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 المراجعة العامة للمستهلكين لتدريب أنظمة التوصيات الخاصة بها دون الحصول على موافقة صريحة من جميع المستخدمين ، مما يكشف عن نقاط الضعف في آليات حمايةالخصوصية 5.

لمعالجة هذه المشكلات ، ظهرت الأمثلة غير القابلة للتعلم (UEs) كتقنية جديدة لحماية خصوصية البيانات. تضيف UEs اضطرابات غير محسوسة إلى عينات البيانات ، حيث تقدم اختصارا يمنع النماذج من تعلم المعلومات الحساسة مع الحفاظ على الإدراك البشري للبيانات6،7،8. تشمل الطرق الحالية لإنشاء UEs بشكل أساسي اضطرابات تقليل الضوضاء (EM)9 ، وتوليد الاضطراب بواسطة شبكات الخصومة التوليدية (GANs) 10 ، والضوضاء القوية لتقليل الأخطاء (REM) ، والضوضاء المستقرة لتقليل الأخطاء (SEM) المحسنة من خلال التدريب العدائي11،12. بالإضافة إلى ذلك ، تم تطبيق نماذج الانتشار مؤخرا لتوليد ضوضاء غير صحيحة للعلامة ، مما يعزز حماية الخصوصية13.

على الرغم من التقدم الكبير في إنشاء UEs ، لا تزال هناك العديد من التحديات ، لا سيما في تطبيقات العالم الحقيقي حيث لم يتم التحقق من آثار حماية الخصوصية لهذه الأساليب بشكل كامل. على وجه التحديد ، تشمل التحديات الرئيسية ما يلي:
مشكلات الاستعادة: يمكن لنماذج الانتشار استعادة الأمثلة غير القابلة للتعلم جزئيا عن طريق التنبؤ بالاضطرابات المضمنة في البيانات وإزالتها ، وبالتالي استعادة قابلية التعلم وتعريض حماية الخصوصية للخطر14،15. حتى عندما تكون البيانات مضطربة أثناء التدريب ، قد يستمر الكشف عن المعلومات الحساسة بعد الاستعادة.
إمكانية تتبع البيانات والتحكم في الوصول: بمجرد إصدار الأمثلة غير القابلة للتعلم ، تظل الآليات الفعالة لتتبع أصلها وفرض قيود الوصول صعبة من الناحية الفنية16.
الموازنة بين حماية الخصوصية وأداء النموذج: بينما تركز الأساليب الحالية على إنشاء أمثلة غير قابلة للتعلم لحماية الخصوصية ، فإن الحفاظ على التوازن بين حماية الخصوصية وأداء التدريب النموذجي لا يزال دون حل17 ، 18 ، 19. تعطي معظم الأبحاث الحالية الأولوية لحماية الخصوصية ولكنها تولي اهتماما محدودا للتخفيف من تدهور الأداء أثناء تدريب النموذج20،21. وبالتالي ، أصبح الوصول إلى البيانات واستخدامها من الاهتمامات الحاسمة في حمايةالخصوصية 22.

في حين أن الحلول المركزية وبيئات التنفيذ الموثوقة (TEEs) تقدم طرقا بديلة للتحكم في الوصول إلى البيانات ، فإنها تواجه قيودا متأصلة في السيناريوهات الطبية / القانونية: (1) تقدم الأنظمة المركزية نقاط فشل فردية وتبعية التدقيق23. (2) تتطلب TEEs أجهزة متخصصة وتفتقر إلى الإجماعاللامركزي 24. تبرز Blockchain كحل مثالي لأن خصائص دفتر الأستاذ غير القابلة للتغيير تعالج بشكل مباشر ثلاثة متطلبات مهمة لإدارة UE: الامتثال القابل للإثبات للوائح حوكمة البيانات (على سبيل المثال ، مسارات تدقيق HIPAA) ، والتحكم في الوصول المقاوم للرقابة في إعدادات متعددة المؤسسات ، وتتبع المصدر الدقيق من خلال المعاملات ذات الطابعالزمني 25،26،27.

