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 beispielsweise im Jahr 2017 nicht autorisierte öffentliche Fotografien eingesetzt, um Gesichtserkennungsmodelle zu trainieren⁴. In ähnlicher Weise nutzte Amazon öffentliche Bewertungsdaten von Verbrauchern, um seine Empfehlungssysteme zu trainieren, ohne die ausdrückliche Zustimmung aller Nutzer einzuholen, wodurch Schwachstellen in den Mechanismen zum Schutz der Privatsphäre aufgedeckt^{wurden 5}.

Um diese Probleme anzugehen, haben sich Unlearnable Examples (UEs) als neuartige Technik zum Schutz des Datenschutzes herausgebildet. UEs fügen Datenproben nicht wahrnehmbare Störungen hinzu und führen eine Abkürzung ein, die Modelle daran hindert, sensible Informationen zu lernen, während die menschliche Wahrnehmung der Daten erhalten bleibt ^6,7,8. Zu den bestehenden Verfahren zur Erzeugung von UEs gehören in erster Linie Error-Minimizing Noise (EM)-Störungen⁹, Störungserzeugung durch generative Adversarial Networks (GANs)¹⁰, Robust Error-Minimizing Noise (REM) und Stable Error-Minimizing Noise (SEM), optimiert durch Adversarial Training^11,12. Darüber hinaus wurden kürzlich Diffusionsmodelle angewendet, um falsches Etikettenrauschen zu erzeugen, was den Schutz der Privatsphäre weiter verbessert¹³.

Trotz erheblicher Fortschritte bei der Entwicklung von UEs bleiben einige Herausforderungen bestehen, insbesondere in realen Anwendungen, bei denen die Auswirkungen dieser Methoden auf den Schutz der Privatsphäre noch nicht vollständig validiert wurden. Zu den wichtigsten Herausforderungen gehören insbesondere:
Wiederherstellungsprobleme: Diffusionsmodelle können nicht erlernbare Beispiele teilweise wiederherstellen, indem sie die in die Daten eingebetteten Störungen vorhersagen und entfernen, wodurch die Erlernbarkeit wiederhergestellt und der Schutz der Privatsphäre gefährdet wird^14,15. Selbst wenn Daten während des Trainings gestört werden, können vertrauliche Informationen nach der Wiederherstellung weiterhin offengelegt werden.
Datenrückverfolgbarkeit und Zugriffskontrolle: Nach der Veröffentlichung von nicht erlernbaren Beispielen bleiben effektive Mechanismen zur Rückverfolgung ihrer Herkunft und zur Durchsetzung von Zugriffsbeschränkungen technisch eine Herausforderung¹⁶.
Balance zwischen Datenschutz und Modellleistung: Während sich bestehende Methoden auf die Generierung nicht erlernbarer Beispiele zum Schutz der Privatsphäre konzentrieren, bleibt die Aufrechterhaltung eines Gleichgewichts zwischen dem Schutz der Privatsphäre und der Leistung des Modelltrainings ungelöst 17,18,19. Die meisten aktuellen Forschungen priorisieren den Schutz der Privatsphäre, achten aber nur begrenzt auf die Abschwächung von Leistungseinbußen während des Modelltrainings^20,21. Folglich sind der Datenzugriff und die Datennutzung zu einem kritischen Anliegen für den Schutz der Privatsphäre geworden²².

Zentralisierte Lösungen und Trusted Execution Environments (TEEs) bieten zwar alternative Ansätze für die Datenzugriffskontrolle, stoßen aber in medizinischen/rechtlichen Szenarien auf inhärente Einschränkungen: (1) Zentralisierte Systeme führen zu Single Points of Failure und Audit-Abhängigkeiten²³; (2) TEEs erfordern spezielle Hardware und es fehlt ein dezentraler Konsens²⁴. Blockchain erweist sich als die optimale Lösung, da ihre unveränderlichen Ledger-Eigenschaften drei kritische Anforderungen an das UE-Management direkt erfüllen: die nachweisbare Einhaltung von Data-Governance-Vorschriften (z. B. HIPAA-Audit-Trails), zensurresistente Zugangskontrolle in Umgebungen mit mehreren Institutionen und eine granulare Provenienzverfolgung durch Transaktionen mit Zeitstempel 25,26,27.

