С учетом широкого внимания и потенциальных применений технологий блокчейна и искусственного интеллекта, методы защиты конфиденциальности, возникающие в результате интеграции этих двух технологий, приобретают значительное значение. Эти методы защиты конфиденциальности не только защищают конфиденциальность отдельных лиц, но также гарантируют надежность и безопасность данных.

В этой статье мы будем говорить о том, как сотрудничество между ИИ и блокчейном дает birth numerous методам защиты конфиденциальности, и их применение в различных областях, включая де-идентификацию, шифрование данных, k-анонимность и многоуровневые распределенные реестры. Кроме того, мы также попытаемся проанализировать недостатки и их фактические причины, и предложить решения соответственно.

Блокчейн, искусственный интеллект и их интеграция

Сеть блокчейна была впервые представлена миру в 2008 году, когда Накамото представил Bitcoin, криптовалюту, построенную на сети блокчейна. С момента своего появления блокчейн приобрел большую популярность, особенно в последние годы. Стоимость, по которой Bitcoin торгуется сегодня, и превышение отметки в 1 триллион долларов рыночной капитализации указывает на то, что блокчейн имеет потенциал для получения значительной прибыли и доходов для отрасли.

Технология блокчейна может быть категоризирована в основном на основе уровня доступности и контроля, который она предлагает, с публичным, частным и федеративным блокчейном, являющимися тремя основными типами технологий блокчейна. Популярные криптовалюты и архитектуры блокчейна, такие как Bitcoin и Ethereum, являются публичными предложениями блокчейна, поскольку они децентрализованы по своей природе и позволяют узлам входить или выходить из сети свободно, тем самым способствуя максимальной децентрализации.

Следующая фигура изображает структуру Ethereum, поскольку она использует связанный список для установления связей между различными блоками. Заголовок блока хранит хеш-адрес предыдущего блока, чтобы установить связь между двумя последовательными блоками.

Разработка и реализация технологии блокчейна сопровождается законными проблемами безопасности и конфиденциальности в различных областях, которые не могут быть игнорированы. Например, утечка данных в финансовой отрасли может привести к значительным потерям, в то время как утечка в военных или медицинских системах может быть катастрофической. Чтобы предотвратить эти сценарии, защита данных, активов пользователей и информации об идентификации была основным направлением исследований по безопасности блокчейна, поскольку для обеспечения развития технологии блокчейна необходимо поддерживать ее безопасность.

Ethereum – это децентрализованная платформа блокчейна, которая поддерживает общий журнал информации, используя несколько узлов. Каждый узел в сети Ethereum использует EVM или Ethereum Vector Machine для компиляции умных контрактов и облегчения общения между узлами, которое происходит через сеть punto-to-point. Каждому узлу в сети Ethereum предоставляются уникальные функции и разрешения, хотя все узлы могут быть использованы для сбора транзакций и участия в майнинге блоков. Кроме того, стоит отметить, что по сравнению с Bitcoin, Ethereum демонстрирует более быстрые скорости генерации блоков, опережая на 15 секунд. Это означает, что крипто-шахтеры имеют лучший шанс получить вознаграждение быстрее, в то время как интервал времени для проверки транзакций значительно сокращается.

С другой стороны, ИИ или искусственный интеллект – это ветвь современной науки, которая фокусируется на разработке машин, способных принимать решения и имитировать автономное мышление, сравнимое с возможностями человека. Искусственный интеллект – это очень обширная ветвь сама по себе, с многочисленными подветвями, включая глубокое обучение, компьютерное зрение, обработку естественного языка и многое другое. Обработка естественного языка в частности была подветвью, которая была сильно сосредоточена в последние годы, что привело к разработке некоторых лучших моделей, таких как GPT и BERT. Обработка естественного языка направлена на достижение почти совершенства, и последний шаг обработки естественного языка – это обработка текстовых преобразований, которые могут сделать компьютеры понятными, и недавние модели, такие как ChatGPT, построенные на GPT-4, указывают на то, что исследования направлены в правильном направлении.

Другой подветвью, которая очень популярна среди разработчиков ИИ, является глубокое обучение, метод ИИ, который работает, имитируя структуру нейронов. В традиционной рамке глубокого обучения внешняя информация обрабатывается слоями путем обучения иерархических сетевых структур, а затем передается в скрытый слой для окончательного представления. Рамки глубокого обучения можно классифицировать на два типа: обучение с учителем и обучение без учителя.

Изображение выше изображает архитектуру перцептрона глубокого обучения, и как можно видеть на изображении, рамка глубокого обучения использует многоуровневую архитектуру нейронной сети для обучения функций в данных. Нейронная сеть состоит из трех типов слоев, включая скрытый слой, входной слой и выходной слой. Каждый слой перцептрона в рамке подключен к следующему слою, чтобы сформировать рамку глубокого обучения.

