Med den växande uppmärksamheten och de potentiella tillämpningarna av blockchain- och artificiell intelligens-teknologier, så har sekretessskyddsteknikerna som uppstår som en direkt följd av integrationen av de två teknologierna blivit alltmer betydelsefulla. Dessa sekretessskyddstekniker skyddar inte bara enskildas sekretess, utan garanterar också tillförlitlighet och säkerhet för data.

I den här artikeln kommer vi att diskutera hur samarbetet mellan AI och blockchain ger upphov till många sekretessskyddstekniker och deras tillämpning inom olika vertikaler, inklusive de-identifiering, datakryptering, k-anonymitet och multi-lager-distribuerade ledgers. Dessutom kommer vi att försöka analysera bristerna och deras verkliga orsaker och erbjuda lösningar därefter.

Blockchain, Artificiell Intelligens och deras Integration

Blockchain-nätverket introducerades första gången i världen när Nakamoto introducerade Bitcoin, en kryptovaluta byggd på blockchain-nätverket, 2008. Sedan dess har blockchain blivit alltmer populärt, särskilt under de senaste åren. Värdet som Bitcoin handlas idag och som har passerat den triljondollars-marknaden indikerar att blockchain har potentialen att generera betydande intäkter och vinster för branschen.

Blockchain-teknologi kan kategoriseras främst baserat på tillgänglighets- och kontrollnivå, med Offentlig, Privat och Federerad som de tre huvudsakliga typerna av blockchain-teknologier. Populära kryptovalutor och blockchain-arkitekturer som Bitcoin och Ethereum är offentliga blockchain-erbjudanden eftersom de är decentraliserade och tillåter noder att gå in eller ut ur nätverket fritt, och främjar därmed maximal decentralisering.

Följande figur visar strukturen för Ethereum eftersom den använder en länkad lista för att etablera anslutningar mellan olika block. Blockets huvud lagrar hash-adressen för det föregående blocket för att etablera en länk mellan de två på varandra följande blocken.

Utvecklingen och implementeringen av blockchain-teknologin följs av legitima säkerhets- och sekretessproblem inom olika områden som inte kan försummas. Till exempel kan en dataintrång i den finansiella industrin resultera i betydande förluster, medan en intrång i militära eller hälsovårdssystem kan vara katastrofalt. För att förhindra dessa scenarier har skyddet av data, användartillgångar och identitetsinformation varit ett huvudfokus för blockchain-säkerhetsforskningsgemenskapen, för att säkerställa utvecklingen av blockchain-teknologin, är det nödvändigt att upprätthålla dess säkerhet.

Ethereum är en decentraliserad blockchain-plattform som upprätthåller en gemensam anteckningsbok med information i samarbete med flera noder. Varje nod i Ethereum-nätverket använder EVM eller Ethereum Vector Machine för att sammanställa smarta kontrakt och underlätta kommunikationen mellan noder som sker via ett P2P- eller peer-to-peer-nätverk. Varje nod i Ethereum-nätverket tilldelas unika funktioner och behörigheter, även om alla noder kan användas för att samla in transaktioner och engagera sig i blockbrytning. Dessutom är det värt att notera att jämfört med Bitcoin visar Ethereum snabbare blockgenereringstider med en ledning på nästan 15 sekunder. Det innebär att kryptominers har en bättre chans att få belöningar snabbare medan intervallet för att verifiera transaktioner minskas betydligt.

Å andra sidan är AI eller Artificiell Intelligens en gren inom modern vetenskap som fokuserar på att utveckla maskiner som kan fatta beslut och kan simulera autonomt tänkande jämförbart med en människas förmåga. Artificiell Intelligens är en mycket vid gren i sig med många underområden, inklusive djupinlärning, datorseende, naturlig språkbehandling och mer. NLP i synnerhet har varit ett underområde som har fokuserats kraftigt under de senaste åren, vilket har resulterat i utvecklingen av några toppmoderna LLM:er som GPT och BERT. NLP är på väg mot nästan fullständig perfektion, och det sista steget i NLP är att bearbeta texttransformationer som kan göra datorer förståeliga, och senaste modellerna som ChatGPT bygger på GPT-4 indikerar att forskningen är på rätt väg.