Unser Framework zeigte eine optimale Leistung für mittelgroße Datensätze mit GPU-Beschleunigung, wodurch eine Echtzeit-Störungsgenerierung erreicht wurde. Während Blockchain-Operationen einen messbaren Overhead verursachen, ist dieser Kompromiss in Szenarien gerechtfertigt, die unveränderliche Zugriffsprotokolle erfordern, wie z. B. in der multiinstitutionellen medizinischen Forschung oder auf regulierten Datenmärkten. Das System skaliert linear mit der Datensatzgröße, benötigt jedoch ≥16 GB RAM und 4-Kern-CPUs für einen stabilen Betrieb, wodurch es weniger für ressourcenbeschränkte Edge-Geräte geeignet ist.

Um diesen Herausforderungen zu begegnen, wird in diesem Beitrag ein Blockchain-Integrated Unlearnable Example Generation and Management Framework (B-UEGMF) vorgeschlagen. Blockchain, als dezentrale und unveränderliche Distributed-Ledger-Technologie, zeichnet Datenzugriffs-Hashes effektiv auf und verwaltet Zugriffsberechtigungen dynamisch durch Smart Contracts, wodurch die Datenschutzfunktionen von Unlearnable Examples^{verbessert werden 28,29}. Unter diesem Framework können autorisierte Benutzer auf saubere Daten zugreifen, während nicht autorisierte Benutzer nur auf dynamisch generierte nicht erlernbare Beispiele zugreifen können. Um bestehende Probleme anzugehen, wird in diesem Artikel eine neuartige Methode zur Generierung von dynamischem Fehlerminimierungsrauschen (DEM) vorgestellt. Durch die Einbeziehung kundenspezifischer Informationen und zeitlicher Parameter bettet DEM Störungen dynamisch in die Daten ein, wodurch für jede Datenanforderung einzigartige Störungen erzeugt und sowohl der Datenschutz als auch die Unerlernbarkeit gewährleistet werden. Der Prozess der DEM-Generierung ist in Abbildung 1 dargestellt. Die Hauptbeiträge dieses Papiers sind wie folgt:
Dynamische Rückverfolgbarkeit und Zugriffsverwaltung: Dieses Dokument befasst sich mit den Problemen der Rückverfolgbarkeit und Zugriffskontrolle, die mit der Veröffentlichung von nicht erlernbaren Beispielen verbunden sind, indem das B-UEGMF-Framework vorgeschlagen wird. Die dezentrale Natur der Blockchain löst das Problem der vertrauenswürdigen Drittanbieter in traditionellen Systemen, während ihre Transparenz überprüfbare Zugriffsprotokolle ermöglicht, ohne Rohdaten offenzulegen. Durch die Nutzung der Transparenz und Unveränderlichkeit der Blockchain in Kombination mit der dynamischen Zugriffskontrolle, die durch Smart Contracts ermöglicht wird, stellt das Framework sicher, dass unbefugte Benutzer keine sauberen Daten wiederherstellen oder verbreiten können, wodurch die Datensicherheit erheblich erhöht wird.

Mechanismus zur Generierung dynamischer Störungen: Es wird ein dynamisches Generierungsschema für nicht lernbare Beispiele eingeführt, bei dem Smart Contracts Anfragen von verschiedenen Clients verwalten. DEM-Störungen werden für nicht autorisierte Client-Anfragen dynamisch auf der Grundlage von clientspezifischen Informationen und zeitlichen Parametern generiert. Dadurch wird sichergestellt, dass die Störungseffekte je nach Anforderung variieren, wodurch die Widerstandsfähigkeit gegen diffusionsbasierte Rauschentfernungsmethoden gestärkt und unbefugte Benutzer daran gehindert werden, auf große Datensätze gleichzeitig zuzugreifen.

Experimente, die mit CIFAR-10-, CIFAR-100- und ImageNet-Datensätzen durchgeführt wurden, zeigen, dass DEM bestehende Methoden (z. B. EM, TAP und SEM) in Bezug auf den Schutz der Privatsphäre und die Resistenz gegen Reverse-Engineering-Angriffe übertrifft, wie in Abbildung 2 gezeigt, während die Resistenz gegen Noise-Removal-Angriffe um 57 % im Vergleich zu EM und um 25 % im Vergleich zu REM verbessert wird, wie in Abbildung 3 gezeigt. Hervorhebung seiner potenziellen Anwendbarkeit in realen Szenarien.

