Privasea 詳解：基於全同態加密的AI 網絡

作者： Dewhales Research 來源：substack 翻譯：善歐巴，金色財經

1. 簡介：什麼是FHE、其歷史與應用

FHE 代表完全同態加密，這是一種允許直接對密文執行計算而無需解密的加密方案。這意味著加密資料在整個計算過程中保持加密狀態，計算結果也是加密的，任何一方在任何時候都無法存取明文資料。 FHE 支援對加密資料進行計算，包括機器學習和人工智慧分析，使科學家、研究人員和資料驅動型企業無需解密或洩露底層資料或模型即可提取有價值的見解。完全同態加密是最強大的加密形式，但它有一個很大的缺點，需要大量的運算能力。

事實上，FHE 有很多種類型：BGV、BFV、CKKS、FHEW、NuFHE 和TFHE。同態加密(HE) 在1978 年提出後，最初在前三十年中發展緩慢。 FHE 的當前形式是在2009 年問世的，當時Craig Gentry 提出了一種實現完全同態加密的方法，儘管該系統在每次操作時都會引入噪音。後來，有人提出了一種具有較小密文的修改版本，但最受歡迎的方案是由Zvika Brakerski 和他的團隊提出的，與早期的FHE 方法相比，它提供了更好的安全性和性能。經過幾次連續的迭代——BGV、BFV 和CKKS——GSW 誕生了，由此開發出了FHEW（於2014 年推出）和TFHE（於2016 年推出）。 Chillotti、Gama、Georgieva 和Izabachene 將每個閘引導操作的延遲縮短至不到0.1 秒。從那時起，該方案將可程式引導納入其流程，加速FHE，使其適用於大多數用例，包括web2 和web3 應用。

到目前為止，最終成果是Zama 的TFHE-rs，它擴展了原始TFHE 功能，以支援整數可程式引導。而且，目前的Privasea 實作中使用的就是TFHE-rs。

FHE 的用例：

• 雲端運算：FHE 允許用戶在遠端伺服器上以加密形式儲存和處理數據，為雲端運算帶來巨大好處。這意味著用戶可以利用雲端的強大運算能力，同時確保資料的安全和私密。這對所有參與者來說都是雙贏的。

• 金融服務：金融服務也可以利用FHE 的功能。透過安全地處理財務數據，FHE 允許金融機構對加密數據進行複雜的分析。最好的部分是，客戶隱私在整個過程中保持不變。

• 機器學習：透過在加密資料上訓練模型，FHE 可以大大促進機器學習。這使組織能夠利用機器學習的力量，同時確保資料安全。

2. Privasea 概述

Privasea AI 網路為人工智慧資料隱私相關挑戰提供了解決方案。該網路代表了一種尖端架構，將全同態加密(FHE) 與基於區塊鏈的激勵相結合，解決了與資料隱私相關的日益增長的擔憂，並滿足了對協作AI 計算日益增長的需求。 Privasea AI 網路將FHE 從理論到應用分為以下四個層次：應用層、最佳化層、算術層、原始層。此網路提供通用和客製化解決方案，以彌合AI 處理中用戶隱私和分散式運算資源之間的差距，涵蓋FHE 的所有四個層級。

Privasea AI 網路的關鍵目標是確保遵守資料保護法規，包括歐盟嚴格的《一般資料保護規範》（GDPR）。這些法規對個人資料的收集、處理和儲存提出了嚴格的要求。

2.1 網路參與者：

• 網路使用者（資料擁有者、結果接收者）：發起機器學習任務，安全地提供數據，並與網路互動以獲得解密結果。

• Privanetix 節點（計算節點）：作為Privasea AI 網路中的服務供應商，為隱私保護機器學習任務提供運算資源。

• 解密者：確保Privanetix 節點產生的加密結果安全解密的專門參與者。他們與網路使用者協作解密和解釋機器學習任務的最終結果，確保解密結果的隱私和完整性。

2.2 Privasea架構：

Privasea AI 網路由四個主要元件組成：HESea 函式庫、Privasea API、Privanetix 和Privasea 智慧合約套件。

• HESea 函式庫：該元件構成了Privasea AI 網路的基礎，託管了一系列流行的全同態加密方案的高效實現，例如TFHE、CKKS、BGV、BFV 等。 HESea 程式庫為開發人員提供了存取各種功能的權限。

