近期技术融合的前沿方向是区块链跟卷积神经网络也就是CNN的结合, 区块链能提供不可篡改的分布式账本, 而CNN专长于图像识别与模式分析, 二者携手, 在数据溯源、内容认证、智能合约自动化执行等领域能够发挥独特效用, 然而用户于实际运用的时候, 要对技术落地里的安全风险予以警惕, 像数据隐私泄露、模型攻击这类情况。

如何保障区块链上的CNN数据安全

区块链之上的数据, 一旦被上链, 便很难得以修改, 这对于CNN训练数据的真实性而言, 是一种保障。然而, 用户需要加以注意, 公开于区块链之上的数据, 对于所有节点都是可见的, 要是把敏感图像或者特征向量直接进行上链, 隐私便有可能被暴露。建议采用加密存储方案, 比如说将CNN处理之后的哈希值进行上链, 原始数据保存于链下加密数据库之中。举例来说, 在医疗影像分析场景里, CNN模型针对X光片开展病灶识别之后, 把结果摘要进行上链, 原始图片并不上链, 如此一来, 既确保了可追溯性, 又防止了敏感信息向外泄露。

并且, CNN模型自身有可能遭受对抗样本的攻击, 攻击者精细构造的图片, 能够使得CNN产生错误的判断, 在区块链系统里, 要是CNN的输出被智能合约自动予以执行, 比方说自动发放数字凭证, 一旦模型被欺骗, 后果会很严重, 用户需要借助多模型交叉验证或者引入异常检测机制来进行加固, 例如, 在版权认证应用中, 对上传的图片同时施行多个CNN模型的相似度比对, 只有结果高度相一致的时候, 才触发上链存证。

链上CNN应用有哪些常见风险

当智能合约同 CNN 交互之际, 得留意代码漏洞, CNN 模型输出的数值范围兴许极大, 要是智能合约没做边界检查, 就有可能致使溢出错误, 比如说, 有个用于艺术品真伪鉴别的应用, 在 CNN 输出置信度分数后, 智能合约依据分数执行转账, 攻击者有可能伪造低分图片, 触发合约异常逻辑, 开发者应当在合约里严格限定输入范围, 并且开展完整的单元测试。

区块链的节点, 其计算资源是有限的, 要是运行复杂的CNN模型, 这有可能致使网络出现拥堵情况。用户应当避免在每一个节点都去运行完整的模型, 而是要采用链下进行计算、链上予以验证的架构。比如说, 在供应链溯源的场景当中, CNN是在云端对商品图片展开处理的, 仅仅是把特征摘要以及零知识证明提交到链上, 其他的节点对证明进行验证就行, 不会重复进行计算。这样的一种方法, 既能够节省资源, 又能够把模型参数予以保护,使其不被泄露。

美国有线电视新闻网与区块链的结合所具备的潜力十分巨大, 然而安全性乃是实现落地的前提条件, 数据加密, 模型加固, 合约审计, 资源优化, 其中任何一个环节都不可或缺, 用户唯有构建起系统性的安全认知, 才可使得技术在合规框架范围之内发挥出相应价值。