โปรโตคอล Proof of Sampling: กระตุ้นความซื่อสัตย์และลงโทษความไม่ซื่อสัตย์ในระบบ AI แบบกระจายศูนย์

ใน AI แบบกระจายศูนย์ การรักษาความสมบูรณ์และความน่าเชื่อถือของผู้ให้บริการ GPU เป็นสิ่งสำคัญ โปรโตคอล Proof of Sampling (PoSP) ตามที่ระบุไว้ในงานวิจัยล่าสุดจาก Holistic AI ให้กลไกที่ซับซ้อนในการกระตุ้นผู้กระทำดีในขณะที่ลดทอนผู้กระทำไม่ดี มาดูกันว่าโปรโตคอลนี้ทำงานอย่างไร สิ่งจูงใจทางเศรษฐกิจ การลงโทษ และการประยุกต์ใช้กับการอนุมาน AI แบบกระจายศูนย์

สิ่งจูงใจสำหรับพฤติกรรมที่ซื่อสัตย์

รางวัลทางเศรษฐกิจ

หัวใจของโปรโตคอล PoSP คือสิ่งจูงใจทางเศรษฐกิจที่ออกแบบมาเพื่อส่งเสริมการมีส่วนร่วมที่ซื่อสัตย์ โหนดที่ทำหน้าที่เป็นผู้ยืนยันและผู้ตรวจสอบจะได้รับรางวัลตามการมีส่วนร่วมของพวกเขา:

• ผู้ยืนยัน: ได้รับรางวัล (RA) หากผลลัพธ์ที่คำนวณถูกต้องและไม่มีการท้าทาย
• ผู้ตรวจสอบ: แบ่งปันรางวัล (RV/n) หากผลลัพธ์ของพวกเขาสอดคล้องกับผู้ยืนยันและได้รับการยืนยันว่าถูกต้อง

สมดุลแนชที่ไม่ซ้ำกัน

โปรโตคอล PoSP ถูกออกแบบมาเพื่อให้ถึงสมดุลแนชที่ไม่ซ้ำกันในกลยุทธ์บริสุทธิ์ ที่ซึ่งโหนดทั้งหมดมีแรงจูงใจที่จะกระทำอย่างซื่อสัตย์ โดยการจัดแนวกำไรส่วนบุคคลกับความปลอดภัยของระบบ โปรโตคอลนี้ทำให้แน่ใจว่าความซื่อสัตย์เป็นกลยุทธ์ที่ทำกำไรได้มากที่สุดสำหรับผู้เข้าร่วม

การลงโทษสำหรับพฤติกรรมที่ไม่ซื่อสัตย์

กลไกการลดทอน

เพื่อยับยั้งพฤติกรรมที่ไม่ซื่อสัตย์ โปรโตคอล PoSP ใช้กลไกการลดทอน หากผู้ยืนยันหรือผู้ตรวจสอบถูกจับได้ว่าทำไม่ซื่อสัตย์ พวกเขาจะเผชิญกับการลงโทษทางเศรษฐกิจที่สำคัญ (S) ซึ่งทำให้มั่นใจว่าต้นทุนของความไม่ซื่อสัตย์นั้นมากกว่าผลประโยชน์ระยะสั้นที่อาจเกิดขึ้น

กลไกการท้าทาย

การท้าทายแบบสุ่มช่วยเพิ่มความปลอดภัยให้กับระบบ ด้วยความน่าจะเป็นที่กำหนดไว้ล่วงหน้า (p) โปรโตคอลจะกระตุ้นการท้าทายที่ผู้ตรวจสอบหลายคนจะคำนวณผลลัพธ์ของผู้ยืนยันใหม่ หากพบความแตกต่าง ผู้กระทำไม่ซื่อสัตย์จะถูกลงโทษ กระบวนการเลือกแบบสุ่มนี้ทำให้ยากสำหรับผู้กระทำไม่ดีที่จะสมรู้ร่วมคิดและโกงโดยไม่ถูกตรวจจับ

ขั้นตอนของโปรโตคอล PoSP

1. การเลือกผู้ยืนยัน: โหนดจะถูกเลือกแบบสุ่มเพื่อทำหน้าที่เป็นผู้ยืนยัน คำนวณและส่งออกค่า

2. ความน่าจะเป็นของการท้าทาย:

   ระบบอาจกระตุ้นการท้าทายตามความน่าจะเป็นที่กำหนดไว้ล่วงหน้า

   • ไม่มีการท้าทาย: ผู้ยืนยันจะได้รับรางวัลหากไม่มีการท้าทาย
   • การท้าทายถูกกระตุ้น: ผู้ตรวจสอบจำนวนหนึ่ง (n) จะถูกเลือกแบบสุ่มเพื่อยืนยันผลลัพธ์ของผู้ยืนยัน

3. การตรวจสอบ:

   ผู้ตรวจสอบแต่ละคนคำนวณผลลัพธ์อย่างอิสระและเปรียบเทียบกับผลลัพธ์ของผู้ยืนยัน

   • ตรงกัน: หากผลลัพธ์ทั้งหมดตรงกัน ทั้งผู้ยืนยันและผู้ตรวจสอบจะได้รับรางวัล
   • ไม่ตรงกัน: กระบวนการอนุญาโตตุลาการจะกำหนดความซื่อสัตย์ของผู้ยืนยันและผู้ตรวจสอบ

4. การลงโทษ: โหนดที่ไม่ซื่อสัตย์จะถูกลงโทษ ในขณะที่ผู้ตรวจสอบที่ซื่อสัตย์จะได้รับส่วนแบ่งรางวัลของพวกเขา

SpML

โปรโตคอล spML (sampling-based Machine Learning) เป็นการประยุกต์ใช้โปรโตคอล Proof of Sampling (PoSP) ภายในเครือข่ายการอนุมาน AI แบบกระจายศูนย์

ขั้นตอนสำคัญ

1. การป้อนข้อมูลของผู้ใช้: ผู้ใช้ส่งข้อมูลของพวกเขาไปยังเซิร์ฟเวอร์ที่เลือกแบบสุ่ม (ผู้ยืนยัน) พร้อมกับลายเซ็นดิจิทัลของพวกเขา
2. ผลลัพธ์ของเซิร์ฟเวอร์: เซิร์ฟเวอร์คำนวณผลลัพธ์และส่งกลับไปยังผู้ใช้พร้อมกับแฮชของผลลัพธ์
3. กลไกการท้าทาย:
   • ด้วยความน่าจะเป็นที่กำหนดไว้ล่วงหน้า (p) ระบบจะกระตุ้นการท้าทายที่เซิร์ฟเวอร์อื่น (ผู้ตรวจสอบ) ถูกเลือกแบบสุ่มเพื่อยืนยันผลลัพธ์
   • หากไม่มีการท้าทาย ผู้ยืนยันจะได้รับรางวัล (R) และกระบวนการสิ้นสุด
4. การตรวจสอบ:
   • หากมีการท้าทาย ผู้ใช้จะส่งข้อมูลเดียวกันไปยังผู้ตรวจสอบ
   • ผู้ตรวจสอบคำนวณผลลัพธ์และส่งกลับไปยังผู้ใช้พร้อมกับแฮช
5. การเปรียบเทียบ:
   • ผู้ใช้เปรียบเทียบแฮชของผลลัพธ์ของผู้ยืนยันและผู้ตรวจสอบ
   • หากแฮชตรงกัน ทั้งผู้ยืนยันและผู้ตรวจสอบจะได้รับรางวัล และผู้ใช้จะได้รับส่วนลดจากค่าธรรมเนียมพื้นฐาน
   • หากแฮชไม่ตรงกัน ผู้ใช้จะกระจายแฮชทั้งสองไปยังเครือข่าย
6. อนุญาโตตุลาการ:
   • เครือข่ายลงคะแนนเพื่อกำหนดความซื่อสัตย์ของผู้ยืนยันและผู้ตรวจสอบตามความแตกต่าง
   • โหนดที่ซื่อสัตย์จะได้รับรางวัล ในขณะที่โหนดที่ไม่ซื่อสัตย์จะถูกลงโทษ (ลดทอน)