• Privasea API：一套基於HESea 函式庫建構的綜合協定和工具。 Privasea API 讓開發人員輕鬆地將進階隱私保護功能整合到他們的AI 應用程式中。

• Privanetix：一個計算節點網絡，可對加密資料進行安全計算。透過將運算分佈在多個節點上，Privanetix 確保了Privasea AI 網路的可擴展性和效率。

• Privasea 智慧合約套件：該套件包括一系列精心設計的智慧合約，用於處理網路管理的各個方面。

此外，根據GitHub 的說法，Privasea 還包含Zama AI 的其他幾個元件，可為區塊鏈和AI 提供最先進的FHE 解決方案：

• Concrete：一個開源FHE 編譯器（已更新為TFHE-rs），可簡化全同態加密(FHE) 的使用。它允許將Python 程式轉換為其FHE 等效程式。對於想要建立接受加密輸入並產生加密輸出的高級應用程式的開發人員來說，Concrete 非常有用。

• TFHE-rs：TFHE 的純Rust 實現，用於對加密資料進行布林和整數運算。 TFHE-rs 專為希望完全控制TFHE 功能而不必擔心底層實現細節的開發人員和研究人員而設計。

• Concrete ML：Zama 基於Concrete 建構的隱私保護機器學習(PPML​​) 開源工具集。它旨在簡化資料科學家對全同態加密(FHE) 的使用，幫助他們自動將機器學習模型轉換為同態等效模型。

2.3 Privasea 工作流程：

1. 使用者建立帳戶，設定機器學習任務，透過機器學習應用的API介面在本地對向量進行加密，並在本地產生交換金鑰。

2. 然後，用戶可以向Privatenix 網路提交加密任務並透過區塊鏈支付服務費用。

3. Privatenix節點在使用者的加密網域中接收並執行加密任務，然後使用使用者先前產生的切換金鑰將加密結果傳輸到解密者的加密域中。

4. 一旦工作完成，Privanetix 會將結果發送給解密者並獲得報酬

5. 接下來，解密者使用他們的客戶端金鑰對結果進行解密，並使用代理重加密（PRE）方案將解密的結果傳送給網路使用者。

2.4 安全KYC 用例工作流程：

1. 註冊附照片的身份證：使用者提供身分證，包括照片。用戶端使用特徵提取演算法從身分證照片中提取臉部特徵

2. 提交自拍驗證任務：使用者使用相機或行動裝置自拍，用戶端使用與身分證登記相同的特徵擷取演算法，從自拍影像中擷取人臉特徵。

3. 檢索ID 映像的加密嵌入：指定的Privanetix 節點從安全資料庫中檢索與使用者相關的加密ID 嵌入。

4. 在密文域中處理人臉檢查：利用FHE 功能，Privanetix 節點對加密的ID 和自拍嵌入執行計算，例如計算它們之間的距離。 Privanetix 節點將距離與預先定義的閾值進行比較以確定相似度。結果保留在密文域中。

5. 將加密結果傳送給解密器：Privanetix 節點將加密的布林結果傳送給解密器進行進一步處理。

6. 解密和提取結果：解密者擁有私鑰，對收到的結果進行解密以獲得最終的檢查結果（例如是或否）。

7. 結果傳遞：解密器使用代理重加密（PRE）或其他適當方法將最終結果安全地傳遞至需要它的指定機構或實體。

3. GitHub

上面我們已經查看了Zama AI 的一些儲存庫，現在讓我們來看看一些專有的Privasea 儲存庫。首先吸引你注意的是，Privasea 儲存庫的最後一次更新是在2023 年7 月。這可能是因為目前該領域圍繞FHE 和AI/ML 任務分配的競爭非常激烈，因此團隊不會發布更新來保持他們的發展活力。

