Kiedy Walrus wykorzystuje kryptograficzne zobowiązania i dowody na łańcuchu, dlaczego przechowywanie zbiorów danych AI w sieciach rozproszonych powoduje obawy związane z manipulacją lub utratą?
Walrus utrzymuje integralność zbioru danych za pomocą algorytmu kodowania erasure RedStuff, który koduje pliki — takie jak wielogigabajtowe zbiory danych do uczenia modeli AI — na główne i dodatkowe kawałki z wbudowaną nadmiarowością, umożliwiając odtworzenie danych zaledwie z 1/3 kworum poprawnych kawałków nawet wtedy, gdy do 2/3 węzłów przechowujących dane jest uszkodzonych lub niedostępnych po synchronizacji sieci, podczas gdy każdy kawałek zawiera skróty zobowiązania, które klienci sprawdzają pod kątem oryginalnego identyfikatora opartego na treści pliku podczas pobierania, aby wykryć jakiekolwiek zmiany lub niezgodności; dodatkowo system wymaga kworum 2/3 potwierdzonych potwierdzeń węzłów, aby wygenerować certyfikat POA, który jest publikowany jako niezmieniony rekord na blockchainie Sui, zapewniając, że po uwierzytelnieniu integralność zbioru danych jest publicznie audytowalna, a węzły są zobowiązane do przechowywania kawałków bez zmian, a dowolne udowodnione niezgodności prowadzą do odłączenia identyfikatora pliku od jego obiektu zasobu przechowującego na łańcuchu, efektywnie oznaczając go jako niedostępny, przy jednoczesnym zachowaniu skrótu do celów badawczych.
Elementy metadanych pliku, okresowe trwałość przechowywania i zobowiązania kawałków są obsługiwane przez inteligentne kontrakty MoveVM w Sui. Możliwe są weryfikacja programowa, samodzielną naprawa i delegowane płatności PoS. Węzły, które nie generują uwierzytelnionych kawałków lub nie reagują na wyzwania tracą zastaw, co uniemożliwia manipulację i wiąże przydatność tokenów z integralnością danych.
Aby zapobiec zakłóceniu procesu produkcyjnego, zespół AI finetuningujący modele na własnych zbiorach danych mógłby przesłać 500GB korekt do Walrus, otrzymać certyfikat PoA i obiekt metadanych na Sui do weryfikacji na łańcuchu, a następnie zintegrować kontrakt Move, który warunkowo uwalnia wagi modelu po okresowych audytach integralności potwierdzających zobowiązania kawałków.
Jak wpływa dodanie weryfikacji zobowiązań kawałków Walrus do procesu szkolenia projektu AI opartego na crowdsourcing na zniekształcenie danych i wejścia przeciwników w kolejnych epokach?