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 Trainingsdatensatz und einen Testdatensatz aufgeteilt.

Ziel ist es, den sauberen Trainingsdatensatz zu modifizieren, indem kleine, nicht wahrnehmbare Störungen eingeführt δ ein nicht lernbarer Datensatz erstellt wird, bei dem + δ. Die Störung δ wird durch begrenzt, um sicherzustellen, dass sie den normalen Nutzen der Daten nicht wesentlich verändert. Das Hauptziel besteht darin, das Lernen zu stören, indem das auf D_u trainierte Modell f_θ gezwungen wird, sich auf irrelevante Muster zu konzentrieren, die durch das Rauschen induziert werden, anstatt auf die aussagekräftigen Merkmale, was zu einer schlechten Generalisierung auf einem sauberen Testdatensatz führt:

Simulieren einer Blockchain-Umgebung
Um Blockchain-Tools zu installieren, wird das Hardhat-Framework verwendet, um ein Ethereum-Netzwerk in einer lokalen Umgebung zu simulieren, um Smart Contracts bereitzustellen und die Generierung von nicht lernbaren Beispielen zu testen. Um ein lokales Netzwerk zu starten, wird ein simuliertes Blockchain-Netzwerk mit mehreren Knoten und Konten initialisiert. Jedem Knoten werden Ressourcen wie Ether zugewiesen, um Transaktionssimulationen zu erleichtern. Um Smart Contracts zu entwickeln, werden sie implementiert, um Benutzerberechtigungen dynamisch zu verwalten. Autorisierte Benutzer können auf saubere Daten zugreifen, während nicht autorisierte Benutzer auf nicht erlernbare Beispiele zugreifen können. Konfigurieren Sie zunächst eine Entwicklungsumgebung, die auf Node.js v16.x und Hardhat 2.8.4 basiert, und verwenden Sie den Solidity 0.8.17-Compiler, um die Kompilierung und Optimierung des Smart Contracts abzuschließen. Der Kompilierungsprozess wird von der Befehlszeile mit npx hardhat compile ausgeführt, um Build-Artefakte zu generieren, die die ABI und den Bytecode enthalten. Stellen Sie anschließend den Vertrag im Sepolia-Testnetzwerk bereit, indem Sie das Bereitstellungsskript npx hardhat run scripts/deploy.js --network sepolia ausführen und die Adresse des Ausgabevertrags und den Hash der Bereitstellungstransaktion aufzeichnen. Während der Leistungstestphase werden drei Kerntests nacheinander ausgeführt: Der Transaktionskostentest zeichnet den Gasverbrauch auf, indem zyklisch die grantAccess-Methode des Vertrags aufgerufen wird. Beim Durchsatztest wird das Artillery-Tool verwendet, um Benutzeranforderungen mit inkrementell steigender Last zu simulieren. Test- und Validierungstransaktionen, einschließlich Datenspeicherung und -abruf, werden durchgeführt, um die Funktionalität des Smart Contracts zu validieren.

