiva og identitetsinformasjon vært et hovedfokus for blockchain-sikkerhetsforskningsmiljøet, for å sikre utviklingen av blockchain-teknologien, er det essensielt å opprettholde dens sikkerhet.

Ethereum er en desentralisert blockchain-plattform som opprettholder en felles leder av informasjon samarbeidende ved hjelp av flere noder. Hver node i Ethereum-nettverket bruker EVM eller Ethereum Vector Machine til å kompilere smarte kontrakter og fasilitere kommunikasjonen mellom noder som skjer via en P2P eller peer-to-peer-nettverk. Hver node på Ethereum-nettverket er gitt unike funksjoner og tillatelser, selv om alle nodene kan brukes til å samle transaksjoner og delta i blokkgruving. Videre er det verdt å merke seg at når det sammenlignes med Bitcoin, viser Ethereum raskere blokkgenereringshastigheter med en ledelse på nærmere 15 sekunder. Det betyr at krypto-gruvearbeidere har en bedre sjanse til å få belønninger raskere, mens intervallet for å verifisere transaksjoner reduseres betydelig.

På den andre siden er AI eller kunstig intelligens en gren i moderne vitenskap som fokuserer på å utvikle maskiner som er i stand til å fatte beslutninger og kan simulere autonomt tenkning sammenlignbar med en menneskes evne. Kunstig intelligens er en svært vid gren i seg selv med tallrike undergrenier, inkludert dyp læring, datamaskin-syn, naturlig språkbehandling og mer. NLP i særdeleshet har vært en undergren som har vært fokusert tungt i de siste årene, og har resultert i utviklingen av noen topp-kvalitets LLM’er som GPT og BERT. NLP er på vei mot nærmest fullkommenhet, og den siste fasen av NLP er å prosessere teksttransformasjoner som kan gjøre datamaskiner forståelige, og nyere modeller som ChatGPT bygget på GPT-4 indikerer at forskningen er på vei mot riktig retning.

En annen undergren som er ganske populær blant AI-utviklere er dyp læring, en AI-teknikk som fungerer ved å imitere strukturen til neuroner. I en konvensjonell dyp læring-ramme, prosesseres ytre input-informasjon lag for lag ved å trene hierarkiske nettverksstrukturer, og deretter overføres den til en skjult lag for endelig representasjon. Dyp læring-rammer kan klassifiseres i to kategorier: Overvåket læring og uovervåket læring.

Ovenstående bilde viser arkitekturen til dyp læring-perceptron, og som det kan ses i bildet, bruker en dyp læring-ramme en multi-lag neural nettverksarkitektur til å lære funksjoner i dataene. Neuronal nettverket består av tre typer lag, inkludert det skjulte laget, input-laget og output-laget. Hver perceptron-lag i rammen er koblet til det påfølgende lag for å danne en dyp læring-ramme.

Til slutt har vi integrasjonen av blockchain og kunstig intelligens-teknologier, da disse to teknologiene blir anvendt over ulike industrier og domener med en økende bekymring for cybersikkerhet, datasikkerhet og personvernsbeskyttelse. Anvendelser som har som mål å integrere blockchain og kunstig intelligens, manifestere integrasjonen i følgende aspekter.

• Bruke blockchain-teknologi til å registrere og lagre treningsdata, input og output av modellene, og parametre, for å sikre ansvarlighet og gjennomsiktighet i modell-auditer.
• Bruke blockchain-rammer til å distribuere AI-modeller for å oppnå desentraliserte tjenester mellom modeller, og forbedre skalerbarheten og stabiliteten til systemet.
• Tilby sikker tilgang til eksterne AI-data og modeller ved hjelp av desentraliserte systemer, og muliggjøre at blockchain-nettverk kan tilegne seg eksterne informasjon som er pålitelig.
• Bruke blockchain-basert token-design og incentiv-mekanismer til å etablere forbindelser og tillitsfulle interaksjoner mellom brukere og AI-modell-utviklere.

Personvernsbeskyttelse gjennom integrasjon av blockchain og AI-teknologier

I den nåværende situasjonen har data-tillits-systemer visse begrensninger som kompromitterer påliteligheten til dataoverføringen. For å utfordre disse begrensningene, kan blockchain-teknologier bli anvendt til å etablere en pålitelig og sikker data-delings- og lagringsløsning som tilbyr personvernsbeskyttelse og forbedrer datasikkerheten. Noen av anvendelsene av blockchain i AI personvernsbeskyttelse er nevnt i følgende tabell.