أظهر إطار العمل الخاص بنا الأداء الأمثل لمجموعات البيانات متوسطة الحجم مع تسريع وحدة معالجة الرسومات ، مما يحقق توليد اضطراب في الوقت الفعلي. في حين أن عمليات blockchain تقدم نفقات عامة قابلة للقياس ، فإن هذه المقايضة لها ما يبررها في السيناريوهات التي تتطلب سجلات وصول غير قابلة للتغيير ، مثل الأبحاث الطبية متعددة المؤسسات أو أسواق البيانات المنظمة. يتوسع النظام خطيا مع حجم مجموعة البيانات ولكنه يتطلب ذاكرة وصول عشوائي ≥16 جيجابايت ووحدات معالجة مركزية رباعية النواة للتشغيل المستقر ، مما يجعله أقل ملاءمة للأجهزة الطرفية المحدودة الموارد.

لمواجهة هذه التحديات ، تقترح هذه الورقة إطار عمل متكامل لتوليد وإدارة الأمثلة غير القابلة للتعلم (B-UEGMF). Blockchain ، كتقنية دفتر الأستاذ الموزع اللامركزية وغير القابلة للتغيير ، تسجل بشكل فعال تجزئات الوصول إلى البيانات وتدير ديناميكيا أذونات الوصول عن طريق العقود الذكية ، وبالتالي تعزيز قدرات حماية الخصوصية لأمثلة غير قابلة للتعلم28،29. بموجب هذا الإطار، يمكن للمستخدمين المصرح لهم الوصول إلى البيانات النظيفة، بينما يمكن للمستخدمين غير المصرح لهم الوصول فقط إلى الأمثلة غير القابلة للتعلم التي تم إنشاؤها ديناميكيا. لمعالجة المشكلات الحالية ، تقدم هذه الورقة طريقة جديدة لتوليد الضوضاء لتقليل الأخطاء الديناميكية (DEM). من خلال دمج المعلومات الخاصة بالعميل والمعلمات الزمنية ، تقوم DEM بتضمين الاضطرابات ديناميكيا في البيانات ، مما يؤدي إلى اضطرابات فريدة لكل طلب بيانات وضمان خصوصية البيانات وعدم قابليتها للتعلم. يتم توضيح عملية إنشاء DEM في الشكل 1. وفيما يلي المساهمات الرئيسية لهذه الورقة:
التتبع الديناميكي وإدارة الوصول: تتناول هذه الورقة مشكلات التتبع والتحكم في الوصول المرتبطة بإصدار أمثلة غير قابلة للتعلم من خلال اقتراح إطار عمل B-UEGMF. تعمل الطبيعة اللامركزية ل blockchain على حل مشكلة الطرف الثالث الموثوق بها في الأنظمة التقليدية ، بينما تتيح شفافيتها سجلات وصول يمكن التحقق منها دون الكشف عن البيانات الأولية. من خلال الاستفادة من شفافية blockchain وثباته ، جنبا إلى جنب مع التحكم الديناميكي في الوصول الذي تتيحه العقود الذكية ، يضمن إطار العمل عدم تمكن المستخدمين غير المصرح لهم من استعادة البيانات النظيفة أو نشرها ، وبالتالي تعزيز أمان البيانات بشكل كبير.

آلية توليد الاضطراب الديناميكي: تم تقديم مخطط إنشاء أمثلة ديناميكي غير قابلة للتعلم ، حيث تدير العقود الذكية الطلبات من عملاء مختلفين. يتم إنشاء اضطرابات DEM ديناميكيا لطلبات العميل غير المصرح بها بناء على المعلومات الخاصة بالعميل والمعلمات الزمنية. وهذا يضمن أن تأثيرات الاضطراب تختلف باختلاف الطلبات، وبالتالي تعزيز مقاومة طرق إزالة الضوضاء القائمة على الانتشار والحد من وصول المستخدمين غير المصرح لهم إلى مجموعات البيانات واسعة النطاق في وقت واحد.