Aufbau von On-Chain-Benutzern und Berechtigungsmechanismen
Einzigartige Benutzerkonten werden mithilfe von Blockchain-Wallets (z. B. MetaMask) generiert, die jeweils aus einem privaten Schlüssel und einem öffentlichen Schlüssel bestehen. Die Prototyp-Implementierung verwendet eine simulierte Blockchain-Umgebung, in der synthetische Benutzerentitäten öffentlich zugängliche Datensätze in das dezentrale System hochladen und nur kryptografische Hash-Werte im verteilten Ledger speichern. Dies gewährleistet die Datenintegrität, ohne die eigentlichen Daten in der Kette zu speichern, was ineffizient und kostspielig wäre. Die eigentlichen Daten werden off-chain gespeichert, in der Regel unter Verwendung dezentraler Speichersysteme wie IPFS, um ein effizientes Datenmanagement bei gleichzeitiger Wahrung von Sicherheit und Datenschutz zu gewährleisten. Für nicht-fungible Token (NFTs) und Zugangskontrolle wird in dieser Studie ein feinkörniger Zugangskontrollmechanismus unter Verwendung von NFTs implementiert, die dem ERC-721-Standard entsprechen. Jedes Dataset mit nicht erlernbaren Beispielen ist mit einer eindeutigen tokenId verknüpft, die als Schlüssel für den Zugriff auf die Daten fungiert. Benutzer beantragen den Zugang, indem sie Merkle-Proofs einreichen. Diese Nachweise verifizieren die Identität des Nutzers auf sichere, dezentrale Weise. Nach erfolgreicher Validierung des Nachweises prägt der Vertrag ein einzigartiges NFT und überträgt es auf die Wallet des Benutzers. Dieses NFT stellt das Recht des Nutzers dar, auf die Daten zuzugreifen, die mit diesem bestimmten nicht erlernbaren Beispiel verbunden sind. Die Verwendung von NFTs stellt sicher, dass nur autorisierte Benutzer auf die Daten zugreifen können, basierend auf einem dezentralen, unveränderlichen Datensatz. Dies steht im Gegensatz zur herkömmlichen rollenbasierten Zugriffskontrolle (Role-Based Access Control, RBAC), die in der Regel auf Gruppenebene arbeitet und möglicherweise nicht die für Hochsicherheitsanwendungen erforderliche Granularität bietet³⁰.

Der Smart Contract überprüft kontinuierlich die Zugriffsberechtigungen über die ownerOf-Funktion und überprüft die Eigentümerschaft des NFT, um sicherzustellen, dass nur autorisierte Benutzer auf die sauberen Daten zugreifen können. Administratoren können den Zugriff widerrufen, indem sie das NFT über die revokeAccess-Funktion zerstören, um eine flexible Verwaltung des Benutzerzugriffs im Laufe der Zeit zu gewährleisten. Der betriebliche Workflow besteht aus vier kritischen Schritten: (1) Benutzer reichen Zugriffsanfragen mit Merkle-Proofs ein; (2) der Vertrag die Gültigkeit dieser Nachweise überprüft; (3) Nach erfolgreicher Validierung prägt der Vertrag das entsprechende NFT; (4) Nutzer rufen verschlüsselte Daten unter Verwendung des IPFS Content Identifier (CID) ab, der in die Metadaten des NFT eingebettet ist. Durch die Nutzung von NFTs erzielen wir mehrere Vorteile gegenüber herkömmlichen Zugangskontrollmechanismen, wie z. B. eine fein abgestufte Berechtigungskontrolle (Datenebene vs. Gruppenebene), eine bessere Audit-Fähigkeit (unveränderliche On-Chain-Datensätze) und die Übertragbarkeit von Berechtigungen (NFT-Marktplatztransaktionen).

Multi-Signatur-Verträge werden implementiert, um den Merkle-Root-Hash zu aktualisieren und so eine unbefugte Manipulation von Daten zu verhindern. Das System integriert Anti-Sybil-Mechanismen, indem es jeden Datensatz an eine eindeutige tokenId bindet und so sicherstellt, dass böswillige Akteure keine betrügerischen Token generieren können, um auf nicht autorisierte Daten zuzugreifen. Die UEs werden mit AES-256 verschlüsselt, bevor sie in das IPFS-Netzwerk (InterPlanetary File System) hochgeladen werden. Die verschlüsselten Daten-Hashes werden in der Kette gespeichert, während die vollständigen Datensätze auf IPFS verbleiben, was den Aufwand für die Blockchain-Speicherung reduziert. Der hybride Ansatz der Kombination von On-Chain- und Off-Chain-Speicher schafft ein Gleichgewicht zwischen der Sicherstellung der Datenverfügbarkeit und der Reduzierung der Speicherkosten, ein häufiges Anliegen bei Blockchain-basierten Anwendungen.