Ved å forbedre implementeringen og integrasjonen av disse teknologiene, kan den beskyttende kapasiteten og sikkerheten til nåværende data-tillits-systemer bli forbedret betydelig.

Datakryptering

Tradisjonelt har data-delings- og lagringsmetoder vært sårbare for sikkerhetstrusler, da 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 data-forfalskning og data-lekkasje, og gitt nåværende sikkerhetskrav, er krypteringsmetoder alene ikke tilstrekkelige til å sikre sikkerheten til dataene, som er hovedårsaken til oppkomsten av personvernsbeskyttelsesteknologier basert på integrasjon av kunstig intelligens og blockchain.

La oss se på en blockchain-basert personvernsbeskyttende felles læringsskjema som har som mål å forbedre Multi-Krum-teknikken og kombinere den med homomorfe kryptering for å oppnå chiffert-levelfiltering og modell-aggregasjon som kan verifisere lokale modeller samtidig som personvernsbeskyttelsen opprettholdes. Paillier-homomorfe krypteringsteknikken brukes i denne metoden til å kryptere modell-oppdateringer og dermed tilby ekstra personvernsbeskyttelse. Paillier-algoritmen fungerer som vist.

De-identifisering

De-identifisering er en metode som ofte brukes til å anonymisere personlig identifiseringsinformasjon til en bruker i dataene ved å skille dataene fra data-identifikatorene og dermed redusere risikoen for data-sporing. Det finnes en desentralisert AI-ramme bygget på tillatt blockchain-teknologi som bruker ovennevnte tilnærming. AI-rammen skiller effektivt personlig identifiseringsinformasjon fra ikke-personlig informasjon og lagrer deretter hash-verdier av personlig identifiseringsinformasjon i blockchain-nettverket. Den foreslåtte AI-rammen kan brukes i medisinsk industri til å dele medisinske journaler og informasjon om en pasient uten å avsløre hans/hennes sanne identitet. Som vist i følgende bilde, bruker den foreslåtte AI-rammen to uavhengige blockchain for dataforespørsler, hvor ett blockchain-nettverk lagrer pasientens informasjon sammen med data-tilgangs-tillatelser, mens det andre blockchain-nettverket fanger opp audit-spor av alle forespørsler eller spørsmål som gjøres av forespørerne. Som resultat har pasientene fortsatt full autoritet og kontroll over sine medisinske journaler og følsomme informasjon, samtidig som det muliggjør sikker og trygg data-deling mellom flere enheter i nettverket.

Multi-lagret distribuert leder

En multi-lagret distribuert leder er et datasystem med desentraliseringsegenskaper og flere hierarkiske lag som er designet for å maksimere effektivitet og sikre data-delingsprosessen samt forbedre personvernsbeskyttelsen. DeepLinQ er en blockchain-basert multi-lagret desentralisert distribuert leder som adresse en brukers bekymring om data-privatitet og data-deling ved å muliggjøre personvernsbeskyttet data-privatitet. DeepLinQ oppnår det lovette data-privatitet ved å bruke ulike tekniker som på forespørsel-forespørsel, tilgangskontroll, proxy-reservasjon og smarte kontrakter for å utnytte blockchain-nettverkets egenskaper, inkludert konsensus-mekanismer, full desentralisering og anonymitet for å beskytte data-privatitet.

K-anonymitet

K-anonymitet-metoden er en personvernsbeskyttelsemetode som har som mål å angi og gruppere individer i en datasett på en måte som hver gruppe har minst K individer med identiske attributtverdier, og dermed beskytter identiteten og personvernet til enkeltpersoner. K-anonymitet-metoden har vært grunnlaget for en foreslått pålitelig transaksjonsmodell som muliggjør transaksjoner mellom energinoder og elektriske kjøretøy. I denne modellen tjener K-anonymitet-metoden to funksjoner: først, den skjuler plasseringen av elektriske kjøretøy ved å konstruere en felles forespørsel ved hjelp av K-anonymitet-teknikker som skjuler eller gjemmer plasseringen av bilens eier; andre, K-anonymitet-metoden skjuler bruker-identifikatorer slik at angripere ikke har mulighet til å koble brukere til deres elektriske kjøretøy.