توضح التجارب التي أجريت على مجموعات بيانات CIFAR-10 و CIFAR-100 و ImageNet أن DEM يتفوق على الأساليب الحالية (على سبيل المثال ، EM و TAP و SEM) من حيث حماية الخصوصية ومقاومة هجمات الهندسة العكسية ، كما هو موضح في الشكل 2 ، مع تحسين مقاومة هجمات إزالة الضوضاء بنسبة 57٪ مقارنة ب EM و 25٪ مقارنة ب SEM ، كما هو موضح في الشكل 3 ، تسليط الضوء على قابليتها للتطبيق المحتمل في سيناريوهات العالم الحقيقي.

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 التدريب النظيف من خلال إدخال اضطرابات صغيرة غير محسوسة δ لإنشاء مجموعة figure-protocol-4بيانات غير قابلة للتعلم ، حيث figure-protocol-5 + δ. δ الاضطراب محدود ب figure-protocol-6، مما يضمن أنه لا يغير بشكل كبير المنفعة العادية للبيانات. الهدف الرئيسي هو تعطيل التعلم عن طريق إجبار النموذج fθ ، المدرب على Du ، على التركيز على الأنماط غير ذات الصلة التي تسببها الضوضاء بدلا من الميزات ذات المغزى ، مما يؤدي إلى تعميم ضعيف على مجموعة بيانات اختبار نظيفة:

figure-protocol-7

محاكاة بيئة blockchain
لتثبيت أدوات blockchain ، يتم استخدام إطار عمل Hardhat لمحاكاة شبكة Ethereum في بيئة محلية لنشر العقود الذكية واختبار إنشاء أمثلة غير قابلة للتعلم. لإطلاق شبكة محلية ، يتم تهيئة شبكة blockchain محاكاة مع عقد وحسابات متعددة. يتم تخصيص موارد لكل عقدة مثل Ether لتسهيل محاكاة المعاملات. لتطوير العقود الذكية، يتم تنفيذها لإدارة أذونات المستخدم ديناميكيا. يمكن للمستخدمين المصرح لهم الوصول إلى البيانات النظيفة، بينما يقتصر المستخدمون غير المصرح لهم على الوصول إلى الأمثلة غير القابلة للتعلم. أولا ، قم بتكوين بيئة تطوير تستند إلى Node.js v16.x و Hardhat 2.8.4 ، واستخدم مترجم Solidity 0.8.17 لإكمال تجميع العقد الذكي وتحسينه. يتم تنفيذ عملية التحويل البرمجي بواسطة سطر الأوامر باستخدام npx hardhat compile لإنشاء عناصر بناء تحتوي على ABI و bytecode. بعد ذلك ، قم بنشر العقد على شبكة اختبار Sepolia عن طريق تشغيل البرنامج النصي للنشر npx hardhat run scripts / deploy.js --network sepolia ، وتسجيل عنوان عقد الإخراج وتجزئة معاملة النشر. خلال مرحلة اختبار الأداء ، يتم تنفيذ ثلاثة اختبارات أساسية بالتتابع: اختبار تكلفة المعاملة يسجل استهلاك الغاز عن طريق الاستدعاء الدوري لطريقة grantAccess للعقد. يستخدم اختبار الإنتاجية أداة المدفعية لمحاكاة طلبات المستخدم مع زيادة الحمل بشكل تدريجي ؛ يتم إجراء معاملات الاختبار والتحقق من الصحة ، بما في ذلك تخزين البيانات واسترجاعها ، للتحقق من صحة وظائف العقد الذكي.

