深入解读 Privasea，人脸数据铸造 NFT 还能这样玩儿？

作者：十四君

1.引言

2、从Web2到Web3-人机对抗从未停止

我们以抢票场景为例，作弊者通过新建多个虚拟账号进行抢票操作，便可大幅提高抢票成功的概率，更有甚者直接把自动化程序部署在服务商的机房旁边，实现几乎0延时的购票。

普通用户面对这些高科技用户几乎是毫无胜算可言。

服务商对此也做出了一些努力，对客户端，Web2场景下通过引入实名认证、行为验证码等多种方式来区分人机，服务端则是通过WAF策略等手段进行特征过滤拦截。

那这样问题就能解决了吗？

显然没有，因为作弊带来的收益是丰厚的。

同时，人机的对抗具有持续性，作弊者与检验者两个角色都在不断升级自己的武器库。

以作弊者为例，趁着近些年AI迅速发展的东风，客户端的行为验证码几乎被各种视觉类模型给降维打击，甚至AI有着比人更快更准的识别能力。这就使得校验者不得不被动升级，由早期的用户的行为特征检测（图像类验证码）测逐渐过度到仿生物学特征检测（感知验证：如客户端环境监测、设备指纹等），一些高风险操作，可能需要上升到生物学特征检测（指纹、人脸识别）。

对于Web3，人机检测同样是一个强需求。

对于一些项目空投，作弊者可以创建多个虚假账号发动女巫攻击，这个时候我们需要鉴别真人。

由于Web3的金融属性，对于一些高风险操作，如账号登录、提币、交易、转账等，需要核实用户的不仅仅是真人，并且是账号所有者，人脸识别便成了不二之选。

• 我们应该如何搭建去中心化的机器学习计算网络？
• 怎么保证用户数据的隐私不被泄漏？
• 怎样维护网络的运行等等？

3、Privasea AI NetWork-隐私计算+AI的探索

3.1 Privasea AI NetWork的网络架构

1. 数据所有者：通过 Privasea API，用于安全地提交任务及数据。

2. Privanetix 节点：是整个网络的核心，配备了先进的 HESea 库并集成了基于区块链的激励机制，可执行安全高效的计算，同时保护底层数据的隐私并确保计算的完整性和机密性。

3. 解密器：通过 Privasea API 获取到解密后的结果，对结果进行验证。

4. 结果接受者：任务结果将返回给数据所有者及任务下发者指定的人。

3.2 Privasea AI NetWork 的核心工作流

以下是 Privasea AI NetWork 的一般工作流程图：

• STEP 1：用户注册：数据所有者通过提供必要的身份验证和授权凭证在隐私 AI 网络上启动注册流程。此步骤可确保只有授权用户才能访问系统并参与网络活动。

• STEP 2：任务提交：提交计算任务及输入数据，数据是由HEsea库加密后的数据，同时数据所有者还指定可以访问最终结果的授权解密者和结果接收者。

• STEP 3：任务分配：部署在网络上的基于区块链的智能合约根据可用性和能力将计算任务分配给合适的 Privanetix 节点。这种动态分配过程可确保高效的资源分配和计算任务的分配。

• STEP 4：加密计算：指定的 Privanetix 节点接收加密数据并利用 HESea 库进行计算。这些计算无需解密敏感数据即可执行，从而保持了其机密性。为了进一步验证计算的完整性，Privanetix 节点为这些步骤生成零知识证明。

• STEP 5：密钥切换：完成计算后，指定的 Privanetix 节点采用密钥切换技术来确保最终结果是经过授权的，并且只有指定的解密器才能访问。

• STEP 6：结果验证：完成计算后，Privanetix 节点将加密结果和相应的零知识证明传回基于区块链的智能合约以供将来验证。

• STEP 7：激励机制：跟踪 Privanetix 节点的贡献，并分配奖励

• STEP 8：结果检索：解密器利用 Privasea API 访问加密结果。他们的首要任务是验证计算的完整性，确保 Privanetix 节点按照数据所有者的意图执行了计算。

• STEP 9：结果交付：将解密结果与数据所有者预先确定的指定结果接收者共享。

在 Privasea AI NetWork 的核心工作流中，暴露给用户的是开放的API，这就使得用户只需关注入参以及相应的结果，而无需了解网络内部复杂的运算本身，不会有太多的心智负担。同时，端到端的加密在不影响数据处理的前提下，使数据本身不被外泄。

3.3 小结

4、FHE同态加密-新的密码学圣杯？

5、FHE的局限性

• 算法优化方面，新的FHE方案如CKKS和优化的bootstrap方法显著减少了噪声增长和计算开销；
• 硬件加速方面，定制的GPU、FPGA等硬件显著提升了多项式运算的性能。

6、总结