La cadena de bloques NEAR introduce la tecnología de cálculo ciego para crear un ecosistema de privacidad de alto rendimiento.

robot
Generación de resúmenes en curso

NEAR cadena de bloques introduce tecnología de privacidad: la combinación perfecta de rendimiento y privacidad

Recientemente, una empresa de protocolos de privacidad anunció la incorporación de tecnologías de computación y almacenamiento ciego en la cadena de bloques pública de capa L1 NEAR, conocida por su velocidad y escalabilidad. Esta integración combina el alto rendimiento de NEAR con herramientas avanzadas de privacidad, permitiendo que más de 750 proyectos en el ecosistema de NEAR puedan utilizar la tecnología de computación ciega.

NEAR cadena de bloques introduce privacidad Nillion: la intersección entre privacidad y rendimiento

La fusión de NEAR con tecnologías de privacidad

NEAR, como una red de blockchain L1 madura, ha sido conocida por su rendimiento excepcional. Sus tres características principales incluyen:

  • Nightshade sharding: Esta es la solución de sharding única de NEAR, capaz de aumentar el rendimiento de las transacciones y reducir la latencia, lo que la hace ideal para aplicaciones de alto rendimiento.
  • WebAssembly Runtime: NEAR, basado en una máquina virtual Wasm, admite contratos inteligentes en Rust y AssemblyScript, atrayendo a desarrolladores de diversos orígenes.
  • Cuentas legibles: NEAR utiliza nombres de cuentas intuitivos, mejorando la experiencia del usuario y la accesibilidad.

Estas características han atraído a una gran cantidad de desarrolladores, emprendedores y creativos, que han construido juntos un próspero ecosistema con más de 750 aplicaciones.

A través de combinar la capacidad de cálculo ciego con el procesamiento eficiente de transacciones de NEAR, se logró:

  • Privacidad de datos modular: las funciones de privacidad se integran sin problemas con NEAR, lo que permite la ejecución modular de operaciones de almacenamiento y cálculo de datos en redes de privacidad, mientras se realizan liquidaciones transparentes en la blockchain de NEAR. Esta modularidad ofrece flexibilidad a los desarrolladores al diseñar la arquitectura de aplicaciones.
  • Gestión de datos privados: Al proporcionar almacenamiento y computación privados para todo tipo de datos, se amplían las capacidades de NEAR. Esto amplía considerablemente el espacio de diseño de aplicaciones de protección de la privacidad dentro del ecosistema de NEAR, permitiendo a los desarrolladores construir soluciones que antes no podían realizar debido a las limitaciones de privacidad y atraer a usuarios que valoran la privacidad.
  • AI privado: La atención de NEAR a la IA autónoma y de propiedad del usuario complementa la capacidad de almacenamiento y cálculo privado, abriendo un amplio nuevo espacio de diseño para la IA descentralizada.

Espacio de construcción para proyectos de criptografía ampliados

Esta integración dentro del ecosistema NEAR abre nuevas vías para aplicaciones de protección de la privacidad, especialmente en lo que respecta a soluciones de IA:

IA privada:

  • Inferencia privada: permite realizar inferencias seguras sobre modelos de IA, protegiendo a los modelos de aprendizaje automático propietarios y a los usuarios que proporcionan entradas sensibles, inicialmente centrado en modelos privados como regresión, predicción de series temporales o clasificación.
  • Agentes privados: Con el surgimiento de agentes de IA que actúan de manera (semi) autónoma, la demanda de soluciones de privacidad se vuelve crucial. El soporte para la clasificación de intenciones puede permitir a los usuarios utilizar agentes sin revelar información sobre su consulta original o las acciones que el agente toma basándose en dicha consulta.
  • Aprendizaje federado: Aunque el aprendizaje federado se centra principalmente en entrenar modelos en conjuntos de datos descentralizados sin necesidad de datos centralizados, nuevas tecnologías pueden mejorar la privacidad mediante la protección del proceso de agregación, asegurando que la información sensible derivada durante el entrenamiento (como los gradientes) se mantenga confidencial.
  • Datos sintéticos privados: La nueva tecnología puede convertirse en una solución para proteger la privacidad de los datos base durante el proceso de entrenamiento de GAN. La aplicación de MPC en el entrenamiento de GAN garantiza que los datos utilizados durante el proceso de entrenamiento nunca se expongan a otros participantes.
  • Búsqueda privada mejorada generativa (RAG): permite un nuevo método de protección de la privacidad para la recuperación de información, facilitando el almacenamiento seguro cuántico de vectores en estado reposado y la evaluación de búsqueda semántica sin necesidad de descifrado.

