山东网站优化四川网站备案咨询网

当前位置： 首页 > news >正文

山东网站优化,四川网站备案咨询网,个人网站设计公司,网站开发的功能需求文档模板目录 前言 1.区块链 2.隐私计算 3.联邦学习#xff08;隐私计算技术#xff09; 4.区块链和联邦学习 5.区块链和人工智能 展望 参考文献 前言 区块链公开透明#xff0c;但也需要隐私#xff0c;人工智能强大#xff0c;但也需要限制。当前我们需要的是一个在保证…目录 前言 1.区块链 2.隐私计算 3.联邦学习隐私计算技术 4.区块链和联邦学习 5.区块链和人工智能 展望 参考文献 前言 区块链公开透明但也需要隐私人工智能强大但也需要限制。当前我们需要的是一个在保证个人隐私的前提下最大化公开透明的世界我们需要人工智能解放人类的双手帮助人类征战星空但我们又要控制它们不至于反噬人类。 1.区块链 区块链是将密码学、P2P、智能合约、共识机制等技术进行结合的一个分布式分类账本这些让区块链上的数据具有不可篡改性、可追溯性、去中心化性等特点。所以区块链是能够解决多方信任和协作的有利工具。 不可篡改性数据一旦上链便不可更改。 可追溯性数据发布到使用的过程全部上链随时可以查询。 去中心化性可以理解为数据在自己手中中心化时用户数据全部在腾讯、阿里这样的中心。 简单理解比方说一个人的一天包括吃饭上厕所睡觉这些数据上链之后无论过去百年还是万年都可以被查询可追溯性而且假设有一天你吃坏肚子大便很臭你不希望未来被后人知道想改数据这是无法改变的不可篡改性而且每个人都能知道你哪天大便臭去中心化性。 补充区块链在数据结构上是使用哈希指针代替普通指针的链式结构。区块包括了区块头和区块体区块头包含了 版本号、前一个区块的哈希值、默克尔树的根哈希值、时间戳、难度值和随机数块体包含了本区块的交易。 区块链让信任经济成为可能并开创了一种在不可信的竞争环境中低成本建立信任的新型计算范式和协作模式其正在加速构建新一代价值网络和契约社会并已逐步成为数字经济时代的通用信任基础实施。 但在传统区块链技术中数据是公开透明的且所有数据都会被记录在区块链上所有节点都可以访问。因此如果区块链中记录的信息涉及到个人隐私或商业机密等敏感信息存在泄露的风险。 2.隐私计算 隐私计算本质上是在保护数据隐私的前提下进行数据分析计算等任务。具体是指在处理视频 、音频、图像、图形、文字、数值、泛在网络行为性信息流等信息时对所涉及的隐私信息进行描述、度量、评价和融合等操作。 与传统数据使用方式相比隐私计算的加密机制能够增强对于数据的保护、降低数据泄露风险。因此包括欧盟在内的部分国家和地区将其视为“数据最小化”的一种实现方式。同时传统数据安全手段比如数据脱敏或匿名化处理都要以牺牲部分数据维度为代价导致数据信息无法有效被利用而隐私计算则提供了另一种解决思路保证在安全的前提下尽可能使数据价值最大化 技术方向 多方安全计算基于密码学的隐私计算技术 联邦学习人工智能与隐私保护技术融合衍生的技术传输的数据是加密的但模型训练的时候是要用私钥解密的地址 可信执行环境基于可信硬件的隐私计算技术。不同技术往往组合使用在保证原始数据安全和隐私性的同时完成对数据的计算和分析任务。 3.联邦学习隐私计算技术 人工智能成功基于大量高质量的数据。随着人工智能的快速发展所需要的数据量也越来越大但是摆在面前的事实是除了有限的几个行业,大多数行业现有数据有限且质量较差这不足以支撑人工智能技术的实现。这样的数据所训练出来的模型是片面不可取的。 数据获取的过程中还面临数据隐私问题这些数据可能来源于不同的组织与机构这就存在数据流向的不可控和敏感数据泄露问题尤其是当下大模型当道更是需要海量的数据那么如何获取更多可用数据就成为了一个热点问题在此基础上出现了联邦学习。 联邦学习是为了解决联合训练模型时的隐私问题所提出的一种方法。能够在多方数据源聚合的场景下协同训练全局最优模型将机器学习的数据存储和模型训练阶段转移至本地用户仅与中心服务器交互模型更新的方式有效保障了用户的隐私安全。简单理解为让各个企业自己进行模型的训练各个企业在完成模型的训练之后将各自模型的参数上传至一个中心服务器也可以是点对点中心服务器结合各个企业的参数可以上传梯度也可以是自己更新后的参数重新拟定新的参数例如通过加权平均这一步叫做联邦聚合将新的参数下发至各个企业企业将新参数部署到模型上从而继续新的训练这个过程可以进行反复的迭代直到模型收敛或者满足其他的条件。   4.区块链和联邦学习 目前联邦学习可能存在安全漏洞其中心化的结构完全依赖于中央服务器的可靠性一旦中央服务器被恶意侵占整个训练过程都将完全被攻击者控制。