NEAR Public Chain запроваджує технології конфіденційності: ідеальне поєднання продуктивності та конфіденційності

Нещодавно одна угода про конфіденційність оголосила про впровадження технологій сліпих обчислень та сліпого зберігання в блокчейн NEAR. Це інтеграція поєднує високу продуктивність NEAR з сучасними інструментами конфіденційності, що дозволяє більше ніж 750 проектам в екосистемі NEAR використовувати технологію сліпих обчислень.

NEAR як зріла L1 блокчейн-мережа відома своєю видатною продуктивністю. Її три основні характеристики включають:

• Nightshade фрагментація: унікальне рішення для фрагментації NEAR підвищує пропускну здатність транзакцій і зменшує затримки, що робить його ідеальним для високопродуктивних застосунків.
• WebAssembly виконання: віртуальна машина на базі Wasm підтримує смарт-контракти на Rust та AssemblyScript, залучаючи розробників з різних背景ів.
• Читабельні рахунки: NEAR використовує інтуїтивно зрозумілі назви рахунків, покращуючи користувацький досвід і доступність.

Ці особливості привабили велику кількість розробників, підприємців та творців, які спільно створили процвітаючу екосистему.

Ця інтеграція реалізувала:

• Модульна приватність даних: функція приватності плавно інтегрується з NEAR, що дозволяє модульно виконувати операції зберігання даних і обчислень у приватній мережі, одночасно забезпечуючи прозорі розрахунки на блокчейні NEAR.
• Управління приватними даними: розширює можливості NEAR, надаючи приватне зберігання та обробку для всіх типів даних.
• Приватний ШІ: увага NEAR до автономного, користувацького ШІ поєднується з приватним зберіганням та обчислювальною потужністю, відкриваючи новий дизайн для децентралізованого ШІ.

Ця інтеграція відкриває нові можливості для застосунків захисту конфіденційності в екосистемі NEAR, особливо в аспекті AI-рішень:

• Приватне виведення: можна реалізувати безпечне виведення для AI-моделей, забезпечуючи захист для власних моделей машинного навчання та користувачів, які надають їм чутливі дані.
• Приватні агенти: з виникненням AI-агентів рішення для забезпечення конфіденційності стали вкрай важливими.
• Федеративне навчання: можна посилити конфіденційність, захищаючи процес агрегації, щоб забезпечити збереження чутливої інформації, отриманої під час навчання, в таємниці.
• Приватні синтетичні дані: можуть стати рішенням для захисту конфіденційності базових даних під час навчання GAN.
• Приватний пошук з підсиленням генерації (RAG): може активувати новий метод захисту конфіденційності для інформаційного пошуку.

Крім того, ця інтеграція відкрила нові можливості в таких сферах, як міжланкова приватність, платформи спільнот з пріоритетом на конфіденційність, безпечний DeFi та інструменти для розробників, що захищають конфіденційність.

Поєднуючи високу продуктивність інфраструктури NEAR з передовими функціями конфіденційності, створюється середовище, в якому розробники можуть створювати потужні, орієнтовані на конфіденційність додатки для задоволення потреб реального світу. Це сприятиме створенню нової відкритої цифрової економіки, яка дозволить людям краще контролювати свої активи та дані.