Наконец, у нас есть интеграция технологий блокчейна и искусственного интеллекта, поскольку эти две технологии применяются в различных отраслях и областях с увеличением проблем, связанных с кибербезопасностью, безопасностью данных и защитой конфиденциальности. Приложения, которые направлены на интеграцию блокчейна и искусственного интеллекта, проявляют интеграцию в следующих аспектах.

• Использование технологии блокчейна для записи и хранения обучающих данных, входных и выходных данных моделей, и параметров, обеспечивая подотчетность и прозрачность в аудите моделей.
• Использование рамок блокчейна для развертывания моделей ИИ для достижения децентрализованных услуг среди моделей и повышения масштабируемости и стабильности системы.
• Обеспечение безопасного доступа к внешним данным и моделям ИИ, используя децентрализованные системы, и позволяя сетям блокчейна получать внешнюю информацию, которая является надежной.
• Использование дизайна токенов на основе блокчейна и механизмов стимулирования для установления связей и доверительных взаимодействий между пользователями и разработчиками моделей ИИ.

Защита конфиденциальности через интеграцию технологий блокчейна и ИИ

В текущей ситуации системы доверия данных имеют определенные ограничения, которые компрометируют надежность передачи данных. Чтобы бросить вызов этим ограничениям, технологии блокчейна могут быть использованы для создания надежного и безопасного решения для обмена и хранения данных, которое предлагает защиту конфиденциальности и повышает безопасность данных. Некоторые применения блокчейна в ИИ для защиты конфиденциальности упоминаются в следующей таблице.

Улучшая реализацию и интеграцию этих технологий, защитные возможности и безопасность существующих систем доверия данных могут быть значительно повышены.

Шифрование данных

Традиционно методы обмена и хранения данных были уязвимы для угроз безопасности, поскольку они зависели от централизованных серверов, которые делали их легко идентифицируемой целью для атакующих. Уязвимость этих методов приводит к серьезным осложнениям, таким как изменение данных и утечка данных, и учитывая текущие требования безопасности, методы шифрования сами по себе недостаточны для обеспечения безопасности и защиты данных, что является основной причиной возникновения технологий защиты конфиденциальности на основе интеграции искусственного интеллекта и блокчейна.

Давайте посмотрим на блокчейн-базовую схему федеративного обучения, которая направлена на улучшение метода Multi-Krum и объединение его с гомоморфным шифрованием для достижения фильтрации и агрегации моделей на уровне шифротекста, что может проверить местные модели, сохраняя при этом защиту конфиденциальности. Техника гомоморфного шифрования Пайллера используется в этом методе для шифрования обновлений моделей, обеспечивая дополнительную защиту конфиденциальности. Алгоритм Пайллера работает следующим образом.

Де-идентификация

Де-идентификация – это метод, который обычно используется для анонимизации личной идентификационной информации пользователя в данных, разделяя данные от идентификаторов данных, и тем самым снижая риск отслеживания данных. Существует децентрализованная рамка ИИ, построенная на технологии блокчейна с разрешением, которая использует вышеупомянутый подход. Рамка ИИ по сути отделяет личную идентификационную информацию от неличной информации эффективно, а затем хранит хеш-значения личной идентификационной информации в сети блокчейна. Предложенная рамка ИИ может быть использована в медицинской отрасли для обмена медицинскими записями и информацией о пациенте без раскрытия его истинной личности. Как показано на следующем изображении, предложенная рамка ИИ использует два независимых блокчейна для запросов данных, один из которых хранит информацию о пациенте вместе с разрешениями на доступ к данным, а другой блокчейн захватывает аудиторские следы любых запросов или запросов, сделанных запросерами. В результате пациенты все еще имеют полный контроль и власть над своими медицинскими записями и конфиденциальной информацией, позволяя при этом безопасное и безопасное обмен данными между несколькими сущностями в сети.

Многоуровневый распределенный реестр

Многоуровневый распределенный реестр – это система хранения данных с децентрализацией и несколькими иерархическими уровнями, предназначенными для максимизации эффективности и безопасности процесса обмена данными, а также повышения защиты конфиденциальности. DeepLinQ – это блокчейн-базовый многоуровневый децентрализованный распределенный реестр, который решает проблему пользователя, связанную с конфиденциальностью данных и обменом данными, позволяя обеспечить защиту конфиденциальности. DeepLinQ сохраняет обещанную защиту конфиденциальности, используя различные методы, такие как запрос на demande, контроль доступа, резервирование прокси и умные контракты, чтобы использовать характеристики сети блокчейна, включая механизм консенсуса, полную децентрализацию и анонимность для защиты конфиденциальности данных.