Smart Contracts werden eingesetzt, um Benutzerberechtigungen dynamisch zu verwalten. Jeder Benutzer erhält nur dann Zugriff auf saubere Daten, wenn er über das entsprechende NFT verfügt, das als Autorisierungstoken dient. Smart Contracts protokollieren alle Datenzugriffe in Ereignisprotokollen und bieten so eine vollständige Rückverfolgbarkeit. Diese Protokolle sind unveränderlich und können überprüft werden, was Transparenz und Verantwortlichkeit bietet. Der Smart Contract verwendet die grantAccess-Funktion, um Zugriffsanfragen zu validieren. Der Vertrag prüft, ob der Nutzer über das entsprechende NFT verfügt und gewährt gegebenenfalls Zugriff auf die angeforderten Daten. Jedes Zugriffsereignis wird in der Blockchain aufgezeichnet, wodurch sichergestellt wird, dass alle Datenabrufaktivitäten überprüfbar sind. Jedes Datenzugriffsereignis wird in Echtzeit vom Smart Contract protokolliert, wodurch ein AccessGranted-Ereignis ausgelöst wird. Dieses Ereignis enthält wichtige Informationen wie die Wallet-Adresse des Nutzers, den Zeitstempel des Zugriffs und die entsprechende NFT-TokenId. Die dynamische Natur von Smart Contracts ermöglicht die Verwaltung von Berechtigungen in Echtzeit. Dies ist besonders nützlich in dezentralen Anwendungen, bei denen die Zutrittskontrolle hochflexibel und anpassungsfähig an sich ändernde Bedingungen sein muss.

Um Datenschutzbedenken in öffentlichen Blockchain-Umgebungen auszuräumen, speichert das System niedrig aufgelöste Miniaturansichten (z. B. 64 x 64 Pixel) in der Blockchain, während die ursprünglichen hochauflösenden Bilder verschlüsselt und off-chain auf IPFS gespeichert werden. Nur autorisierte Benutzer, die über das entsprechende NFT verfügen, können die Entschlüsselungsschlüssel für den Zugriff auf die hochauflösenden Daten abrufen. Nicht autorisierte Benutzer erhalten Versionen der Daten mit Echtzeit-DEM-Störungen, die sicherstellen, dass sie nicht auf die Originaldaten zugreifen können.

Erzeugen von Bildstörungen
Laden Sie CIFAR10-, CIFAR100- und ImageNet-Datensätze. Die Größe der Bilder in den Datensätzen wird einheitlich geändert und in den PyTorch-Tensor konvertiert, und der Bildtensor wird anhand des Mittelwerts und der Standardabweichung normalisiert. Initialisieren Sie ein zufälliges Rauschen δ¹, indem Sie eine Gaußsche Verteilung verwenden, um die anfängliche Störung zu erzeugen. Zufälliges Rauschen wird auf jedes Bild x angewendet, und der Verlust zwischen der Zielbeschriftung und der Modellvorhersage wird basierend auf dem Kreuzentropieverlust berechnet. In einem Datensatz der Klasse C ist y_i für eine Stichprobe i der Zielwert der Beschriftung, p_i ist die Vorhersagewahrscheinlichkeit des Modells, die die Differenz zwischen der vom Modell vorhergesagten Wahrscheinlichkeitsverteilung und der tatsächlichen Beschriftung quantifiziert und den Verlust maximiert, sodass das Modell falsche Vorhersagen erzeugt. Der Kreuzentropieverlust beträgt:

Der Einfluss der Bildstörung auf die Vorhersage wird gemäß der Verlustfunktion berechnet, die umgekehrte Ausbreitung aktualisiert die Störung, und der Störungsbereich und der Störungswert werden durch mehrere Iterationen ständig aktualisiert. Für die Lernrate η lautet die Aktualisierungsformel für die Störung:

Erzeugen von Textstörungen
Laden Sie vortrainierte BERT-Modelle zum Generieren von Texteinbettungen. Ein benutzerdefiniertes TextFeatureExtractor-Netzwerk, das aus zwei Transformer-Blöcken und einem vollständig verbundenen Layer besteht, wird verwendet, um Features aus Texteinbettungen zu extrahieren, die von BERT-Modellen generiert wurden. Geben Sie die Benutzerinformationen und den Zeitstempel des Zugriffsbenutzers in das vortrainierte BERT-Modell ein und generieren Sie dynamisch Textrauschen über das angepasste TextFeatureExtractor-Netzwerk.