Solución de privacidad entre cadenas:

Dada la importancia que NEAR otorga a la interoperabilidad, esta integración puede allanar el camino para aplicaciones y transferencias de activos entre cadenas que protejan la privacidad.

Plataforma comunitaria priorizando la privacidad:

Las comunidades descentralizadas pueden beneficiarse del contenido de almacenamiento privado y de los gráficos sociales, y procesarlo para recomendar contenido personalizado dirigido, combinando los beneficios de la descentralización con la privacidad. La plataforma también puede facilitar las votaciones en blanco, la presentación de propuestas privadas y la gestión segura de fondos.

DeFi seguro:

El cálculo ciego puede permitir libros de órdenes privados, evaluaciones de préstamos confidenciales y grupos de liquidez ocultos, mejorando la seguridad y la privacidad del ecosistema DeFi en constante crecimiento de NEAR.

Herramientas de desarrollo para proteger la privacidad:

El cálculo ciego puede mejorar el entorno amigable para desarrolladores de NEAR al proporcionar herramientas y API centradas en la privacidad, permitiendo a los desarrolladores incorporar fácilmente funciones avanzadas de privacidad en sus aplicaciones sin sacrificar la facilidad de uso y la escalabilidad de NEAR.

El futuro de la computación ciega en NEAR

Al combinar la infraestructura de alto rendimiento de NEAR con funciones avanzadas de privacidad, se está creando un entorno en el que los desarrolladores pueden construir aplicaciones potentes y que protegen la privacidad, para satisfacer las necesidades del mundo real. Esto ayudará a crear una nueva economía digital abierta, permitiendo a las personas controlar sus activos y datos.

Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
  • Recompensa
  • 8
  • Compartir
Comentar
0/400
TokenBeginner'sGuidevip
· 07-31 21:45
Pequeño recordatorio: Según los datos, esta técnica de cálculo ciego aún se encuentra en la fase de prueba, por favor, tómalo con racionalidad.
Ver originalesResponder0
RuntimeErrorvip
· 07-30 18:27
¿Privacidad? ¿Qué demonios?
Ver originalesResponder0
CryptoNomicsvip
· 07-30 09:35
*suspiro* estadísticamente hablando, la computación ciega añade O(n^2) de sobrecarga. privacidad != escalabilidad
Ver originalesResponder0
PuzzledScholarvip
· 07-30 05:14
Finalmente jugué la carta de la privacidad, pero eso es algo bueno.
Ver originalesResponder0
LayerHoppervip
· 07-30 05:12
La ecología ahora tiene futuro.
Ver originalesResponder0
NFTHoardervip
· 07-30 05:05
Se ha mejorado el rendimiento, pero en esta ola no hubo To the moon en el precio de la moneda. Observaré durante la noche.
Ver originalesResponder0
MEVVictimAlliancevip
· 07-30 05:04
¿NEAR? ¿Esto se puede llamar una cadena de privacidad?
Ver originalesResponder0
BridgeTrustFundvip
· 07-30 04:52
Quiero privacidad y seguridad, así que esto es lo que hay.
Ver originalesResponder0
Opere con criptomonedas en cualquier momento y lugar
qrCode
Escanee para descargar la aplicación Gate
Comunidad
Español
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)