إنشاء المستخدمين على السلسلة وآليات الأذونات
يتم إنشاء حسابات المستخدمين الفريدة باستخدام محافظ blockchain (على سبيل المثال ، MetaMask) ، كل منها يشتمل على مفتاح خاص ومفتاح عام. يستخدم تنفيذ النموذج الأولي بيئة blockchain محاكاة حيث تقوم كيانات المستخدم الاصطناعية بتحميل مجموعات البيانات المتاحة للجمهور إلى النظام اللامركزي ، وتخزين قيم تجزئة التشفير فقط في دفتر الأستاذ الموزع. هذا يضمن سلامة البيانات دون تخزين البيانات الفعلية على السلسلة ، والتي ستكون غير فعالة ومكلفة. يتم تخزين البيانات الفعلية خارج السلسلة ، وعادة ما تستخدم أنظمة تخزين لامركزية مثل IPFS ، مما يضمن إدارة البيانات بكفاءة مع الحفاظ على الأمان والخصوصية. بالنسبة للرموز غير القابلة للاستبدال (NFTs) والتحكم في الوصول ، تنفذ هذه الدراسة آلية دقيقة للتحكم في الوصول باستخدام NFTs المتوافقة مع معيار ERC-721. ترتبط كل مجموعة بيانات من الأمثلة غير القابلة للتعلم بمعرف رمزي فريد ، والذي يعمل كمفتاح للوصول إلى البيانات. يطلب المستخدمون الوصول عن طريق تقديم إثباتات Merkle. تتحقق هذه البراهين من هوية المستخدم بطريقة آمنة ولامركزية. عند التحقق من صحة الإثبات بنجاح ، يقوم العقد بسك NFT فريد ونقله إلى محفظة المستخدم. يمثل NFT هذا حق المستخدم في الوصول إلى البيانات المرتبطة بهذا المثال المحدد غير القابل للتعلم. يضمن استخدام NFTs أن المستخدمين المصرح لهم فقط هم من يمكنهم الوصول إلى البيانات ، بناء على سجل لامركزي غير قابل للتغيير. هذا على النقيض من التحكم في الوصول التقليدي المستند إلى الدور (RBAC) ، والذي يعمل عادة على مستوى المجموعة وقد لا يوفر الدقة اللازمة للتطبيقات عالية الأمان30.

يتحقق العقد الذكي باستمرار من أذونات الوصول من خلال وظيفة ownerOf ، ويتحقق من ملكية NFT للتأكد من أن المستخدمين المصرح لهم فقط هم من يمكنهم الوصول إلى البيانات النظيفة. يمكن للمسؤولين إبطال الوصول عن طريق تدمير NFT من خلال وظيفة revokeAccess ، مما يضمن المرونة في إدارة وصول المستخدم بمرور الوقت. يتكون سير العمل التشغيلي من أربع خطوات حاسمة: (1) يقدم المستخدمون طلبات الوصول التي تحتوي على إثباتات Merkle. (2) يتحقق العقد من صحة هذه الإثباتات؛ (3) عند التحقق الناجح ، يقوم العقد بسك NFT المقابل ؛ (4) يسترد المستخدمون البيانات المشفرة باستخدام معرف محتوى IPFS (CID) المضمن في البيانات الوصفية ل NFT. من خلال الاستفادة من NFTs ، نحقق العديد من الفوائد على آليات التحكم في الوصول التقليدية ، مثل التحكم الدقيق في الأذونات (على مستوى البيانات مقابل مستوى المجموعة) ، وقدرة تدقيق أفضل (سجلات غير قابلة للتغيير على السلسلة) ، وإمكانية نقل الأذونات (معاملات سوق NFT).

