Research Article

Veri Gizliliğini ve Erişim Kontrolünü Geliştirmek için Öğrenilemeyen Örnekler Oluşturmak ve Yönetmek için Blok Zinciri Tabanlı Çerçeve

DOI:

10.3791/68338

⸱

August 22nd, 2025

 ,  ,  ,  ,  , 
1School of Cyberspace Security, Zhengzhou University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu makale, dinamik bozulmayı erişim kontrolü ile entegre ederek öğrenilemeyen örnekler oluşturmak için blok zinciri tabanlı bir çerçeve önermektedir. Yetkisiz kullanıcıların rahatsız edici veriler almasını sağlayarak, hassas bilgileri korurken verimli veri yönetimi ve akıllı sözleşmeler aracılığıyla erişim sağlayarak gizlilik korumasını geliştirir.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Büyük dil modellerinin (LLM'ler) hızlı gelişimi bağlamında, model eğitimi için büyük miktarda ağ verisinden yararlanarak maliyetli veri açıklamalarını atlama yeteneği nedeniyle kontrastlı öğrenme yaygın olarak benimsenmiştir. Bununla birlikte, bu yaygın kullanım, veri gizliliğinin korunmasına ilişkin önemli endişelere yol açmaktadır. Verileri bozarak model öğrenmeyi bozan bir teknik olan Öğrenilemeyen Örnekler (UE'ler), yetkisiz modellerin hassas verileri kötüye kullanmasını etkili bir şekilde önler. Bununla birlikte, UE'leri oluşturmak için mevcut yöntemler iki temel zorlukla karşı karşıyadır: birincisi, görüntü UE'lerindeki koruyucu bozulmaları ortadan kaldıran difüzyon modelleri de dahil olmak üzere ters saflaştırma veya gürültü giderme gibi teknikler kullanılarak bozulmalar tersine çevrilebilir; İkincisi, veriler yayınlandıktan sonra, veri izlenebilirliğini sağlamak ve erişim kontrolünü yönetmek zorlaşır. Bu sorunları ele almak için bu makale, UE'leri oluşturmak ve yönetmek için bir Blok Zinciriyle Entegre Öğrenilemeyen Örnek Oluşturma ve Yönetim Çerçevesi (B-UEGMF) önermektedir. Blok zincirinin merkezi olmayan ve değişmez özelliklerinden yararlanarak, örnek hash değerlerini blok zincirinde saklıyor ve akıllı sözleşmeler aracılığıyla veri erişim haklarını dinamik olarak yönetiyoruz. Ek olarak, UE'ler, tersine çevirme yöntemlerine karşı sağlamlığı artıran çok amaçlı bir pertürbasyon tekniği olan Dinamik Hata En Aza İndirici Gürültü (DEM) kullanılarak oluşturulur. Ayrıca, oluşturulan örneklerin gizlilik koruma yeteneklerinin nicel bir değerlendirmesini de sağlıyoruz. Deneysel sonuçlar, önerilen çerçevenin, verimli veri gizliliği yönetimi sağlarken UE'lerin ters saldırılara karşı savunmasını önemli ölçüde geliştirdiğini göstermektedir.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Son yıllarda, derin öğrenmenin ve büyük dil modellerinin hızla ilerlemesiyle birlikte, karşılaştırmalı öğrenme, maliyetli manuel açıklamalardan bağımsız olması nedeniyle verimli bir denetimsiz öğrenme yaklaşımı olarak ortaya çıkmıştır 1,2. Bununla birlikte, halka açık veri kümelerinin yaygın kullanımı, gizlilik ihlalleri ve verilerin kötüye kullanımı hakkında önemli endişelere yol açmıştır. Model eğitimi için kamuya açık verilerin yetkisiz kullanımı örnekleri giderek daha yaygın hale gelmiştir3. Örneğin, 2017 yılında, yüz tanıma modellerini eğitmek için....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kurulum
Bir veri kümesiyle figure-protocol-1denetimli bir sınıflandırma görevi düşündük , burada figure-protocol-2 giriş özelliklerini temsil eder ve figure-protocol-3 bir K sınıfı problem için karşılık gelen sınıf etiketlerini belirtir. D veri kümesi, temiz bir eğitim veri kümesine ve bir test veri kümesine bölünür.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Blockchain ve akıllı sözleşme çerçevesi



figure-results-1

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Blok zinciri ve UE'lerin entegrasyonu, veri erişimini yönetmek için şeffaf ve merkezi olmayan bir çözüm sağlayarak veri gizliliği koruma alanını geliştirmiştir. Genellikle yalnızca pertürbasyon tekniklerine dayanan geleneksel gizliliği koruma yöntemlerinin31 aksine, bu çalışma veri koruma ve sorumluluk takibi arasındaki boşluğu doldurmaktadır. Birleşik öğrenme senaryolarında, önerilen çerçeve, merkezi olmayan veri kümelerinde güvenli ve özel model eğitimi sağlayar.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların bu yayınla ilgili ifşa edecekleri hiçbir şey yoktur.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, mükemmel bir araştırma ortamı ve akademik kaynaklar sağlayan Zhengzhou Üniversitesi Siber Uzay Güvenliği Okulu tarafından desteklenmiştir. Süpervizörümüz Prof. Zijiao Zhang'a bu araştırma boyunca paha biçilmez rehberliği, anlayışlı önerileri ve sürekli teşviki için derinden minnettarız. Ayrıca, bu çalışmanın başarılı bir şekilde uygulanması için gerekli olan deneysel sunucular, yüksek performanslı bilgi işlem kaynakları ve blok zinciri test ortamı altyapısı sağladığı için Zhengzhou Üniversitesi Ağ Yönetim Merkezi'ne en içten teşekkürlerimizi sunuyoruz.

Yazar katkısı:
Ruijia L....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
CUDA 12.1NVIDIADerin öğrenme uygulamalarının performansını artırmak için kullanılır
NVIDIA A800 80GB PCIe A800 80GB PCIeNVIDIADerin öğrenme modeli eğitimi için kullanılır
Python 3.10Python Yazılım VakfıVeri ön işleme ve analizi için kullanılır
PyTorch 2.5.1Facebook SayfasıModel eğitimi için kullanılan derin öğrenme çerçevesi
Ubuntu 22.04KurallıOrtamı ayarlamak için kullanılan işletim sistemi

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 copyri....

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