Идеальное сочетание конфиденциальности и производительности: публичная цепочка NEAR внедряет протокол конфиденциальности Nillion
На днях один из частных протоколов объявил о внедрении технологий слепых вычислений и слепого хранения в ориентированную на скорость и масштабируемость L1 публичную цепочку NEAR. Эта инновационная интеграция сочетает в себе высокую производительность NEAR и современные инструменты конфиденциальности, предоставляя более чем 750 проектам в экосистеме NEAR возможность использовать слепые вычисления.
Сильное сотрудничество NEAR и Nillion
Как зрелая L1 блокчейн-сеть, NEAR всегда славилась своими выдающимися характеристиками. Три ее ключевых особенности включают:
Технология шардирования Nightshade: это уникальное решение для шардирования от NEAR, которое значительно увеличивает производительность обработки транзакций и снижает задержки, что делает его идеальным для приложений с высокими требованиями к производительности.
Среда выполнения WebAssembly: виртуальная машина NEAR на основе Wasm поддерживает смарт-контракты, написанные на Rust и AssemblyScript, что привлекает разработчиков с различным техническим опытом.
Удобная система аккаунтов: NEAR использует интуитивно понятные имена аккаунтов, что значительно улучшает пользовательский опыт и доступность.
Эти уникальные преимущества привлекли множество разработчиков, предпринимателей и новаторов, которые совместно создали процветающую экосистему с более чем 750 приложениями.
В этот раз была достигнута следующая прорыв, объединив слепую вычислительную мощность с эффективной обработкой транзакций NEAR:
Модульная приватность данных: функции конфиденциальности бесшовно интегрированы с NEAR, что позволяет модульно выполнять операции хранения и вычислений данных в специализированной сети, одновременно обеспечивая прозрачные расчеты на блокчейне NEAR. Этот модульный дизайн предоставляет разработчикам большую гибкость.
Управление частными данными: предоставляя услуги по конфиденциальному хранению и вычислениям для различных типов данных, значительно расширяются функциональные границы NEAR. Это значительно расширяет пространство для проектирования приложений, защищающих конфиденциальность, в экосистеме NEAR, позволяя разработчикам создавать решения, которые ранее были невозможны из-за ограничений конфиденциальности, одновременно привлекая больше пользователей, акцентирующих внимание на конфиденциальности.
Частный ИИ: Внимание NEAR к автономному, управляемому пользователем ИИ прекрасно сочетается с возможностями конфиденциального хранения и вычислений, открывая широкие новые горизонты для развития децентрализованного ИИ.
Расширение пространства для создания криптопроектов
Это технологическое слияние открыло новые направления развития приложений для защиты конфиденциальности в экосистеме NEAR, особенно в области AI-решений:
Частный ИИ
Приватное вывод: поддержка безопасного вывода для AI-моделей, обеспечивая защиту для собственных моделей машинного обучения и пользователей, предоставляющих конфиденциальный ввод, в начальной стадии в основном сосредоточено на частных моделях, таких как регрессия, прогнозирование временных рядов или классификация.
Приватные代理: С ростом тенденции к полусамостоятельному или полностью самостоятельному действию AI代理, потребность в решениях для обеспечения конфиденциальности становится все более важной. Поддержка классификации намерений может гарантировать, что пользователи не будут раскрывать оригинальные запросы или связанную информацию о действиях代理, основанных на запросах.
Федеративное обучение: хотя федеративное обучение в основном сосредоточено на обучении моделей на децентрализованных наборах данных без необходимости в централизованных данных, новые технологии конфиденциальности могут усилить защиту конфиденциальности, защищая процесс агрегации, обеспечивая, чтобы чувствительная информация (например, градиенты), возникающая в процессе обучения, оставалась конфиденциальной.
Приватные синтетические данные: Новая технология может стать решением для защиты конфиденциальности базовых данных в процессе обучения GAN. Применение MPC в обучении GAN может гарантировать, что данные, используемые в процессе обучения, не будут раскрыты другим участникам.