K-анонимность

Метод k-анонимности – это метод защиты конфиденциальности, который направлен на группировку отдельных лиц в наборе данных таким образом, чтобы каждая группа имела не менее k отдельных лиц с идентичными атрибутными значениями, и тем самым защищая идентификацию и конфиденциальность отдельных пользователей. Метод k-анонимности был основой для предложенной надежной транзакционной модели, которая позволяет транзакции между энергетическими узлами и электрическими транспортными средствами. В этой модели метод k-анонимности выполняет две функции: во-первых, он скрывает местоположение электрических транспортных средств, создавая единый запрос с помощью метода k-анонимности, который скрывает местоположение владельца автомобиля; во-вторых, метод k-анонимности скрывает идентификаторы пользователей, чтобы атакующие не имели возможности связать пользователей с их электрическими транспортными средствами.

Оценка и анализ ситуации

В этом разделе мы будем говорить о всесторонней оценке и анализе десяти систем защиты конфиденциальности, использующих интеграцию технологий блокчейна и ИИ, которые были предложены в последние годы. Оценка фокусируется на пяти основных характеристиках этих предложенных методов, включая управление полномочиями, защиту данных, контроль доступа, масштабируемость и безопасность сети, и также обсуждает сильные и слабые стороны, а также потенциальные области для улучшения. Это уникальные функции, возникающие в результате интеграции ИИ и блокчейна, которые проложили путь для новых идей и решений для повышения защиты конфиденциальности. Для справки изображение ниже показывает различные метрики оценки, используемые для получения аналитических результатов для объединенного применения технологий блокчейна и ИИ.

Управление полномочиями

Контроль доступа – это технология безопасности и конфиденциальности, которая используется для ограничения доступа пользователя к разрешенным ресурсам на основе предварительно определенных правил, набора инструкций, политик, обеспечивающих целостность данных и безопасность системы. Существует интеллектуальная система управления парковкой, которая использует модель Role-Based Access Control или RBAC для управления разрешениями. В рамке каждому пользователю назначается одна или несколько ролей, а затем классифицируется по ролям, что позволяет системе контролировать разрешения доступа к атрибутам. Пользователи в сети могут использовать свой адрес блокчейна для верификации своей идентификации и получения разрешения на доступ к атрибутам.

Контроль доступа

Контроль доступа – это один из основных фундаментальных аспектов защиты конфиденциальности, ограничивающий доступ на основе членства в группе и идентификации пользователя, чтобы гарантировать, что только уполномоченные пользователи могут получить доступ к конкретным ресурсам, которые они разрешены доступ, и тем самым защищая систему от нежелательного или принудительного доступа. Чтобы обеспечить эффективный и эффективный контроль доступа, рамка должна учитывать множество факторов, включая авторизацию, аутентификацию пользователей и политики доступа.

Технология цифровой идентификации – это возникающий подход для приложений IoT, который может обеспечить безопасный и безопасный контроль доступа, и гарантировать конфиденциальность данных и устройств. Метод предлагает использовать ряд политик контроля доступа, основанных на криптографических примитивах и технологии цифровой идентификации или DIT, чтобы защитить безопасность коммуникаций между сущностями, такими как беспилотные летательные аппараты, облачные серверы и серверы Ground Station (GSS). Как только регистрация сущности завершена, учетные данные хранятся в памяти. Таблица ниже суммирует типы дефектов в рамке.

Защита данных

Защита данных – это меры, включая шифрование данных, контроль доступа, аудит безопасности и резервное копирование данных, чтобы гарантировать, что данные пользователя не доступны незаконно, изменены или утечены. Когда речь идет об обработке данных, технологии, такие как маскирование данных, анонимизация, изоляция данных и шифрование данных, могут быть использованы для защиты данных от несанкционированного доступа и утечки. Кроме того, технологии шифрования, такие как гомоморфное шифрование, защита дифференциальной конфиденциальности, алгоритмы цифровой подписи, асимметричные алгоритмы шифрования и алгоритмы хеширования, могут предотвратить несанкционированный и незаконный доступ и гарантировать конфиденциальность данных.

Безопасность сети

Безопасность сети – это широкая область, которая охватывает различные аспекты, включая обеспечение конфиденциальности и целостности данных, предотвращение атак на сеть и защиту системы от сетевых вирусов и вредоносного ПО. Чтобы гарантировать безопасность, надежность и безопасность системы, необходимо принять ряд безопасных сетевых архитектур и протоколов, а также мер безопасности. Кроме того, анализ и оценка различных сетевых угроз и разработка соответствующих механизмов защиты и стратегий безопасности имеют важное значение для повышения надежности и безопасности системы.

