Research Article

إطار عمل قائم على Blockchain لإنشاء وإدارة أمثلة غير قابلة للتعلم لتعزيز خصوصية البيانات والتحكم في الوصول

DOI:

10.3791/68338

⸱

August 22nd, 2025

 ,  ,  ,  ,  , 
1School of Cyberspace Security, Zhengzhou University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الورقة إطارا قائما على blockchain لإنشاء أمثلة غير قابلة للتعلم ، ودمج الاضطراب الديناميكي مع التحكم في الوصول. يعزز حماية الخصوصية من خلال ضمان تلقي المستخدمين غير المصرح لهم للبيانات المضطربة ، وحماية المعلومات الحساسة مع تمكين إدارة البيانات بكفاءة والوصول إليها من خلال العقود الذكية.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في سياق التطور السريع لنماذج اللغة الكبيرة (LLMs) ، أصبح التعلم التقابلي معتمدا على نطاق واسع نظرا لقدرته على تجاوز التعليقات التوضيحية المكلفة للبيانات من خلال الاستفادة من كميات هائلة من بيانات الشبكة للتدريب على النماذج. ومع ذلك ، فإن هذا الاستخدام الواسع النطاق يثير مخاوف كبيرة بشأن حماية خصوصية البيانات. الأمثلة غير القابلة للتعلم (UEs) ، وهي تقنية تعطل تعلم النموذج عن طريق إزعاج البيانات ، تمنع بشكل فعال النماذج غير المصرح بها من إساءة استخدام البيانات الحساسة. ومع ذلك ، تواجه الطرق الحالية لتوليد UEs تحديين أساسيين: أولا ، يمكن عكس الاضطرابات باستخدام تقنيات مثل التنقية العكسية أو تقليل الضوضاء ، بما في ذلك نماذج الانتشار التي تزيل الاضطرابات الوقائية في UEs للصور. ثانيا ، بمجرد نشر البيانات ، يصبح ضمان تتبع البيانات وإدارة التحكم في الوصول أمرا صعبا. لمعالجة هذه القضايا ، تقترح هذه الورقة إطار عمل متكامل لتوليد وإدارة أمثلة غير قابلة للتعلم (B-UEGMF) لإنشاء وإدارة UEs. من خلال الاستفادة من الخصائص اللامركزية وغير القابلة للتغيير ل blockchain ، نقوم بتخزين أمثلة على قيم التجزئة على blockchain وإدارة حقوق الوصول إلى البيانات ديناميكيا من خلال العقود الذكية. بالإضافة إلى ذلك ، يتم إنشاء UEs باستخدام تقنية اضطراب متعددة الأهداف ، وهي الضوضاء الديناميكية لتقليل الأخطاء (DEM) ، والتي تعزز المتانة ضد طرق الانعكاس. كما نقدم تقييما كميا لقدرات حماية الخصوصية للأمثلة التي تم إنشاؤها. تظهر النتائج التجريبية أن الإطار المقترح حسن بشكل كبير دفاع Us ضد الهجمات العكسية مع ضمان إدارة خصوصية البيانات بكفاءة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في السنوات الأخيرة ، مع التقدم السريع للتعلم العميق ونماذج اللغة الكبيرة ، ظهر التعلم المتباين كنهج تعليمي فعال غير خاضع للإشراف نظرا لاستقلاله عن التعليقات التوضيحية اليدويةالمكلفة 1،2. ومع ذلك ، فقد أثار الاستخدام المكثف لمجموعات البيانات العامة مخاوف كبيرة بشأن انتهاكات الخصوصية وإساءة استخدام البيانات. أصبحت حالات الاستخدام غير المصرح به للبيانات المتاحة للجمهور للتدريب النموذجي شائعةبشكل متزايد 3. على سبيل المثال ، في عام 2017 ، تم استخدام صور عامة غير مصرح بها لتدريب نماذج التعرف على الوجه4. وبالمثل ، استخدمت أمازون بيانات ....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

اعداد
لقد نظرنا في مهمة تصنيف خاضعة للإشراف مع مجموعة figure-protocol-1بيانات ، حيث figure-protocol-2 تمثل ميزات الإدخال وتشير figure-protocol-3 إلى تسميات الفئة المقابلة لمشكلة الفئة K. يتم تقسيم مجموعة البيانات D إلى مجموعة بيانات تدريب نظيفة ومجموعة بيانات اختبار.