يتم تنفيذ عقود التوقيع المتعدد لتحديث تجزئة جذر Merkle ، مما يمنع التلاعب غير المصرح به للبيانات. يشتمل النظام على آليات مكافحة Sybil عن طريق ربط كل مجموعة بيانات بمعرف رمزي فريد ، مما يضمن أن الجهات الفاعلة الخبيثة لا يمكنها إنشاء رموز احتيالية للوصول إلى البيانات غير المصرح بها. يتم تشفير UEs باستخدام AES-256 قبل تحميلها على شبكة نظام الملفات بين الكواكب (IPFS). يتم تخزين تجزئات البيانات المشفرة على السلسلة ، بينما تظل مجموعات البيانات الكاملة على IPFS ، مما يقلل من النفقات العامة لتخزين blockchain. يحقق النهج الهجين للجمع بين التخزين داخل السلسلة وخارج السلسلة توازنا بين ضمان توفر البيانات وتقليل تكاليف التخزين ، وهو مصدر قلق شائع في التطبيقات القائمة على blockchain.

يتم استخدام العقود الذكية لإدارة أذونات المستخدم ديناميكيا. لا يتم منح كل مستخدم حق الوصول إلى البيانات النظيفة إلا إذا كان يحمل NFT المناسب ، والذي يعمل كرمز مميز للتفويض الخاص به. تسجل العقود الذكية جميع الوصول إلى البيانات في سجلات الأحداث ، مما يوفر إمكانية التتبع الكامل. هذه السجلات غير قابلة للتغيير ويمكن تدقيقها ، مما يوفر الشفافية والمساءلة. يستخدم العقد الذكي وظيفة grantAccess للتحقق من صحة طلبات الوصول. يتحقق العقد مما إذا كان المستخدم يحمل NFT المناسب ، وإذا كان صحيحا ، يمنح حق الوصول إلى البيانات المطلوبة. يتم تسجيل كل حدث وصول على blockchain ، مما يضمن إمكانية التحقق من جميع أنشطة استرداد البيانات. يتم تسجيل كل حدث للوصول إلى البيانات في الوقت الفعلي بواسطة العقد الذكي ، والذي يؤدي إلى حدث AccessGrant. يحتوي هذا الحدث على معلومات مهمة مثل عنوان محفظة المستخدم والطابع الزمني للوصول ومعرف رمز NFT المقابل. تسمح الطبيعة الديناميكية للعقود الذكية بإدارة الأذونات في الوقت الفعلي. هذا مفيد بشكل خاص في التطبيقات اللامركزية ، حيث يجب أن يكون التحكم في الوصول مرنا للغاية وقابلا للتكيف مع الظروف المتغيرة.

لمعالجة مخاوف الخصوصية في بيئات blockchain العامة ، يخزن النظام صورا مصغرة منخفضة الدقة (على سبيل المثال ، 64 × 64 بكسل) على blockchain ، بينما يتم تشفير الصور الأصلية عالية الدقة وتخزينها خارج السلسلة على IPFS. يمكن فقط للمستخدمين المصرح لهم الذين يمتلكون NFT المقابل استرداد مفاتيح فك التشفير للوصول إلى البيانات عالية الدقة. يتلقى المستخدمون غير المصرح لهم إصدارات من البيانات مع اضطرابات DEM في الوقت الفعلي ، مما يضمن عدم تمكنهم من الوصول إلى البيانات الأصلية.

توليد اضطراب الصورة
قم بتحميل مجموعات بيانات CIFAR10 و CIFAR100 و ImageNet. يتم تغيير حجم الصور الموجودة في مجموعات البيانات بشكل موحد وتحويلها إلى موتر PyTorch ، ويتم تطبيع موتر الصورة باستخدام المتوسط والانحراف المعياري. قم بتهيئة ضوضاء عشوائية δ1 ، باستخدام توزيع غاوسي لتوليد الاضطراب الأولي. يتم تطبيق ضوضاء عشوائية على كل صورة x ، ويتم حساب الخسارة بين التسمية المستهدفة والتنبؤ بالنموذج بناء على خسارة الانتروبيا المتقاطعة. في مجموعة بيانات من الفئة C ، بالنسبة للعينة i ، yi هي قيمة التسمية المستهدفة ، pi هي احتمال التنبؤ بالنموذج ، والذي يحدد الفرق بين توزيع الاحتمالات الذي تنبأ به النموذج والتسمية الفعلية ، مما يزيد من الخسارة بحيث ينتج النموذج تنبؤات خاطئة. خسارة الانتروبيا المتقاطعة هي:

