Когда Walrus использует криптографические обязательства и доказательства в блокчейне, почему хранение наборов данных ИИ в децентрализованных сетях вызывает опасения в отношении манипуляций или потерь?
Walrus поддерживает целостность набора данных с помощью алгоритма кодирования избыточности RedStuff, который кодирует блобы — например, многогигабайтные наборы для обучения ИИ — в основные и вторичные фрагменты с встроенной избыточностью, позволяя восстановить данные из всего лишь 1/3 кворума правильных фрагментов, даже если до 2/3 узлов хранения неисправны или недоступны после синхронизации сети, при этом каждый фрагмент включает хэши обязательств, которые клиенты проверяют против содержимого исходного блоба по его ID, выведенному из содержимого, при извлечении, чтобы обнаружить любые изменения или несоответствия; кроме того, система требует кворум из 2/3 подтвержденных узлов для генерации сертификата POA, который публикуется как неизменяемая запись на блокчейне Sui, обеспечивая, что после сертификации ответственность за хранение набора данных становится публично аудируемой, а узлы обязаны сохранять фрагменты без изменений, при этом любые подтвержденные несоответствия приводят к отключению ID блоба от его объекта ресурса хранения в блокчейне, эффективно помечая его как недоступный, при этом хэш сохраняется для последующих проверок.
Параметры блобов, длительность хранения, основанные на эпохах, и обязательства фрагментов обрабатываются смарт-контрактами MoveVM на Sui. Возможны программная проверка, самовосстановление и делегированные платежи по PoS. Узлы, не способные сгенерировать аутентифицированные фрагменты или ответить на вызовы, теряют депозиты, что исключает возможность манипуляций и связывает полезность токенов с целостностью данных.
Чтобы предотвратить порчу производственного пайплайна, команда ИИ, настраивающая модели на собственных наборах данных, может загрузить корпус объемом 500 ГБ в Walrus, получить POA и объект метаданных на Sui для проверки в блокчейне и интегрировать смарт-контракт Move, который условно выпускает веса модели после периодических проверок целостности, подтверждающих обязательства фрагментов.
Как добавление проверок обязательств фрагментов Walrus в пайплайн обучения вашего проекта с участием сообщества повлияет на дрейф данных и вредоносные входные данные в разных эпохах?