Масштабируемость

Масштабируемость – это способность системы обрабатывать большие объемы данных или увеличивающееся количество пользователей. При проектировании масштабируемой системы разработчики должны учитывать производительность системы, хранение данных, управление узлами, передачу и многие другие факторы. Кроме того, при обеспечении масштабируемости рамки или системы разработчики должны учитывать безопасность системы, чтобы предотвратить утечку данных, утечку данных и другие риски безопасности.

Разработчики создали систему, соответствующую правилам защиты данных ЕС, храня информацию, связанную с конфиденциальностью, и метаданные произведений искусства в децентрализованной файловой системе, существующей вне цепи. Метаданные произведений искусства и цифровые токены хранятся в OrbitDB, системе хранения базы данных, которая использует несколько узлов для хранения данных, и тем самым обеспечивает безопасность и конфиденциальность данных. Децентрализованная система хранения данных вне цепи распределена, и тем самым повышает масштабируемость системы.

Анализ ситуации

Объединение технологий ИИ и блокчейна привело к разработке системы, которая фокусируется на защите конфиденциальности, идентификации и данных пользователей. Хотя системы защиты конфиденциальности данных ИИ все еще сталкиваются с некоторыми проблемами, такими как безопасность сети, защита данных, масштабируемость и контроль доступа, важно учитывать и взвешивать эти проблемы на основе практических соображений на этапе проектирования. По мере развития и прогресса технологий применения будут расширяться, и системы защиты конфиденциальности, построенные с помощью ИИ и блокчейна, будут привлекать больше внимания в будущем. На основе результатов исследований, технических подходов и сценариев применения они могут быть классифицированы на три категории.

• Применение методов защиты конфиденциальности в отрасли IoT или Интернета вещей с использованием технологий блокчейна и ИИ.
• Применение методов защиты конфиденциальности в умных контрактах и сервисах, которые используют технологии блокчейна и ИИ.
• Методы анализа больших данных, которые обеспечивают защиту конфиденциальности с использованием технологий блокчейна и ИИ.

Технологии, относящиеся к первой категории, фокусируются на реализации технологий ИИ и блокчейна для защиты конфиденциальности в отрасли IoT. Эти методы используют методы ИИ для анализа больших объемов данных, а также используют децентрализованные и неизменные функции сети блокчейна для обеспечения аутентичности и безопасности данных.

Технологии, относящиеся к второй категории, фокусируются на объединении технологий ИИ и блокчейна для повышения защиты конфиденциальности с использованием умных контрактов и сервисов блокчейна. Эти методы объединяют анализ и обработку данных с ИИ и используют технологию блокчейна для снижения зависимости от доверенных третьих сторон и записи транзакций.

Наконец, технологии, относящиеся к третьей категории, фокусируются на использовании потенциала технологий ИИ и блокчейна для повышения защиты конфиденциальности в анализе больших данных. Эти методы направлены на использование децентрализации и неизменности свойств блокчейна для обеспечения аутентичности и безопасности данных, а также использования методов ИИ для обеспечения точности анализа данных.

Заключение

В этой статье мы говорили о том, как технологии ИИ и блокчейна могут быть использованы вместе для повышения применения систем защиты конфиденциальности, обсуждая связанные методы и оценивая пять основных характеристик этих систем защиты конфиденциальности. Кроме того, мы также говорили о существующих ограничениях текущих систем. Существуют проблемы в области систем защиты конфиденциальности, построенных на технологиях блокчейна и ИИ, которые все еще необходимо решить, такие как баланс между обменом данными и защитой конфиденциальности. Исследования по эффективному объединению возможностей технологий ИИ и блокчейна продолжаются, и есть несколько других способов объединить другие технологии.

• Эдж-вычисления

Эдж-вычисления направлены на достижение децентрализации путем использования потенциала устройств эдж- и IoT для обработки частных и конфиденциальных данных пользователей. Поскольку обработка ИИ требует значительных вычислительных ресурсов, использование методов эдж-вычислений может позволить распределить вычислительные задачи на устройства эдж для обработки, а не мигрировать данные в облачные сервисы или серверы данных. Поскольку данные обрабатываются гораздо ближе к устройству эдж, время задержки снижается значительно, и снижается сетевая загруженность, что повышает скорость и производительность системы.

• Мульти-цепные механизмы

Мульти-цепные механизмы имеют потенциал для решения проблем хранения и производительности блокчейна, повышая масштабируемость системы. Интеграция мульти-цепных механизмов позволяет классифицировать данные на основе различных атрибутов и уровней конфиденциальности, тем самым повышая возможности хранения и безопасность систем защиты конфиденциальности.