Увеличенная генерация приватного поиска (RAG): Эта технология открывает инновационный метод защиты конфиденциальности для информационного поиска, поддерживая квантово безопасное хранение в статическом состоянии и оценку семантического поиска без необходимости расшифровки.
Кросс-чейн решение для конфиденциальности
Учитывая важность NEAR для интероперабельности, эта интеграция обещает проложить путь для защищенных кросс-цепочных приложений и передачи активов.
Сообщество с приоритетом конфиденциальности
Децентрализованные сообщества могут использовать содержимое с приватным хранением и социальные графы, а также обрабатывать их для рекомендации целевого персонализированного контента, сочетая преимущества децентрализации с защитой конфиденциальности. Такая платформа также может поддерживать анонимное голосование, подачу конфиденциальных предложений и безопасное управление финансами.
Безопасный DeFi
Технология слепых вычислений может реализовать приватные книги заказов, конфиденциальную оценку кредитов и скрытые пулы ликвидности, значительно повышая безопасность и конфиденциальность постоянно растущей DeFi экосистемы NEAR.
Инструменты разработки, ориентированные на конфиденциальность
Технология слепых вычислений может улучшить дружелюбную к разработчикам среду NEAR, предоставляя инструменты и API с акцентом на конфиденциальность, что позволяет разработчикам легко интегрировать передовые функции конфиденциальности в свои приложения, сохраняя при этом удобство и масштабируемость NEAR.
Перспективы: Будущее слепых вычислений на NEAR
Сочетая высокопроизводительную инфраструктуру NEAR с передовыми функциями конфиденциальности, создается идеальная среда, позволяющая разработчикам создавать мощные приложения, защищающие конфиденциальность, для удовлетворения потребностей реального мира. Это поможет развить совершенно новую открытую цифровую экономику, в которой пользователи действительно смогут контролировать свои активы и данные.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
20 Лайков
Награда
20
4
Поделиться
комментарий
0/400
RumbleValidator
· 17ч назад
750 проектов, только 55 могут выдержать высокую нагрузку
Посмотреть ОригиналОтветить0
ForkYouPayMe
· 07-25 21:13
near еще не мертв~
Посмотреть ОригиналОтветить0
SybilSlayer
· 07-25 21:05
Тюринговый старший вычислитель + слепое вычисление удивительный
NEAR внедряет технологию слепых вычислений, внося новый импульс конфиденциальности в экосистему Web3.
Идеальное сочетание конфиденциальности и производительности: публичная цепочка NEAR внедряет протокол конфиденциальности Nillion
На днях один из частных протоколов объявил о внедрении технологий слепых вычислений и слепого хранения в ориентированную на скорость и масштабируемость L1 публичную цепочку NEAR. Эта инновационная интеграция сочетает в себе высокую производительность NEAR и современные инструменты конфиденциальности, предоставляя более чем 750 проектам в экосистеме NEAR возможность использовать слепые вычисления.
Сильное сотрудничество NEAR и Nillion
Как зрелая L1 блокчейн-сеть, NEAR всегда славилась своими выдающимися характеристиками. Три ее ключевых особенности включают:
Технология шардирования Nightshade: это уникальное решение для шардирования от NEAR, которое значительно увеличивает производительность обработки транзакций и снижает задержки, что делает его идеальным для приложений с высокими требованиями к производительности.
Среда выполнения WebAssembly: виртуальная машина NEAR на основе Wasm поддерживает смарт-контракты, написанные на Rust и AssemblyScript, что привлекает разработчиков с различным техническим опытом.
Удобная система аккаунтов: NEAR использует интуитивно понятные имена аккаунтов, что значительно улучшает пользовательский опыт и доступность.
Эти уникальные преимущества привлекли множество разработчиков, предпринимателей и новаторов, которые совместно создали процветающую экосистему с более чем 750 приложениями.
В этот раз была достигнута следующая прорыв, объединив слепую вычислительную мощность с эффективной обработкой транзакций NEAR:
Модульная приватность данных: функции конфиденциальности бесшовно интегрированы с NEAR, что позволяет модульно выполнять операции хранения и вычислений данных в специализированной сети, одновременно обеспечивая прозрачные расчеты на блокчейне NEAR. Этот модульный дизайн предоставляет разработчикам большую гибкость.