figure-protocol-8

ويؤثر اضطراب الصورة على التنبؤ المحسوب وفقا لدالة الخسارة، ويؤدي الانتشار العكسي إلى تحديث الاضطراب، ويجري تحديث مدى الاضطراب وقيمة الاضطراب باستمرار من خلال تكرارات متعددة. بالنسبة لمعدل التعلم η ، فإن صيغة التحديث للاضطراب هي:

figure-protocol-9

إنشاء اضطرابات نصية
قم بتحميل نماذج BERT المدربة مسبقا لإنشاء تضمينات النص. يتم استخدام شبكة TextFeatureExtractor مخصصة تتكون من كتلتين من المحولات وطبقة متصلة بالكامل لاستخراج الميزات من تضمينات النص التي تم إنشاؤها بواسطة نماذج BERT. أدخل معلومات المستخدم والطابع الزمني لمستخدم الوصول في نموذج BERT المدرب مسبقا وقم بإنشاء ضوضاء نصية ديناميكيا من خلال شبكة TextFeatureExtractor المخصصة.

يتم إدخال صورة الإدخال I في نموذج Qwen2.5-VL-7B-Instruct متعدد الوسائط. مسترشدا بموجه منظم ، يولد النموذج وصفا نصيا موجزا Tq. يتم إدخال هذا النص الذي تم إنشاؤه Tq في نموذج لغة BERT-base-uncased المدرب مسبقا. من خلال مطالبات إعادة الكتابة الخاصة بالمهمة ، يقوم النظام بإنشاء نص figure-protocol-10 مضطرب يحافظ على الدلالات أثناء تغيير التعبير. تقوم شبكة TextFeatureExtractor بتعيين النص figure-protocol-11 المضطرب إلى متجه تضمين دلالي عالي الأبعاد على سبيل المثال.

توليد اضطرابات متعددة الأهداف
لضمان التوافق بين تضمينات النص واضطرابات الصورة ، نقوم بضبط شكل تضمين النص ليتناسب مع أبعاد اضطراب الصورة. دع ET و Eq يمثلان تضمينات النص ، و PL اضطراب الصورة. تضمن عملية إعادة التشكيل تحويل ET و Eq إلى نفس أبعاد PL: figure-protocol-12، حيث C و H و W هي أبعاد PL. حدد وحدة دمج آلية الانتباه التي تدمج اضطرابات تضمين النص واضطرابات الصورة ، وضبط الاضطرابات ديناميكيا وفقا لأوزان الانتباه للنص. الانصهار هو:

figure-protocol-13

حيث α هو التعديل الديناميكي لمعلمات آلية الانتباه. δT هو اضطراب النص الناتج عن Eq و ET. أضف مصطلح تنظيم إلى عملية التدريب لمنع الإفراط في التجهيز. مصطلح التسوية هو معيار L2 لتضمين النص ، والذي يعاقب على الاضطرابات. تجمع دالة الخسارة متعددة الأهداف بين خسارة الإنتروبيا المتقاطعة واضطراب الاندماج ، وتكون دالة الخسارة متعددة الأهداف على النحو التالي:

figure-protocol-14

أهداف دالة الخسارة هي:

figure-protocol-15

حيث λ هو معامل تنظيم يستخدم للتحكم في القوة الجزائية للاضطراب ، بغرض تثبيط الاضطراب المفرط أو الإفراط في التركيب. في دراسة هجمات الخصومة ، وجد أن figure-protocol-16 حد الاضطراب الذي يمكن إدراكه للعين البشرية. يتم تحديد عملية التدريب والتقييم ، بما في ذلك توليد الاضطراب ، وحساب الخسارة ، والتدريب النموذجي ، وما إلى ذلك.

