Blockchain-basiertes Framework zum Generieren und Verwalten von nicht erlernbaren Beispielen zur Verbesserung des Datenschutzes und der Zugriffskontrolle

Summary

In diesem Beitrag wird ein Blockchain-basiertes Framework zur Generierung von nicht erlernbaren Beispielen vorgeschlagen, das dynamische Störungen mit der Zugriffskontrolle integriert. Es verbessert den Schutz der Privatsphäre, indem es sicherstellt, dass unbefugte Benutzer gestörte Daten erhalten, sensible Informationen schützt und gleichzeitig ein effizientes Datenmanagement und einen effizienten Datenzugriff über Smart Contracts ermöglicht.

Abstract

Im Zusammenhang mit der rasanten Entwicklung großer Sprachmodelle (LLMs) hat sich kontrastives Lernen aufgrund seiner Fähigkeit, kostspielige Datenannotationen zu umgehen, indem riesige Mengen an Netzwerkdaten für das Modelltraining genutzt werden, weit verbreitet. Diese weit verbreitete Nutzung wirft jedoch erhebliche Bedenken hinsichtlich des Datenschutzes auf. Nicht erlernbare Beispiele (UEs), eine Technik, die das Lernen von Modellen durch Störung von Daten stört, verhindert effektiv, dass nicht autorisierte Modelle vertrauliche Daten missbrauchen. Bestehende Methoden zur Erzeugung von UEs stehen jedoch vor zwei Hauptherausforderungen: Erstens können Störungen mit Techniken wie Rückreinigung oder Rauschunterdrückung rückgängig gemacht werden, einschließlich Diffusionsmodellen, die schützende Störungen in Bild-UEs entfernen; Zweitens wird es nach der Veröffentlichung von Daten schwierig, die Rückverfolgbarkeit der Daten sicherzustellen und die Zugriffskontrolle zu verwalten. Um diese Probleme anzugehen, wird in diesem Beitrag ein Blockchain-Integrated Unlearnable Example Generation and Management Framework (B-UEGMF) für die Generierung und Verwaltung von UEs vorgeschlagen. Durch die Nutzung der dezentralen und unveränderlichen Eigenschaften der Blockchain speichern wir Beispiel-Hash-Werte auf der Blockchain und verwalten dynamisch Datenzugriffsrechte durch Smart Contracts. Darüber hinaus werden UEs mit einer mehrzieligen Störungstechnik, Dynamic Error-Minimizing Noise (DEM), erzeugt, die die Robustheit gegenüber Umkehrmethoden erhöht. Wir liefern auch eine quantitative Bewertung der Datenschutzfähigkeiten der generierten Beispiele. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Framework die Abwehr von UEs gegen Reverse-Angriffe signifikant verbessert und gleichzeitig ein effizientes Datenschutzmanagement gewährleistet.

Introduction

In den letzten Jahren, mit der rasanten Weiterentwicklung von Deep Learning und großen Sprachmodellen, hat sich kontrastives Lernen aufgrund seiner Unabhängigkeit von kostspieligen manuellen Annotationen als effizienter Ansatz für unüberwachtes Lernen herauskristallisiert ^1,2. Die umfangreiche Nutzung öffentlicher Datensätze hat jedoch erhebliche Bedenken hinsichtlich Datenschutzverletzungen und Datenmissbrauch aufkommen lassen. Fälle von unbefugter Verwendung öffentlich zugänglicher Daten für das Modelltraining sind immer häufiger^{geworden 3}. So wurden ....

Protocol

Einrichtung
Wir haben eine überwachte Klassifizierungsaufgabe mit einem Datensatz betrachtet, wobei die Eingabemerkmale dargestellt und die entsprechenden Klassenbeschriftungen für ein K-Klassenproblem angegeben werden. Der Datensatz D wird in einen sauberen Trainingsdatensat....

Results

Blockchain- und Smart-Contract-Framework
Experimentelle Ergebnisse zeigten, dass das vorgeschlagene Blockchain-Integrated Unlearnable Example Generation and Management Framework (B-UEGMF) in Kombination mit Smart Contracts ein effektives dynamisches Management des kundenspezifischen Zugriffs auf Daten ermöglichte. Für autorisierte Benutzer erreichten die abgerufenen sauberen Daten eine Testgenauigkeit von 90,2 % an einem ResNet-18-Surrogatmodell, das auf dem CIFAR-10-Datensatz evaluiert wurde. Im Gege.......

Discussion

Die Integration von Blockchain und UEs hat den Bereich des Datenschutzes vorangetrieben, indem sie eine transparente und dezentrale Lösung für die Verwaltung des Datenzugriffs bietet. Im Gegensatz zu herkömmlichen Methoden zur Wahrung der Privatsphäre, die sich oft ausschließlich auf Störungstechniken stützen³¹, schlägt diese Studie eine Brücke zwischen Datenschutz und Responsibility Tracing. In föderierten Lernszenarien gewährleistet das vorgeschlagene Framework .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CUDA 12.1	NVIDIA		Wird verwendet, um die Leistung von Deep-Learning-Anwendungen zu verbessern
NVIDIA A800 80 GB PCIe A800 80 GB PCIe	NVIDIA		Wird für das Training von Deep-Learning-Modellen verwendet
Python 3.10	Python-Software-Stiftung		Wird für die Datenvorverarbeitung und -analyse verwendet
PyTorch 2.5.1	Auf Facebook (Englisch)		Deep-Learning-Framework, das für das Modelltraining verwendet wird
Ubuntu 22.04	Kanonisch		Betriebssystem, das zum Einrichten der Umgebung verwendet wird