الهدف هو تعديل مجموعة بيانات التد....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Blockchain وإطار عمل العقود الذكية
أظهرت النتائج التجريبية أن إطار عمل إنشاء وإدارة الأمثلة غير القابلة للتعلم المتكامل المقترح (B-UEGMF) ، جنبا إلى جنب مع العقود الذكية ، مكن من الإدارة الديناميكية الفعالة للوصول الخاص بالعميل إلى البيانات. بالنسبة للمستخدمين المصرح لهم ، حققت البيانات النظيفة المستردة دقة اختبار بنسبة 90.2٪ على نموذج بديل ResNet-18 تم تقييمه على مجموعة بيانات CIFAR-10. في المقابل ، حصل المستخدمون غير المصرح لهم الذين يصلون إلى UES التي تم إنشاؤها بواسطة DEM على دقة اختبار أقل بكثير .......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أدى تكامل blockchain و UEs إلى تطوير مجال حماية خصوصية البيانات من خلال توفير حل شفاف ولامركزي لإدارة الوصول إلى البيانات. على عكس الأساليب التقليدية للحفاظ على الخصوصية ، والتي غالبا ما تعتمد فقط على تقنيات الاضطراب31 ، تعمل هذه الدراسة على سد الفجوة بين حماية البيانات وتتبع المسؤولية. في سيناريوهات التعلم الموحد، يضمن الإطار المقترح تدريبا آمنا وخاصا على النموذج عبر مجموعات البيانات اللامركزية، مما يخفف من مخاطر استعادة البيانات غير المصرح بها. بالإضافة إلى ذلك .......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين أي شيء ذي صلة بهذا المنشور للإفصاح عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم هذا العمل من قبل كلية أمن الفضاء السيبراني بجامعة تشنغتشو ، والتي وفرت بيئة بحثية ممتازة وموارد أكاديمية. نحن ممتنون للغاية لمشرفنا ، البروفيسور زيجياو تشانغ ، على توجيهاته التي لا تقدر بثمن واقتراحاته الثاقبة وتشجيعه المستمر طوال هذا البحث. كما نتقدم بخالص الشكر إلى مركز إدارة الشبكات بجامعة تشنغتشو لتوفير خوادم تجريبية وموارد حوسبة عالية الأداء وبنية تحتية لاختبار blockchain ، والتي كانت ضرورية للتنفيذ الناجح لهذه الدراسة.

مساهمة المؤلف:
صممت رويجيا لي الدراسة ، وطورت المنهجية ، وأجرت تجارب ، وأجرت تحليل البيانات ، وكتبت المخطوطة الأصلية. قدم Zijiao Zhang الإشراف والتحقق من صحة ....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
كودا 12.1نفيدياتستخدم لتحسين أداء تطبيقات التعلم العميق
انفيديا A800 80 جيجابايت PCIe A800 80 جيجابايت PCIeنفيدياتستخدم للتدريب على نموذج التعلم العميق
بايثون 3.10مؤسسة برامج بايثونتستخدم للمعالجة المسبقة للبيانات وتحليلها
بايتورش 2.5.1فيسبوكإطار عمل التعلم العميق المستخدم للتدريب على النماذج
أوبونتو 22.04قانونينظام التشغيل المستخدم لإعداد البيئة

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System. Zou, D., Chen, Y., Wang, X. Proc 45th Int ACM SIGIR Conf Res Dev Info Retrieval, , 1358-1368 (2022).
  2. A simple framework for contrastive learning of visual representations. Chen, T., Kornblith, S., Norouzi, M., Hinton, G. Proc 37th Int Conf Mach Learn, 119, 1597-1607 (2020).
  3. Guo, J., et al. Domain watermark: Effective and harmless dataset copyri....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Blockchain Data PrivacyUnlearnable ExamplesAccess ControlContrastive LearningData TraceabilitySmart ContractsData PerturbationPrivacy ProtectionReverse Attack DefenseDynamic Error Minimizing Noise

Related Articles