تجارب مقارنة
أجرينا تقييما شاملا للضوضاء الديناميكية المقترحة لتقليل الأخطاء (DEM) مقابل ثلاث طرق موجودة: ضوضاء تقليل الخطأ (EM) ، والاضطرابات العدائية القابلة للتحويل (TAP) ، والضوضاء المستقرة لتقليل الأخطاء (SEM). تم اختبار هذه الطرق على ثلاث مجموعات بيانات معيارية: CIFAR-10 و CIFAR-100 ومجموعة فرعية من ImageNet ، باستخدام أربع بنى شبكات عصبية معتمدة على نطاق واسع: VGG-16 و ResNet-18 و ResNet-50 و DenseNet-121 ، لضمان ظروف تجريبية متنوعة.

بالإضافة إلى ذلك ، قمنا بفحص متانة هذه الطرق من خلال تطبيق نماذج تقليل الضوضاء القائمة على الانتشار لإزالة الضوضاء الدفاعية وقياس دقة الأمثلة الخالية من الضوضائع في مجموعات بيانات الاختبار. تهدف هذه الخطوة إلى تقييم قدرة كل طريقة على مقاومة هجمات الاسترداد والحفاظ على سلامة خصوصية البيانات في ظل ظروف عدائية. تشير النتائج إلى أن DEM الخاص بنا يتفوق على الأساليب الأخرى من حيث المتانة والدقة عبر جميع مجموعات البيانات والبنى ، مما يدل على فعاليته كإطار عمل يحافظ على الخصوصية.

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 المنهجية ومراجعة المخطوطات النقدية. ساهم Shouli Fu في إرشادات تنفيذ blockchain. ساعد لين تشو في تنظيم البيانات والتحقق من صحتها. ساهم Qunpeng Lei في تطوير الإطار النظري. قدم Buwei Wang الدعم الفني. قام جميع المؤلفين بمراجعة المخطوطة النهائية والموافقة عليها.