Das Eingabebild I wird in das multimodale Modell Qwen2.5-VL-7B-Instruct eingespeist. Geleitet von einer strukturierten Eingabeaufforderung generiert das Modell eine prägnante textuelle Beschreibung T_q. Dieser generierte Text T_q wird in das vortrainierte BERT-base-uncased-Sprachmodell eingegeben. Durch aufgabenspezifische Eingabeaufforderungen zum Umschreiben generiert das System gestörten Text , der die Semantik beibehält, während der Ausdruck geändert wird. Ein TextFeatureExtractor-Netzwerk bildet den gestörten Text in einen hochdimensionalen semantischen Einbettungsvektor (z._B.) ab.

Erzeugen von Multi-Target-Störungen
Um die Kompatibilität zwischen Texteinbettungen und Bildstörungen zu gewährleisten, passen wir die Form der Texteinbettung an die Abmessungen der Bildstörung an. E_T und E_q stellen die Texteinbettungen dar und P_L die Bildstörung. Der Umformungsprozess stellt sicher, dass E_T und E_q in die gleiche Dimensionalität wie P_L transformiert werden, wobei C, H, W die Dimensionen von P_L sind. Definieren Sie ein Aufmerksamkeitsmechanismus-Fusionsmodul, das Störungen der Texteinbettung und Bildstörungen fusioniert und die Störungen dynamisch entsprechend der Aufmerksamkeitsgewichtung des Textes anpasst. Die Verschmelzung ist:

wobei α die dynamische Anpassung der Parameter des Aufmerksamkeitsmechanismus ist. δ^T ist die Textstörung, die durch E_q und E_T erzeugt wird. Fügen Sie dem Trainingsprozess einen Regularisierungsbegriff hinzu, um eine Überanpassung zu verhindern. Der Regularisierungsterm ist die L2-Norm der Texteinbettung, die Störungen bestraft. Die Mehrziel-Verlustfunktion kombiniert Kreuzentropieverlust und Fusionsstörung, und die Mehrziel-Verlustfunktion lautet wie folgt:

Die Ziele der Verlustfunktion sind:

wobei λ ein Regularisierungskoeffizient ist, der verwendet wird, um die Strafkraft der Störung zu kontrollieren, mit dem Ziel, übermäßige Störung oder Überanpassung zu verhindern. Bei der Untersuchung von gegnerischen Angriffen wurde festgestellt, dass die Störungsgrenze für das menschliche Auge wahrnehmbar ist. Der Trainings- und Bewertungsprozess wird definiert, einschließlich der Erzeugung von Störungen, der Verlustberechnung, des Modelltrainings usw.

Vergleichende Experimente
Wir führten eine umfassende Evaluierung des vorgeschlagenen dynamischen fehlerminimierenden Rauschens (DEM) anhand von drei bestehenden Methoden durch: Fehlerminimierendes Rauschen (EM), Transferable Adversarial Perturbations (TAP) und Stable Error-Minimizing Noise (SEM). Diese Methoden wurden an drei Benchmark-Datensätzen getestet: CIFAR-10, CIFAR-100 und einer Teilmenge von ImageNet, wobei vier weit verbreitete neuronale Netzwerkarchitekturen verwendet wurden: VGG-16, ResNet-18, ResNet-50 und DenseNet-121, um unterschiedliche experimentelle Bedingungen zu gewährleisten.

Darüber hinaus untersuchten wir die Robustheit dieser Methoden, indem wir diffusionsbasierte Entrauschungsmodelle anwendeten, um defensives Rauschen zu entfernen, und die Genauigkeit der entrauschten Beispiele auf den Testdatensätzen maßen. Dieser Schritt zielte darauf ab, die Fähigkeit jeder Methode zu bewerten, Wiederherstellungsangriffen zu widerstehen und die Integrität des Datenschutzes unter widrigen Bedingungen zu wahren. Die Ergebnisse zeigen, dass unser DEM andere Methoden sowohl in Bezug auf Robustheit als auch Genauigkeit über alle Datensätze und Architekturen hinweg übertrifft, was seine Wirksamkeit als Framework zum Schutz der Privatsphäre unter Beweis stellt.

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