Privasea-general是主要的Privasea 儲存庫，包含多個開源軟體套件。這些軟體包包括HESea_lib，這是一個高級全同態加密(FHE) 庫，為開發人員提供強大、靈活且易於使用的安全計算工具。或Privasea-Miscellaneous，其中包含可用於其他PrivateSea 儲存庫的來源資料。

HESEA_Lib – HESea 是一個尖端的全同態加密(FHE) 函式庫，為開發人員提供強大、靈活且易於使用的安全運算工具。 HESea 採用最先進的加密技術構建，並針對高性能進行了最佳化，是各種用例的理想選擇。 HESea 提供各種FHE 方案，包括TFHE、CKKS、BGV、BFV 等，使用戶無需解密即可對加密資料執行計算。這可確保敏感資料保持安全並免受隱私洩漏和安全威脅。

Comparison_demo – 這是使用HESEA 函式庫進行密文排序的示範。此示範程式將要排序的明文序列加密為對應的密文序列，並透過比較密文序列對此序列進行排序。然後，程式解密密文序列並輸出排序後的明文序列。

dinn_demo – 這是使用HESEA 函式庫進行安全性手寫數位辨識的示範。它代表了一種使用TFHE 加密方案的隱私保護深度學習方法。 DINN 的主要優勢在於，它透過創新地使用離散神經網絡，在保持正常操作效率的同時實現了具有競爭力的準確性。這些網路量化了權重和偏移量，降低了底層計算的複雜性並簡化了初始TFHE 引導程式。因此，同態估計得到進一步改進，從而提高了效率。

4. 代幣經濟學

PRVA 代幣是Privasea Al 網路中的實用代幣，在促進交易、激勵參與者和實現鏈上治理方面發揮著至關重要的作用。它還充當交換媒介，使用戶能夠存取隱私Al 服務並解鎖生態系統內的各種功能。 PRVA 代幣的價值主要由對網路服務的需求所驅動，其中包括保護隱私的機器學習和其他基於Al 的功能。

具體來說，PRVA 代幣在生態系統中發揮以下作用：

– 交易便利化
– 激勵和獎勵
– 治理與投票
– 質押與網路安全
– 存取獨家功能

代幣分配：

• 挖礦/質押（45%）-將分配給專案內提供完全同態加密（FHE）和其他隱私服務的質押節點。

• 團隊分配（10%）

• 支持者（20%）

• 行銷和社區發展分配（15％）-這些代幣將專用於行銷和社區發展計劃。

• 儲備（6%）－此類別主要適用於無法規劃的項目，例如需要滿足的未來法規或需要申請的許可證。

• 流動性（4%）－這種流動性至關重要，因為它可以確保參與者能夠在不造成價格大幅波動的情況下進入或退出其頭寸，從而促進市場的成長。

5. 團隊

LinkedIn執行長David Jiao是一位經驗豐富的企業家，具有在複雜系統開發方面的強大背景，2010 年在Simplight Nanoelectronics 擔任軟體工程師，隨後加入Cyber​​com Group。 2015 年至2020 年，David 擔任Golden Ridge Robotic AB 的聯合創始人兼首席產品官，這是一家主要專注於Cyber​​-Physical 家用機器人系統的新創研發公司。同時，他也參與了沃爾沃的軟體開發——作為沃爾沃的系統設計師，我負責設計和原型設計沃爾沃全新SPA2 架構中車輛配置的系統功能。 2021 年，他推出了Nulink，透過API 為去中心化應用程式提供PRE+ZK 技術。此外，David 在沃爾沃的經驗使Privasea 能夠參與與RISE（瑞典研究機構）和Alkit Communications AB 為汽車行業開展的聯合計畫。

Ting Gao，領英首席研究科學家- 擁有深厚的應用數學和數學建模背景：自2010 年以來，他一直擔任伊利諾伊理工學院的研究員，自2015 年以來，他擔任M3 的數據分析師和數據科學家，然後擔任Twitter 的ML 工程師。自2021 年以來，他擔任華中科技大學應用數學、隨機建模、深度學習及其在數學金融中的應用的助理教授

