NEAR блокчейн внедряет технологии конфиденциальности: слияние производительности и конфиденциальности

Недавно было объявлено о том, что в блокчейн NEAR будет внедрена технология слепых вычислений и слепого хранения. Эта интеграция сочетает в себе высокую производительность NEAR и современные инструменты конфиденциальности, позволяя более чем 750 проектам в экосистеме NEAR использовать технологии слепых вычислений.

NEAR как зрелая L1 блокчейн-сеть известна своей выдающейся производительностью. Его три основных характеристики включают:

• Технология шардирования Nightshade: повышает пропускную способность транзакций и снижает задержку, подходит для высокопроизводительных приложений.
• WebAssembly-рантайм: поддержка интеллектуальных контрактов на Rust и AssemblyScript привлекла разнообразное сообщество разработчиков.
• Читаемая учетная запись: использование интуитивно понятных имен учетных записей для улучшения пользовательского опыта и доступности.

Эти особенности привлекли множество разработчиков, предпринимателей и креативщиков, которые совместно создали процветающую экосистему.

Сочетание слепых вычислительных мощностей с эффективной обработкой транзакций NEAR обеспечивает следующие преимущества:

• Модульная конфиденциальность данных: функции конфиденциальности бесшовно интегрированы с NEAR, что позволяет модульно выполнять операции хранения и вычисления данных в конфиденциальной сети, одновременно осуществляя прозрачные расчеты на блокчейне NEAR.
• Управление частными данными: предоставляет частное хранение и вычисление для всех типов данных, расширяя функциональные возможности NEAR.
• Частный ИИ: внимание NEAR к автономному, принадлежащему пользователю ИИ сочетается с частным хранением и вычислительными возможностями, открывая новое пространство для проектирования децентрализованного ИИ.

Это интеграция открывает новые пути для приложений защиты конфиденциальности в экосистеме NEAR, особенно в области решений на основе ИИ:

• Частные выводы: обеспечение безопасного вывода для AI-моделей, защита собственных моделей машинного обучения и конфиденциального ввода пользователей.
• Частный агент: С ростом популярности AI-агентов решения для обеспечения конфиденциальности становятся критически важными.
• Федеративное обучение: улучшение конфиденциальности через защиту процесса агрегации, чтобы гарантировать сохранение конфиденциальности чувствительной информации, полученной в ходе обучения.
• Частные синтетические данные: защита конфиденциальности исходных данных в процессе обучения GAN.
• Частная система усиленного генерации поиска (RAG): новый метод защиты конфиденциальности для информационного поиска.

Помимо этого, такая интеграция открыла новые возможности в областях кросс-чейн решений для обеспечения конфиденциальности, платформ для сообществ с приоритетом на конфиденциальность, безопасного DeFi и инструментов для разработчиков, защищающих конфиденциальность.

Создается среда, в которой разработчики могут создавать мощные и защищенные приложения, сочетая высокопроизводительную инфраструктуру NEAR с передовыми функциями конфиденциальности, чтобы удовлетворить потребности реального мира. Это поможет создать новую открытую цифровую экономику, позволяющую пользователям лучше контролировать свои активы и данные.