Управление частными данными: предоставляя услуги по конфиденциальному хранению и вычислениям для различных типов данных, значительно расширяются функциональные границы NEAR. Это значительно расширяет пространство для проектирования приложений, защищающих конфиденциальность, в экосистеме NEAR, позволяя разработчикам создавать решения, которые ранее были невозможны из-за ограничений конфиденциальности, одновременно привлекая больше пользователей, акцентирующих внимание на конфиденциальности.
Частный ИИ: Внимание NEAR к автономному, управляемому пользователем ИИ прекрасно сочетается с возможностями конфиденциального хранения и вычислений, открывая широкие новые горизонты для развития децентрализованного ИИ.
Расширение пространства для создания криптопроектов
Это технологическое слияние открыло новые направления развития приложений для защиты конфиденциальности в экосистеме NEAR, особенно в области AI-решений:
Частный ИИ
Приватное вывод: поддержка безопасного вывода для AI-моделей, обеспечивая защиту для собственных моделей машинного обучения и пользователей, предоставляющих конфиденциальный ввод, в начальной стадии в основном сосредоточено на частных моделях, таких как регрессия, прогнозирование временных рядов или классификация.
Приватные代理: С ростом тенденции к полусамостоятельному или полностью самостоятельному действию AI代理, потребность в решениях для обеспечения конфиденциальности становится все более важной. Поддержка классификации намерений может гарантировать, что пользователи не будут раскрывать оригинальные запросы или связанную информацию о действиях代理, основанных на запросах.
Федеративное обучение: хотя федеративное обучение в основном сосредоточено на обучении моделей на децентрализованных наборах данных без необходимости в централизованных данных, новые технологии конфиденциальности могут усилить защиту конфиденциальности, защищая процесс агрегации, обеспечивая, чтобы чувствительная информация (например, градиенты), возникающая в процессе обучения, оставалась конфиденциальной.
Приватные синтетические данные: Новая технология может стать решением для защиты конфиденциальности базовых данных в процессе обучения GAN. Применение MPC в обучении GAN может гарантировать, что данные, используемые в процессе обучения, не будут раскрыты другим участникам.
Увеличенная генерация приватного поиска (RAG): Эта технология открывает инновационный метод защиты конфиденциальности для информационного поиска, поддерживая квантово безопасное хранение в статическом состоянии и оценку семантического поиска без необходимости расшифровки.
Кросс-чейн решение для конфиденциальности
Учитывая важность NEAR для интероперабельности, эта интеграция обещает проложить путь для защищенных кросс-цепочных приложений и передачи активов.
Сообщество с приоритетом конфиденциальности
Децентрализованные сообщества могут использовать содержимое с приватным хранением и социальные графы, а также обрабатывать их для рекомендации целевого персонализированного контента, сочетая преимущества децентрализации с защитой конфиденциальности. Такая платформа также может поддерживать анонимное голосование, подачу конфиденциальных предложений и безопасное управление финансами.
Безопасный DeFi
Технология слепых вычислений может реализовать приватные книги заказов, конфиденциальную оценку кредитов и скрытые пулы ликвидности, значительно повышая безопасность и конфиденциальность постоянно растущей DeFi экосистемы NEAR.
Инструменты разработки, ориентированные на конфиденциальность
Технология слепых вычислений может улучшить дружелюбную к разработчикам среду NEAR, предоставляя инструменты и API с акцентом на конфиденциальность, что позволяет разработчикам легко интегрировать передовые функции конфиденциальности в свои приложения, сохраняя при этом удобство и масштабируемость NEAR.
Перспективы: Будущее слепых вычислений на NEAR
Сочетая высокопроизводительную инфраструктуру NEAR с передовыми функциями конфиденциальности, создается идеальная среда, позволяющая разработчикам создавать мощные приложения, защищающие конфиденциальность, для удовлетворения потребностей реального мира. Это поможет развить совершенно новую открытую цифровую экономику, в которой пользователи действительно смогут контролировать свои активы и данные.