Ett annat underområde som är ganska populärt bland AI-utvecklare är djupinlärning, en AI-teknik som fungerar genom att imitera strukturerna i neuroner. I ett konventionellt djupinlärningsramverk bearbetas yttre indatainformation skiktvis genom att träna hierarkiska nätverksstrukturer och sedan skickas den till ett dolt lager för slutlig representation. Djupinlärningsramverk kan delas in i två kategorier: Övervakad inlärning och oövervakad inlärning.

Ovanstående bild visar arkitekturen för djupinlärningsperceptron, och som kan ses i bilden, använder ett djupinlärningsramverk en multi-nivå neural nätverksarkitektur för att lära sig funktionerna i data. Neurala nätverket består av tre typer av lager, inklusive det dolda lagret, indata-lagret och utdata-lagret. Varje perceptron-lager i ramverket är anslutet till nästa lager för att bilda ett djupinlärningsramverk.

Till sist har vi integrationen av blockchain- och artificiell intelligens-teknologier, eftersom dessa två teknologier tillämpas inom olika branscher och domäner med en ökning av oro för cybersäkerhet, datasäkerhet och sekretessskydd. Applikationer som syftar till att integrera blockchain och artificiell intelligens manifest integrationen i följande aspekter.

• Användning av blockchain-teknologi för att spara och lagra träningsdata, in- och utdata för modellerna och parametrar, för att säkerställa ansvar och transparens i modellrevisioner.
• Användning av blockchain-ramverk för att distribuera AI-modeller för att uppnå decentraliserade tjänster mellan modeller och förbättra skalbarheten och stabiliteten i systemet.
• Tillhandahållande av säker åtkomst till extern AI-data och modeller med hjälp av decentraliserade system och möjliggörande av blockchain-nätverk för att förvärva extern information som är tillförlitlig.
• Användning av blockchain-baserad token-design och incitamentsmekanismer för att etablera anslutningar och tillförlitliga interaktioner mellan användare och AI-modellutvecklare.

Sekretessskydd genom integration av blockchain- och AI-teknologier

I den nuvarande situationen har dataförtroendesystem vissa begränsningar som äventyrar tillförlitligheten hos dataöverföringen. För att utmana dessa begränsningar kan blockchain-teknologier användas för att etablera ett tillförlitligt och säkert data-delning- och lagringssystem som erbjuder sekretessskydd och förbättrar datasäkerhet. Några av tillämpningarna av blockchain i AI sekretessskydd nämns i följande tabell.

Genom att förbättra implementeringen och integrationen av dessa teknologier kan skyddskapaciteten och säkerheten hos nuvarande dataförtroendesystem förbättras betydligt.

Datakryptering

Traditionella data-delning- och lagringssätt har varit sårbara för säkerhetshot eftersom de är beroende av centraliserade servrar som gör dem till en lätt identifierbar måltavla för angripare. Sårbarheten hos dessa metoder ger upphov till allvarliga komplikationer som dataförfalskning och dataläckage, och med tanke på nuvarande säkerhetskrav är krypteringsmetoder ensamma inte tillräckliga för att säkerställa säkerheten och skyddet av data, vilket är den främsta anledningen till att sekretessskyddstekniker baserade på integrationen av artificiell intelligens och blockchain har uppstått.

Låt oss titta på ett blockchain-baserat sekretessbevarande federerat lärande-system som syftar till att förbättra Multi-Krum-tekniken och kombinera den med homomorf kryptering för att uppnå krypteringsnivå-modellfiltrering och modellaggregering som kan verifiera lokala modeller samtidigt som sekretessskyddet upprätthålls. Paillier-homomorf krypteringstekniken används i denna metod för att kryptera modelluppdateringar och därmed tillhandahålla ytterligare sekretessskydd. Paillier-algoritmen fungerar som visas.