比如数据污染和模型污染即一个恶意的参与者可以向云端的联邦学习服务器故意发送错误的参数来破坏模型参数的全局聚合过程。这样得到的全局模型无法进行正常的更新整个学习系统就被破坏了。区块链作为一项去中心化的技术具有可溯源、不可篡改的特性可以将每次模型更新与各个参与者相关联利用区块链中交易的可追踪性来检测尝试篡改数据的欺诈性交易行为。同时利用区块链实现系统的去中心化加强了系统的容错性和抗攻击性。 所以区块链和联邦学习的结合成为当前的研究热点联邦学习是基于隐私保护的分布式机器学习而区块链是能实现价值转移的分布式数据库使用加密算法和共识机制使得所存的数据不可篡改且公开透明。区块链和联邦学习都是分布式体系架构但本质不同联邦学习以数据不出域的思想为核心而区块链要利用分布式共识保证每个节点的一致性。因此区块链能给联邦学习类似虚拟货币的激励机制通过激励机制鼓励参与方贡献自己的计算资源和数据; 区块链代替联邦学习的中心服务器为联邦学习提供一个安全的数据交换环境或者利用区块链的可追溯性帮助联邦学习找到恶意参与方及时进行止损和惩罚。  工业物联网中这项技术可以鼓励工厂提供设备的运行数据以多个工厂生产设备的使用状况为样本用来确定设备故障的位置。通过对客户端的数据进行哈希运算并将根节点存储在区块链上实现客户端数据的验证完整性。参与方除了托管本地设备的数据以外还管理一个区块链节点为了鼓 励参与方贡献算力和数据在智能合约中可以加入奖励 机制根据参与方的训练状态、训练轮次、参与方数据集大小等为参与方发放虚拟货币。 5.区块链和人工智能 区块链技术和人工智能本是两种不同的技术但是两者之间又相辅相成。人工智能最大的问题就是黑箱原理人类无法理解模型所做出的决策也就无法从根本上控制人工智能尤其是近来大模型的快速发展让人类也有了人工智能是否可控的危机感。而区块链技术可以运用到人工智能中能提高人工智能的安全性和稳定性。同时人工智能技术的应用可以大大提高区块链的效率。简单理解人工智能就是一把双刃剑可攻敌也可能伤己而区块链就是一一个盾或者刀鞘把人类保护在其中。 具体而言区块链可以帮助我们跟踪理解和解释人工智能的决策。如果决策是按数据点对数据点的方式在区块链上记录下来的那么对决策进行审计就会简单得多因为在记录的信息和审计过程开始之间记录没有被篡改。无论我们多么清楚地看到人工智能在许多领域都具有巨大的优势如果它不被公众所信任那么它的实用性将会受到严重的限制。在区块链记录决策过程可能是实现透明度和洞察机器人思维来获得公众的信任的一个步骤。 通过区块链可以建立机器与机器之间的信任人工智能的使用范围将会扩大。例如未来有一天当我们需要跟其他人交换物品时可以让彼此的机器人代为跑腿甚至机器人可以帮我们收快递、付款、收款等。 另一方面区块链中的去中心化和分布式技术能完美地解决算力方面的问题能够让人工智能企业的成本大幅度降低。IBM正试图将人工智能和区块链技术融合到一起组成单一的、功能更为强大的模型。由于区块链技术能够实现几乎无障碍的价值交换人工智能则有着高速分析海量数据的能力二者的结合可能标志着一种全新模式的开始。IBM负责物联网安全的首席架构师Tim Hahn一直专注于将区块链技术引入到IBM公司的人工智能计算机Watson中。 最后在智能医疗行业。医疗行业人工智能早已不是新鲜话题相关的研究项目不少。但是在数据质量的问题上总是面对各种各样的麻烦比如临 床医生的错误黑客的攻击相同的电子病历因为同时编辑而没有及时更新等。而区块链技术可以有效地解决这些问题区块链系统上的数据不可篡改可以记录任 何时刻的医疗健康记录。并且具有加密技术充分保障了病人的隐私。 展望 后续要关注一下相关技术具体的实现过程以及如何在应用场景落地。 参考文献 1.隐私计算是什么_顺其自然~的博客-CSDN博客 2.隐私计算概念及应用介绍_基于现代密码的联邦学习(tfl)林立可的博客-CSDN博客  3.联邦学习综述一——联邦学习的背景、定义及价值.别拖至春天.的博客-CSDN博客 4.联邦学习是什么联邦学习简介-CSDN博客 5.联邦学习Federated LearningFL-CSDN博客  6.隐私计算与区块链的融合思考-CSDN博客  7.隐私计算 — 区块链 — Overview_区块链 隐私计算-CSDN博客  8.【区块链隐私计算】技术原理及业务场景-CSDN博客  9.区块链如何应用于边缘计算、隐私计算联邦学习_边缘计算 联邦学习-CSDN博客  10.深论人工智能与区块链_仓鼠科技城的博客-CSDN博客  11.区块链在人工智能领域的应用-CSDN博客