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 copyright protection is closed at hand. arXiv. , (2023).
  4. Hill, K. The Secretive Company That Might End Privacy as We Know It. , The New York Times. (2020).
  5. Prabhu, V. U., Birhane, A. Large Image Datasets: A Pyrrhic Win for Computer Vision. arXiv. , (2020).
  6. Unlearnable examples detection via iterative filtering. Yu, Y., Jiang, X., Wang, Y. Proc Int Conf Artificial Neural Net, , 241-256 (2024).
  7. Jiang, Y., Ma, X., Erfani, S. M., Bailey, J. Unlearnable examples for time series. Adv Knowledge Disc Data Mining. , 213-225 (2024).
  8. Unlearnable clusters: Towards label-agnostic unlearnable examples. Zhang, J., Liu, Y., Zhou, Q. Proc IEEE/CVF Conf Comput Vision Pattern Recognit, , 3984-3993 (2023).
  9. Unlearnable examples: Making personal data unexploitable. Huang, H., Ma, X., Erfani, S. M., Bailey, J., Wang, Y. Int Conf Learning Representat, , 1-17 (2021).
  10. Game-theoretic unlearnable example generator. Liu, S., Wang, Y., Gao, X. S. Proc AAAI Conf Artificial Intellig, 38, 21349-21358 (2024).
  11. Robust unlearnable examples: Protecting data privacy against adversarial learning. Fu, S., He, F., Liu, Y., Shen, L., Tao, D. ICLR 2022 Proc Int Conf Learning Representat, , 1-22 (2022).
  12. Stable unlearnable example: Enhancing the robustness of unlearnable examples via stable error-minimizing noise. Liu, S., Xu, K., Sun, L. Proc AAAI Conf Artificial Intellig, 37, 2473-2481 (2023).
  13. Defensive unlearning with adversarial training for robust concept erasure in diffusion models. Zhang, Y., et al. NeurIPS 2024 Proc 38th Conf Neural Informat Process Syst, , 1-29 (2024).
  14. Unlearnable examples give a false sense of security: Piercing through unexploitable data with learnable examples. Jiang, W., et al. MM 2023 Proc 31st ACM Int Conf Multimedia, , 8910-8921 (2023).
  15. VQUNet: Vector quantization U-Net for defending adversarial attacks by regularizing unwanted noise. He, Z., Singhal, M. ICMVA 2024 Proc 2024 7th Int Conf Machine Vis Applicat, , 69-76 (2024).
  16. Li, Z., et al. UnGANable: Defending Against GAN-based Face Manipulation. 32nd USENIX Secur Sympos. , 7213-7230 (2023).
  17. Narcissus: A Practical Clean-Label Backdoor Attack with Limited Information. Zeng, Y., et al. Proc 2023 ACM SIGSAC Conf Comput Communicat Secur, , 771-785 (2023).
  18. Meng, R., Chen, J., Liu, Z. Semantic deep hiding for robust unlearnable examples. IEEE Transact Info Forens Secur. 19 (12), 6545-6558 (2024).
  19. Detection and defense of unlearnable examples. Zhu, Y., Yu, L., Gao, X. S. Proc AAAI Conf Artif Intellig, 38 (15), 17211-17219 (2024).
  20. Unlearnable examples: Protecting open-source software from unauthorized neural code learning. Ji, Z., Ma, P., Wang, S. Proc Int Conf Software Eng Knowledge Eng, , 525-530 (2022).
  21. Purify unlearnable examples via rate-constrained variational autoencoders. Yu, Y., et al. ICML 2024 Proc 41st Int Conf Mach Learn, 2379, 57678-57702 (2024).
  22. Triggerless backdoor attack for NLP tasks with clean labels. Gan, L., Zhang, W., Li, X. Proc 2022 Conf North Am Chapter Associat Computat Linguist Human Lang Technol, , 2942-2952 (2022).
  23. Punia, A., et al. A systematic review on blockchain-based access control systems in cloud environment. J Cloud Comput. 13, 146(2024).
  24. SoK: Understanding Design Choices and Pitfalls of Trusted Execution Environments. Li, M., Yang, Y., Chen, G., Yan, M., Zhang, Y. Proc 19th ACM Asia Conf Comput Commun Secur, , 1600-1616 (2024).
  25. Kayikci, S., Khoshgoftaar, T. M. Blockchain meets machine learning: a survey. J Big Data. 11, 9(2024).
  26. Ullah, F., et al. Blockchain-enabled EHR access auditing: Enhancing healthcare data security. Heliyon. 10 (16), e34407(2024).
  27. Tripathi, G., Ahad, M. A., Casalino, G. A comprehensive review of blockchain technology: Underlying principles and historical background with future challenges. Dec Anal J. 9, 100344(2023).
  28. Saleh, A. M. S. Blockchain for secure and decentralized artificial intelligence in cybersecurity: A comprehensive review. Blockchain Res Appl. 5 (3), 100193(2024).
  29. Badra, M., Borghol, R. An efficient blockchain-based privacy preservation scheme for smart grids. Front Communicat Net. 6, 1584152(2025).
  30. Fine-Grained Access Control in the Era of Cloud Computing: An Analytical Review. Albulayhi, K., Abuhussein, A., Alsubaei, F., Sheldon, F. T. 2020 10th Ann Comput Communicat Workshop Conf, , 0748-0755 (2020).
  31. Turgay, S., İlter, İ Perturbation Methods for Protecting Data Privacy: A Review of Techniques and Applications. Automat Machine Learning. 4, 31-41 (2023).
  32. Williamson, S. M., Prybutok, V. Balancing Privacy and Progress: A Review of Privacy Challenges, Systemic Oversight, and Patient Perceptions in AI-Driven Healthcare. Appl Sci. 14 (2), 675(2024).

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