De-identifiering

De-identifiering är en metod som används för att anonymisera personlig identifieringsinformation i data genom att separera data från data-identifierare och därmed minska risken för data-spårning. Det finns ett decentraliserat AI-ramverk byggt på tillstånds-baserad blockchain-teknologi som använder ovan nämnda metod. AI-ramverket separerar effektivt personlig identifieringsinformation från icke-personlig information och lagrar sedan hash-värdena för personlig identifieringsinformation i blockchain-nätverket. Det föreslagna AI-ramverket kan användas inom den medicinska industrin för att dela medicinska journaler och patientinformation utan att avslöja patientens verkliga identitet. Som visas i följande bild använder det föreslagna AI-ramverket två oberoende blockchain för dataförfrågningar, där en blockchain-nätverk lagrar patientens information tillsammans med data-åtkomsttillstånd, medan den andra blockchain-nätverket fångar upp spår av förfrågningar eller frågor som görs av förfrågare. Som ett resultat har patienterna fortfarande fullständig auktoritet och kontroll över sina medicinska journaler och känsliga information, samtidigt som de möjliggör säker och trygg data-delning mellan flera enheter i nätverket.

Multi-lager-distribuerad ledger

En multi-lager-distribuerad ledger är ett datasystem med decentraliseringsegenskaper och flera hierarkiska lager som är utformade för att maximera effektivitet och säkerställa datasäkerhet och sekretessskydd. DeepLinQ är ett blockchain-baserat multi-lager-decentraliserat datasystem som adresserar användarnas oro för data-sekretess och data-delning genom att möjliggöra sekretessskyddad data-sekretess. DeepLinQ upprätthåller den utlovade data-sekretessen genom att använda olika tekniker som på begäran-frågor, åtkomstkontroll, proxy-reservation och smarta kontrakt för att utnyttja blockchain-nätverkets egenskaper, inklusive konsensusmekanism, fullständig decentralisering och anonymitet för att skydda data-sekretess.

K-anonymitet

K-anonymitet-metoden är en sekretessskyddsmetod som syftar till att identifiera och gruppera individer i en dataset på ett sätt som varje grupp har minst K individer med identiska attributvärden och därmed skydda identiteten och sekretessen hos enskilda användare. K-anonymitet-metoden har varit grunden för ett föreslaget tillförlitligt transaktionsmodell som möjliggör transaktioner mellan energinoder och elfordon. I detta modell tjänar K-anonymitet-metoden två funktioner: först, den döljer elfordonens plats genom att konstruera en enhetlig förfrågan med K-anonymitet-tekniker som döljer eller gömmer ägarens plats; för det andra, K-anonymitet-metoden döljer användar-identifierare så att angripare inte har möjlighet att koppla användare till deras elfordon.

Utvardering och situationsanalys

I detta avsnitt kommer vi att diskutera en omfattande analys och utvärdering av tio sekretessskyddssystem som använder fusionen av blockchain- och AI-teknologier som har föreslagits under de senaste åren. Utvärderingen fokuserar på fem huvudsakliga egenskaper hos dessa föreslagna metoder, inklusive auktoritets-hantering, data-skydd, åtkomst-kontroll, skalbarhet och nätverks-säkerhet, och diskuterar också styrkor, svagheter och potentiella områden för förbättring. Det är de unika funktionerna som härrör från integrationen av AI och blockchain-teknologier som har banat väg för nya idéer och lösningar för förbättrat sekretessskydd. För referens visar bilden nedan de olika utvärderings-mått som används för att erhålla de analytiska resultaten för den kombinerade tillämpningen av blockchain- och AI-teknologier.

Auktoritets-hantering

Åtkomst-kontroll är en säkerhets- och sekretess-teknologi som används för att begränsa en användares åtkomst till auktoriserade resurser baserat på fördefinierade regler, instruktioner, policys, skyddande data-integritet och system-säkerhet. Det finns ett intelligent sekretess-parkeringssystem som använder en roll-baserad åtkomst-kontroll eller RBAC-modell för att hantera behörigheter. I ramverket tilldelas varje användare en eller flera roller och klassificeras sedan enligt roller som tillåter systemet att kontrollera attribut-åtkomst-tillstånd. Användare i nätverket kan använda sin blockchain-adress för att verifiera sin identitet och få attribut-auktoriseringstillstånd.