ส่วนประกอบและกลไกที่สำคัญ

• การดำเนินการ ML แบบกำหนดได้: ใช้การคำนวณแบบจุดคงที่และไลบรารีจุดลอยตัวที่ใช้ซอฟต์แวร์เพื่อให้ได้ผลลัพธ์ที่สอดคล้องและสามารถทำซ้ำได้
• การออกแบบที่ไม่มีสถานะ: ปฏิบัติต่อการสืบค้นแต่ละครั้งเป็นอิสระ รักษาความไม่มีสถานะตลอดกระบวนการ ML
• การมีส่วนร่วมที่ไม่ต้องขออนุญาต: อนุญาตให้ทุกคนเข้าร่วมเครือข่ายและมีส่วนร่วมโดยการเรียกใช้เซิร์ฟเวอร์ AI
• การดำเนินการนอกเชน: การอนุมาน AI จะถูกคำนวณนอกเชนเพื่อลดภาระบนบล็อกเชน โดยผลลัพธ์และลายเซ็นดิจิทัลจะถูกส่งตรงไปยังผู้ใช้
• การดำเนินการบนเชน: ฟังก์ชันที่สำคัญ เช่น การคำนวณยอดคงเหลือและกลไกการท้าทาย จะถูกจัดการบนเชนเพื่อให้มั่นใจในความโปร่งใสและความปลอดภัย

ข้อดีของ spML

• ความปลอดภัยสูง: บรรลุความปลอดภัยผ่านสิ่งจูงใจทางเศรษฐกิจ ทำให้โหนดกระทำอย่างซื่อสัตย์เนื่องจากมีโอกาสถูกลงโทษสำหรับความไม่ซื่อสัตย์
• ภาระการคำนวณต่ำ: ผู้ตรวจสอบเพียงแค่ต้องเปรียบเทียบแฮชในกรณีส่วนใหญ่ ลดภาระการคำนวณระหว่างการตรวจสอบ
• ความสามารถในการขยายตัว: สามารถจัดการกิจกรรมเครือข่ายขนาดใหญ่ได้โดยไม่ลดประสิทธิภาพลงอย่างมาก
• ความเรียบง่าย: รักษาความเรียบง่ายในการดำเนินการ เพิ่มความสะดวกในการรวมและการบำรุงรักษา

การเปรียบเทียบกับโปรโตคอลอื่น

• Optimistic Fraud Proof (opML):
  • อาศัยการลดทอนทางเศรษฐกิจสำหรับพฤติกรรมฉ้อโกงและกลไกการแก้ไขข้อพิพาท
  • มีความเสี่ยงต่อกิจกรรมฉ้อโกงหากไม่มีผู้ตรวจสอบที่ซื่อสัตย์เพียงพอ
• Zero Knowledge Proof (zkML):
  • รับรองความปลอดภัยสูงผ่านการพิสูจน์ด้วยการเข้ารหัส
  • เผชิญกับความท้าทายในการขยายตัวและประสิทธิภาพเนื่องจากภาระการคำนวณสูง
• spML:
  • รวมความปลอดภัยสูงผ่านสิ่งจูงใจทางเศรษฐกิจ ภาระการคำนวณต่ำ และความสามารถในการขยายตัวสูง
  • ทำให้กระบวนการตรวจสอบง่ายขึ้นโดยมุ่งเน้นที่การเปรียบเทียบแฮช ลดความจำเป็นในการคำนวณที่ซับซ้อนระหว่างการท้าทาย

สรุป

โปรโตคอล Proof of Sampling (PoSP) สามารถสร้างสมดุลระหว่างความจำเป็นในการกระตุ้นผู้กระทำดีและยับยั้งผู้กระทำไม่ดีได้อย่างมีประสิทธิภาพ เพื่อให้มั่นใจในความปลอดภัยและความน่าเชื่อถือโดยรวมของระบบแบบกระจายศูนย์ โดยการรวมรางวัลทางเศรษฐกิจกับการลงโทษที่เข้มงวด PoSP ส่งเสริมสภาพแวดล้อมที่พฤติกรรมที่ซื่อสัตย์ไม่เพียงแต่ได้รับการสนับสนุน แต่ยังจำเป็นสำหรับความสำเร็จอีกด้วย เมื่อ AI แบบกระจายศูนย์ยังคงเติบโต โปรโตคอลอย่าง PoSP จะมีความสำคัญในการรักษาความสมบูรณ์และความน่าเชื่อถือของระบบขั้นสูงเหล่านี้

• source: https://cuckoo.network/blog/2024/06/17/proof-of-sampling-posp-protocol-decentralized-ai
• telegram: https://cuckoo.network/tg
• discord: https://cuckoo.network/dc