Blockchain-gebaseerd raamwerk voor het genereren en beheren van niet-leerbare voorbeelden voor het verbeteren van gegevensprivacy en toegangscontrole

Summary

Dit artikel stelt een op blockchain gebaseerd raamwerk voor het genereren van niet-leerbare voorbeelden, waarbij dynamische verstoring wordt geïntegreerd met toegangscontrole. Het verbetert de privacybescherming door ervoor te zorgen dat onbevoegde gebruikers verstoorde gegevens ontvangen, gevoelige informatie te beschermen en tegelijkertijd efficiënt gegevensbeheer en toegang via slimme contracten mogelijk te maken.

Abstract

In de context van de snelle ontwikkeling van grote taalmodellen (LLM's) is contrastief leren op grote schaal toegepast vanwege het vermogen om kostbare gegevensannotatie te omzeilen door gebruik te maken van enorme hoeveelheden netwerkgegevens voor modeltraining. Dit wijdverbreide gebruik roept echter grote zorgen op over de bescherming van de privacy van gegevens. Unlearnable Examples (UE's), een techniek die het leren van modellen verstoort door gegevens te verstoren, voorkomt effectief dat ongeautoriseerde modellen misbruik maken van gevoelige gegevens. Bestaande methoden voor het genereren van UE's staan echter voor twee primaire uitdagingen: ten eerste kunnen verstoringen worden omgekeerd met behulp van technieken zoals omgekeerde zuivering of ruisonderdrukking, inclusief diffusiemodellen die beschermende verstoringen in beeld-UE's verwijderen; Ten tweede, zodra de gegevens zijn gepubliceerd, wordt het moeilijk om de traceerbaarheid van gegevens te waarborgen en de toegangscontrole te beheren. Om deze problemen aan te pakken, stelt dit artikel een Blockchain-Integrated Unlearnable Example Generation and Management Framework (B-UEGMF) voor het genereren en beheren van UE's. Door gebruik te maken van de gedecentraliseerde en onveranderlijke eigenschappen van blockchain, slaan we voorbeeldhash-waarden op de blockchain op en beheren we dynamisch de toegangsrechten tot gegevens via slimme contracten. Bovendien worden UE's gegenereerd met behulp van een multi-objectieve verstoringstechniek, Dynamic Error-Minimizing Noise (DEM), die de robuustheid tegen omkeringsmethoden verbetert. We bieden ook een kwantitatieve evaluatie van de privacybeschermingsmogelijkheden van de gegenereerde voorbeelden. Experimentele resultaten tonen aan dat het voorgestelde raamwerk de verdediging van UE's tegen omgekeerde aanvallen aanzienlijk heeft verbeterd en tegelijkertijd een efficiënt beheer van gegevensprivacy garandeert.

Introduction

In de afgelopen jaren, met de snelle vooruitgang van deep learning en grote taalmodellen, is contrastief leren naar voren gekomen als een efficiënte leerbenadering zonder toezicht vanwege de onafhankelijkheid van dure handmatige annotaties ^1,2. Het uitgebreide gebruik van openbare datasets heeft echter geleid tot aanzienlijke bezorgdheid over inbreuken op de privacy en misbruik van gegevens. Gevallen van ongeoorloofd gebruik van openbaar beschikbare gegevens voor modeltraining komen steeds vaker voor³. In 2017 werden bijvoorbeeld ongeautoriseerde openba....

Protocol

Setup
We hebben een gesuperviseerde classificatietaak overwogen met een dataset , waarbij de invoerfuncties worden weergegeven en de bijbehorende klasselabels voor een K-klasse-probleem worden aangeduid. De gegevensset D is opgesplitst in een....

Results

Blockchain en kader voor slimme contracten
Experimentele resultaten toonden aan dat het voorgestelde Blockchain-Integrated Unlearnable Example Generation and Management Framework (B-UEGMF), in combinatie met slimme contracten, een effectief dynamisch beheer van klantspecifieke toegang tot gegevens mogelijk maakte. Voor geautoriseerde gebruikers bereikten de opgehaalde schone gegevens een testnauwkeurigheid van 90.2% op een ResNet-18-surrogaatmodel dat werd geëvalueerd.......

Discussion

De integratie van blockchain en UE's heeft het gebied van gegevensprivacybescherming vooruit geholpen door een transparante en gedecentraliseerde oplossing te bieden voor het beheren van gegevenstoegang. In tegenstelling tot conventionele privacybeschermende methoden, die vaak uitsluitend gebaseerd zijn op verstoringstechnieken³¹, overbrugt deze studie de kloof tussen gegevensbescherming en het traceren van verantwoordelijkheid. In scenario's voor gefedereerd lere.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CUDA 12.1	NVIDIA		Used to enhance the performance of deep learning applications
NVIDIA A800 80GB PCIe A800 80GB PCIe	NVIDIA		Used for deep learning model training
Python 3.10	Python Software Foundation		Used for data preprocessing and analysis
PyTorch 2.5.1	Facebook		Deep learning framework used for model training
Ubuntu 22.04	Canonical		Operating system used for setting up the environment