Åtkomst-kontroll

Åtkomst-kontroll är en av de viktigaste grundstenarna för sekretessskydd, som begränsar åtkomst baserat på gruppmedlemskap och användar-identitet för att säkerställa att endast auktoriserade användare kan komma åt specifika resurser som de har tillstånd att komma åt, och därmed skydda systemet från oönskad eller tvingad åtkomst. För att säkerställa effektiv och effektiv åtkomst-kontroll måste ramverket överväga flera faktorer, inklusive auktorisering, användar-autentisering och åtkomst-policys.

Digital identitetsteknologi är en framväxande metod för IoT-applikationer som kan tillhandahålla säker och trygg åtkomst-kontroll och säkerställa data- och enhets-sekretess. Metoden föreslår att använda en serie åtkomst-kontroll-policys som baseras på kryptografiska primitiver och digital identitetsteknologi eller DIT för att skydda säkerheten för kommunikationen mellan enheter som drönare, moln-servrar och mark-stations-servrar. När registreringen av enheten är slutförd lagras autentiseringsuppgifterna i minnet. Tabellen nedan sammanfattar typerna av defekter i ramverket.

Data-skydd

Data-skydd används för att hänvisa till åtgärder som inkluderar data-kryptering, åtkomst-kontroll, säkerhets-revision och data-säkerhetskopiering för att säkerställa att användarens data inte kommer åt olagligt, manipuleras eller läcks. När det gäller data-bearbetning kan tekniker som data-maskning, anonymisering, data-isolering och data-kryptering användas för att skydda data från oauktoriserad åtkomst och läckage. Dessutom kan krypterings-tekniker som homomorf kryptering, differentiell sekretess-skydd, digitala signatur-algoritmer, asymmetriska krypterings-algoritmer och hash-algoritmer förhindra oauktoriserad och olaglig åtkomst av icke-auktoriserade användare och säkerställa data-konfidentialitet.

Nätverks-säkerhet

Nätverks-säkerhet är ett brett område som omfattar olika aspekter, inklusive att säkerställa data-konfidentialitet och integritet, förhindra nätverks-attacker och skydda systemet från nätverks-virus och skadlig programvara. För att säkerställa säkerheten, tillförlitligheten och säkerheten för systemet måste en serie säkra nätverks-arkitekturer och protokoll och säkerhets-åtgärder antas. Dessutom är det viktigt att analysera och bedöma olika nätverks-hot och komma med motsvarande försvars-mekanismer och säkerhets-strategier för att förbättra tillförlitligheten och säkerheten för systemet.

Skalbarhet

Skalbarhet hänvisar till ett systems förmåga att hantera större mängder data eller ett ökande antal användare. När man utformar ett skalbart system måste utvecklare överväga system-prestanda, data-lagring, nod-hantering, överföring och flera andra faktorer. Dessutom, när man säkerställer skalbarheten för ett ramverk eller system, måste utvecklare överväga system-säkerheten för att förhindra data-intrång, data-läckage och andra säkerhets-risker.

Utvecklare har utformat ett system i enlighet med den europeiska allmänna dataskyddsförordningen eller GDPR genom att lagra sekretess-relaterad information och konst-metadata i ett distribuerat filsystem som finns utanför kedjan. Konst-metadata och digitala token lagras i OrbitDB, ett databas-lagringssystem som använder flera noder för att lagra data och därmed säkerställer data-säkerhet och sekretess. Det distribuerade systemet utanför kedjan sprider data-lagring och förbättrar därmed skalbarheten för systemet.

