币安+OKX投资，主打FHE+AI双重叙事的Privasea是什么？（附交互教程）

转载

166 天前

3970

CoinmanLabs

文章转载来源： CoinmanLabs

大家好，我是来自Coinmanlabs的Paul，今天想跟大家聊聊一个AI项目-Privasea。

Q·数据孤岛是什么？

我们很多人都经历去医院看病的时候需要带着片子，病历等信息，那你是否想过为什么呢？

在医疗领域，不同医院和诊所可能使用不同的电子病历系统和数据库。这些系统之间的数据格式和接口可能不兼容，导致患者在不同医疗机构就诊时，医生无法直接访问和整合他们的完整病历信息。

这是因为技术标准不一致、医院管理独立性强、隐私法规等限制，都可能造成医疗数据难以共享和整合。

同样很多人也经历过去不同的政府部门办理业务，需要跑不同的部门十分繁琐，这是因为政府不同部门和机构负责不同的公共服务和数据收集。例如，税务部门、社会保障部门和卫生部门各自管理大量数据，但这些数据通常无法无缝整合和共享，导致公共服务效率低下，法律、隐私保护、政府结构独立等因素限制了政府部门间数据共享和整合的能力。

这就是我们听到的数据孤岛的多个例子，数据孤岛是指数据无法有效整合和共享的现象。

数据孤岛存在的原因可以有多种：

1.技术障碍：不同系统或平台使用的数据格式、存储方式、接口标准等不同，导致数据难以互通互用。

2.组织结构问题：大型组织内部不同部门或业务单位间缺乏有效的数据共享机制和文化，导致数据被垂直或功能性隔离。

3.法律和隐私问题：数据涉及敏感信息或受到法律法规的限制，导致数据共享受到限制或阻碍。

4.数据所有权和控制权：数据的所有者或控制者不愿意或无法与其他实体共享数据，可能涉及商业利益、竞争关系等问题。

5.成本和资源限制：数据整合和共享可能需要大量的资源和成本，某些组织可能无法或不愿意投入这些资源。

6.文化和意识形态：某些组织或个人可能认为数据应该是私有的，不愿意或不习惯与其他方共享数据。

Q·常见的解决数据孤岛的技术手段？

当前研究和实践解决数据孤岛的技术手段主要是：联邦学习（Federated Learning）、零知识证明（Zero-Knowledge Proofs，ZKP）和全同态加密（Fully Homomorphic Encryption，FHE）、安全多方计算（Secure Multiparty Computation，SMC）、差分隐私（Differential Privacy）、拆分学习（Split Learning）。

今天由于篇幅的原因，我们就不一一展开讲了，主要讲下全同态加密（Fully Homomorphic Encryption，FHE）。

FHE

首先我们想下全同态加密中最关键的词是什么？我想一定是同态吧，确实是的，同态是全同态加密技术的核心，它使得数据在加密状态下可以进行复杂的计算和操作，为数据安全和隐私保护提供了一种强大的解决方案。

同态性（Homomorphism）是数学上的一个概念，特指在代数结构中，两个集合（通常是同一个集合）之间的映射，该映射保持运算的结构。在全同态加密（Fully Homomorphic Encryption，FHE）中，同态性是其核心特性之一，使得在加密状态下可以执行复杂的计算而不需要解密数据。

在全同态加密中，通常会涉及到两种主要的同态性：加法同态性、乘法同态性。

那我们给全同态加密下一个定义吧，全同态加密（Fully Homomorphic Encryption，FHE）是一种特殊的加密技术，允许在加密状态下进行任意计算，得到的结果可以解密后与未加密的数据计算结果完全相同。这种特性使得数据在保持加密的同时可以进行复杂的计算和数据处理，而无需解密数据。

基本原理：FHE的基本概念是通过一系列数学运算来实现，其中包括加法和乘法操作。FHE的加密算法使得加密的数据在加密域内可以进行加法和乘法操作，而不需要解密即可得到最终结果。FHE方案通常建立在公钥密码学的基础上，使用公钥进行加密和私钥进行解密，同时确保计算的保密性和完整性。

目前FHE的应用场景主要是：安全计算外包：允许在未解密的情况下将数据发送到云服务商，以便在加密的状态下进行计算。隐私保护数据分析：允许数据拥有者在保持数据加密的同时进行数据分析和处理，如医疗数据分析、金融数据分析等。

那目前为什么不能大规模运用呢？

计算效率：FHE的加密和解密过程通常较为耗时，尤其是对于复杂的加密操作。

密钥管理：安全地管理公钥和私钥对于FHE的实施至关重要，需要考虑密钥的生成、分发和更新等问题。

安全性保证：尽管FHE提供了强大的加密功能，但在实际应用中需要仔细考虑实现的安全性和漏洞。

那我们是不是就可以不暴露原始的信息形式来对数据进行处理呢？敏感信息可以在不暴露原始形式的情况下进行处理，确保敏感信息的机密性。

Privasea

网站：https://www.privasea.ai/

推特：https://x.com/Privasea_ai

介绍：Privasea AI 网络是一个强大的系统，旨在在整个 AI 计算过程中优先考虑数据的隐私和安全。它使用一种称为完全同态加密(FHE) 的创新技术，该技术可以对加密数据进行计算，产生与对未加密数据执行的计算相同的结果,它通过 FHEML 实现数据价值的流通。该网络为 FHE AI 操作提供分布式计算资源。整个系统由 ZAMA 的具体 ML 和 $PRVA 代币的激励众包支持。

投资机构：

系统架构

Privasea AI 网络由四个主要组件组成：HESea 库、Privasea API、Privanetix 和 Privasea 智能合约套件。

Privasea AI 网络的核心是 HESea 库，它拥有大量流行的完全同态加密方案的高效实现，如 TFHE、CKKS、BGV、BFV 等。

此开源库为开发人员提供了加密技术和高性能优化，以实现安全计算。借助 HESea 库，开发人员可以访问各种函数，从而对加密数据执行基本的原始、算术和逻辑运算，该库的独特之处在于其经过了细致的优化，采用了密文打包和批处理等技术来提高效率和整体性能。

Privasea API 是一套全面的协议和工具，建立在 HESea 库之上。对于希望构建隐私保护 AI 应用程序的开发人员来说，此 API 是宝贵的资源。

通过利用 HESea 库提供的底层 FHE 方案的强大功能，开发人员可以创建优先考虑数据隐私和安全的强大应用程序。Privasea API 使开发人员能够将高级隐私保护功能无缝集成到他们的 AI 应用程序中。

Privanetix 是一个互连计算节点网络，其任务是实现对加密数据的安全计算。这些节点利用 FHE 算法对加密数据进行计算，确保敏感信息不会被不法分子发现。

Privanetix 通过将计算分布在多个节点上，增强了 Privasea AI 网络的可扩展性和效率。该网络可充当强大的盾牌，防止数据泄露和未经授权的访问，进一步增强用户敏感信息的安全性。

为了有效管理 Privanetix 网络并激励计算节点，Privasea 智能合约套件应运而生。该套件包括一系列精心设计的智能合约，用于处理网络管理的各个方面。通过使用这些智能合约，组织可以有效地管理 Privanetix 网络，确保一切顺利进行。此外，Privasea 智能合约套件为计算节点提供激励，鼓励他们积极参与，进一步增强网络的整体性能。