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.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Blockchain-basiertes Framework zum Generieren und Verwalten von nicht erlernbaren Beispielen zur Verbesserung des Datenschutzes und der Zugriffskontrolle
In diesem Artikel
Zusammenfassung
Zusammenfassung
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.
Einleitung
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 häufigergeworden 3. So wurden ....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
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....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
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.......
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
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 .......
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Die Autoren haben nichts Relevantes zu dieser Veröffentlichung offenzulegen.
Danksagungen
Diese Arbeit wurde von der School of Cyberspace Security der Universität Zhengzhou unterstützt, die ein hervorragendes Forschungsumfeld und akademische Ressourcen zur Verfügung stellte. Wir sind unserem Betreuer, Prof. Zijiao Zhang, zutiefst dankbar für seine unschätzbare Anleitung, seine aufschlussreichen Vorschläge und seine kontinuierliche Ermutigung während dieser Forschung. Wir danken auch dem Network Management Center der Universität Zhengzhou für die Bereitstellung von experimentellen Servern, High-Performance-Computing-Ressourcen und Blockchain-Testbed-Infrastruktur, die für die erfolgreiche Durchführung dieser Studie unerläss....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| 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 |
Referenzen
- 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).
- 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).
- Guo, J., et al. Domain watermark: Effective and harmless dataset copyri....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.