Evaluering og situasjonsanalyse

I denne seksjonen skal vi diskutere en omfattende analyse og evaluering av ti personvernsbeskyttelsessystemer som bruker fusjonen av blockchain og AI-teknologier som har blitt foreslått i de siste årene. Evalueringen fokuserer på fem hovedegenskaper til disse foreslåtte metodene, inkludert autoritetsstyring, data-beskyttelse, tilgangskontroll, skalerbarhet og nettverksikkerhet, og diskuterer også styrkene, svakhetene og potensielle områder for forbedring. Det er de unike egenskapene som resulterer fra integrasjonen av AI og blockchain-teknologier som har åpnet vei for nye ideer og løsninger for forbedret personvernsbeskyttelse. For referanse viser bildet under ulike evaluering-metrikker som er brukt til å avlede analytiske resultater for den kombinerte anvendelsen av blockchain og AI-teknologier.

Autoritetsstyring

Tilgangskontroll er en sikkerhets- og personverns-teknologi som brukes til å begrense en brukers tilgang til autoriserte ressurser basert på forhåndsdefinerte regler, sett med instruksjoner, politikker, som sikrer data-integritet og system-sikkerhet. Det finnes en intelligent personverns-parkeringssystem som bruker en rolle-basert tilgangskontroll eller RBAC-modell til å styre tillatelser. I rammen blir hver bruker tildelt en eller flere roller og klassifisert i henhold til roller som tillater systemet å kontrollere attributt-tillatelser. Brukere på nettverket kan bruke sine blockchain-adresser til å verifisere sin identitet og få attributt-tillatelse.

Tilgangskontroll

Tilgangskontroll er en av de viktigste grunnleggende komponentene i personvernsbeskyttelse, som begrenser tilgang basert på gruppe-medlemskap og bruker-identitet for å sikre at bare autoriserte brukere kan få tilgang til bestemte ressurser som de har tillatelse til å aksessere, og dermed beskytter systemet mot uønsket eller tvunget tilgang. For å sikre effektiv og effektiv tilgangskontroll, må rammen vurdere flere faktorer, inkludert autorisasjon, bruker-autentisering og tilgangspolitikk.

Digital identitetsteknologi er en fremvoksende tilnærming for IoT-anvendelser som kan tilby sikker og trygg tilgangskontroll og sikre data- og enhets-privatitet. Metoden foreslår å bruke en rekke tilgangskontroll-politikker som er basert på kryptografiske primitiver og digital identitetsteknologi eller DIT for å beskytte sikkerheten til kommunikasjonen mellom enheter som droner, skytjenere og bakkestasjoner. Når registreringen av enheten er fullført, lagres legitimasjonen i minnet. Tabellen under summerer typene feil i rammen.

Data-beskyttelse

Data-beskyttelse brukes til å referere til tiltak som inkluderer data-kryptering, tilgangskontroll, sikkerhets-auditoring og data-bakoppslagring for å sikre at dataene til en bruker ikke aksesseres ulovlig, forfalskes eller lekkas. Når det gjelder data-behandling, kan teknologier som data-masking, anonymisering, data-isolasjon og data-kryptering brukes til å beskytte data mot uautorisert tilgang og lekkasje. Videre kan krypteringsteknologier som homomorfe kryptering, differensial personvernsbeskyttelse, digitale signatur-algoritmer, asymmetriske krypteringsalgoritmer og hash-algoritmer, forhindre uautorisert og ulovlig tilgang av ikke-autoriserte brukere og sikre data-konfidensialitet.

Nettverksikkerhet

Nettverksikkerhet er et bredt felt som omfatter ulike aspekter, inkludert å sikre data-konfidensialitet og integritet, forhindre nett-angrep og beskytte systemet mot nett-vermer og skadelig programvare. For å sikre sikkerheten, påliteligheten og sikkerheten til systemet, må en rekke sikre nett-arkitekturer og protokoller, samt sikkerhetstiltak, bli adoptert. Videre er det essensielt å analysere og vurdere ulike nett-trusler og komme med tilsvarende forsvarsmekanismer og sikkerhetsstrategier for å forbedre påliteligheten og sikkerheten til systemet.

Skalerbarhet

Skalerbarhet refererer til en systems evne til å håndtere større mengder data eller en økende antall brukere. Når en skalerebar system blir designet, må utviklere vurdere system-ytelse, data-lagring, node-styring, overføring og flere andre faktorer. Videre, når en skalerebar system eller ramme blir designet, må utviklere ta hensyn til system-sikkerheten for å forhindre data-lekkasjer, data-forfalskning og andre sikkerhetsrisiko.

Utviklere har designet et system i samsvar med europeiske generelle data-beskyttelsesregler eller GDPR ved å lagre personverns-relatert informasjon og kunst-verk-metadata i et distribuert filsystem som eksisterer utenfor kjeden. Kunst-verk-metadata og digitale token lagres i OrbitDB, et database-lagrings-system som bruker flere noder til å lagre dataene, og dermed sikrer data-sikkerhet og personvernsbeskyttelse. Det distribuerte systemet utenfor kjeden spres data-lagring og forbedrer dermed skalerbarheten til systemet.