Situationsanalys

Integrationen av AI- och blockchain-teknologier har resulterat i utvecklingen av ett system som fokuserar tungt på att skydda sekretessen, identiteten och data för användarna. Även om AI-data-sekretess-system fortfarande står inför vissa utmaningar som nätverks-säkerhet, data-skydd, skalbarhet och åtkomst-kontroll, är det viktigt att överväga och väga dessa frågor baserat på praktiska överväganden under design-fasen. När teknologin utvecklas och fortskrider ytterligare, kommer sekretess-skyddssystemen som byggs med AI- och blockchain att dra till sig mer uppmärksamhet i framtiden. Baserat på forsknings-resultat, tekniska tillvägagångssätt och applikations-scenarier kan de klassificeras i tre kategorier.

• Sekretess-skyddsmetod-tillämpning inom IoT- eller Internet of Things-industrin med hjälp av både blockchain- och AI-teknologi.
• Sekretess-skyddsmetod-tillämpning i smarta kontrakt och tjänster som använder både blockchain- och AI-teknologi.
• Storskalig data-analys-metoder som erbjuder sekretess-skydd med hjälp av både blockchain- och AI-teknologi.

Teknologierna i den första kategorin fokuserar på implementeringen av AI- och blockchain-teknologier för sekretess-skydd inom IoT-industrin. Dessa metoder använder AI-tekniker för att analysera stora mängder data samtidigt som de utnyttjar de decentraliserade och oföränderliga egenskaperna hos blockchain-nätverket för att säkerställa autenticitet och säkerhet för data.

Teknologierna i den andra kategorin fokuserar på att fusionera AI- och blockchain-teknologier för förbättrat sekretess-skydd genom att använda blockchain-smarta kontrakt och tjänster. Dessa metoder kombinerar data-analys och data-bearbetning med AI och använder blockchain-teknologi för att minska beroendet av betrodda tredje parter och registrera transaktioner.

Slutligen fokuserar teknologierna i den tredje kategorin på att utnyttja kraften hos AI- och blockchain-teknologi för att uppnå förbättrat sekretess-skydd i storskalig data-analys. Dessa metoder syftar till att utnyttja blockchain-decentralisering och oföränderlighetsegenskaper som säkerställer autenticitet och säkerhet för data, medan AI-tekniker säkerställer noggrannheten i data-analysen.

Slutsats

I den här artikeln har vi diskuterat hur AI- och blockchain-teknologier kan användas i samverkan för att förbättra tillämpningarna av sekretess-skyddstekniker genom att diskutera deras relaterade metoder och utvärdera de fem primära egenskaperna hos dessa sekretess-skyddstekniker. Dessutom har vi också diskuterat de befintliga begränsningarna i nuvarande system. Det finns vissa utmaningar inom området sekretess-skyddstekniker byggda på blockchain- och AI som fortfarande måste adresseras, som hur man balanserar data-delning och sekretess-bevarande. Forskningen om hur man effektivt kombinerar förmågorna hos AI- och blockchain-tekniker pågår, och här är flera andra sätt som kan användas för att integrera andra tekniker.

• Kantberäkning

Kantberäkning syftar till att uppnå decentralisering genom att utnyttja kraften hos kant- och IoT-enheter för att bearbeta privata och känsliga användardata. Eftersom AI-bearbetning kräver betydande beräkningsresurser kan kantberäkningsmetoder möjliggöra distributionen av beräkningsuppgifter till kantenheterna för bearbetning i stället för att migrera data till molntjänster eller dataservrar. Eftersom data bearbetas mycket närmare kantenheten i sig, minskas svarstiden betydligt, och därmed också nätverks-kongestionen, vilket förbättrar hastigheten och prestandan för systemet.

• Flerkedjemekanismer

Flerkedjemekanismer har potentialen att lösa enkelkedja-blockchain-lagring och prestanda-problem, och därmed förbättra skalbarheten för systemet. Integrationen av flerkedjemekanismer möjliggör distinkta attribut- och sekretessnivå-baserad data-klassificering, och förbättrar därmed lagrings-förmågan och säkerheten för sekretess-skyddssystem.