Alex (R) Gaidarski，LinkedIn成長經理- 自2006 年以來擁有豐富的系統管理員經驗，這使他成為具有技術傾向的行銷人員。在加入Privasea 之前，他曾在NuiLink 與David Jiao 一起擔任行銷團隊成員。

Zean Darren，社群發展與管理，LinkedIn – 擁有豐富的社群管理經驗，曾擔任Manta、Polyhedra、Tanssi Network 的大使，並在Arcomia 和Story Chain 擔任主持人和助手。

6. 合作、整合與應用

Privasea 目前主要的實際應用是ImHuman，這款應用程式已經在Google Play 和AppStore 上架。它是PoH（人類證明）技術的一種實現，可以確認人類身份，保護您的數位存在免受機器人和人工智慧模仿的侵害。在此應用中，透過臉部生物辨識技術確認身分是透過NFT 個人化人類身分證明。生物特徵資料透過使用者裝置上的加密向量進行網路化。然後使用使用者的客戶端金鑰對這些向量進行安全加密，並將其傳送到Privasea 的安全網路伺服器。 Privasea 目前正計劃在Linea、Movement、Gate 中實施其PoH 解決方案，並與Telegra、/Discord/Reddit 整合。

與TG機器人整合的範例：

Mind Network 是去中心化零信任資料湖的先驅。 Privasea 目前正在建立一個針對完全同態加密的核心操作進行最佳化的微調庫，為web2 和web3 客戶提供高效且便利的解決方案。另一方面，Mind Network 專注於安全的資料驅動智慧合約和加密資料的AI。此次合作的關鍵面向之一是Mind Network 將Mind Network 的FHE 資料湖整合到Privasea 的AI 網路中。

BNB Grienfield – 將資料管理與BNB 智慧鏈(BSC) 中的去中心化金融(DeFi) 潛力結合。 Privasea AI Network 和BNB Greenfield 聯手改變了資料儲存和隱私的模式。 Privasea 的FHE 技術將實現網路上使用者資料的持久加密。此外，BNB Greenfield 平台上的開發人員可以無縫地使用加密資料執行計算，涵蓋資料統計、邏輯分析和機器學習模型評估等操作，而無需深入研究加密方法的複雜細節，包括利用Privanetix 強大節點的能力。

Ton Network – Privasea 推出了Secure LivenessCheck Bot，這是TON Netwok 的解決方案，旨在透過利用先進的臉部辨識技術結合完全同態加密 [FHE] 來重新定義使用者身份驗證。

Pri-Auto 是一個可持續汽車行業的項目，瑞典Vinnova Fordonsstrategisk Forskning och Innovation (FFI) 已選擇在2023 年為其提供資金。在Pri-Auto 計畫下，Privasea 將建立基礎設施，為汽車產業創建安全的資料來源，並透過智慧存取權管理實現OEM、MaaS 和保險公司等多方之間的資料共享。對於這個項目，Privasea 正在與RISE（一家瑞典研究機構）和Alkit Communications AB（為沃爾沃集團和沃爾沃汽車等OEM 提供資料收集服務的供應商）合作。

7. 支持者

Privasea 已從Dewhales Capital、Binance Labs、Gate Labs、OKX Ventures、MH Ventures、K300 Ventures、QB Ventures、Crypto Times、Basic Capital、DuckDAO 等支持者以及一些來自業界的商業天使（例如Zakaria (zak) Aves 和Luke Sheng（來自Chainlink））獲得500 萬美元的投資承諾。

8. 結論

透過解決效率問題並專注於改進現有演算法，Privasea 為FHE 的廣泛採用鋪平了道路，確保了資料安全和隱私在這個資料驅動的世界中可以共存的未來。他們的解決方案允許用戶利用區塊鏈提供的多種分散式運算資源，同時在處理AI 時保持對資料和模型的完全控制。當今的世界變得越來越複雜，web3 與AI 的聯繫也越來越緊密。