Situasjonsanalyse

Kombinasjonen av AI og blockchain-teknologier har resultert i utviklingen av et system som fokuserer tungt på å beskytte personvernet, identiteten og dataene til brukerne. Selv om AI-data-privatitetssystemer fortsatt møter noen utfordringer som nettverksikkerhet, data-beskyttelse, skalerbarhet og tilgangskontroll, er det essensielt å vurdere og veie disse problemene på basis av praktiske overveielser under design-fasen. Etterhvert som teknologien utvikles og fremover, vil applikasjonene utvides, og personvernsbeskyttelsessystemene bygget med AI og blockchain vil tiltreffe mer oppmerksomhet i fremtiden. Basert på forskningsfunn, tekniske tilnærminger og applikasjonsscenarioer, kan de klassifiseres i tre kategorier.

• Personvernsbeskyttelse-metode-applikasjon i IoT eller Internett-av-ting-industrien ved hjelp av både blockchain og AI-teknologi.
• Personvernsbeskyttelse-metode-applikasjon i smarte kontrakter og tjenester som bruker både blockchain og AI-teknologi.
• Storskala-data-analyse-metoder som tilbyr personvernsbeskyttelse ved hjelp av både blockchain og AI-teknologi.

Teknologiene i den første kategorien fokuserer på implementeringen av AI og blockchain-teknologier for personvernsbeskyttelse i IoT-industrien. Disse metodene bruker AI-teknikker til å analysere store mengder data samtidig som de tar fordel av desentraliserte og uforanderlige egenskaper til blockchain-nettverket for å sikre autentisitet og sikkerhet til dataene.

Teknologiene i den andre kategorien fokuserer på å kombinere AI og blockchain-teknologier for forbedret personvernsbeskyttelse ved hjelp av blockchain-smart kontrakter og tjenester. Disse metodene kombinerer data-analyse og data-behandling med AI og bruker blockchain-teknologi samtidig for å redusere avhengigheten av pålitelige tredje parter og registrere transaksjoner.

Til slutt fokuserer teknologiene i den tredje kategorien på å utnytte kraften til AI og blockchain-teknologi for å oppnå forbedret personvernsbeskyttelse i storskala-data-analyse. Disse metodene har som mål å utnytte blockchain-decentralisering og uforanderlighetsegenskaper som sikrer autentisitet og sikkerhet til dataene, samtidig som AI-teknikker sikrer nøyaktigheten til data-analysen.

Konklusjon

I denne artikkelen har vi diskutert hvordan AI og blockchain-teknologier kan brukes i sammenheng for å forbedre applikasjonene til personvernsbeskyttelsesteknologier ved å diskutere deres relaterte metoder og evaluere de fem primære egenskapene til disse personvernsbeskyttelsesteknologiene. Videre har vi også diskutert de eksisterende begrensningene til nåværende systemer. Det finnes noen utfordringer i feltet personvernsbeskyttelsesteknologier bygget på blockchain og AI som fortsatt må løses, som hvordan man skal finne en balanse mellom data-deling og personvernsbeskyttelse. Forskningen på hvordan man kan kombinere evnene til AI og blockchain-teknikker pågår, og her er noen andre måter som kan brukes til å integrere andre teknologier.

• Kant-dataprosessering

Kant-dataprosessering har som mål å oppnå desentralisering ved å utnytte kraften til kant- og IoT-enheter til å prosessere private og følsomme brukerdata. Ettersom AI-prosessering krever betydelig beregningsressurser, kan kant-dataprosessering-metoder muliggjøre distribusjon av beregningsoppgaver til kant-enheter for prosessering i stedet for å flytte dataene til skytjenester eller dataservere. Ettersom dataene prosesseres mye nærmere kant-enheten selv, reduseres ventetiden betydelig, og også nettverkskongestjonen, som forbedrer hastigheten og ytelsen til systemet.

• Fler-kjede-mekanismer

Fler-kjede-mekanismer har potensialet til å løse enkelt-kjede-blockchain-lagring- og ytelsesproblemer, og dermed forbedre skalerbarheten til systemet. Integreringen av fler-kjede-mekanismer muliggjør distinkte attributter og personvernsnivå-basert data-klassifisering, og dermed forbedrer lagrings-kapasiteten og sikkerheten til personvernsbeskyttelsessystemer.