ZKML——EZKL团队分享

news2024/12/26 0:48:21

1. 引言

“ZKP之于数字签名” 类似于 “以太坊之于比特币”：

所谓数字签名，是指：“我知道某秘密secrets，使得 F(secrets, public inputs)=pubic outputs”，其中F为fixed function（固定函数）。这是花费coin的原理。
所谓ZKP，是指：“我知道某秘密secrets，使得 F(secrets, public inputs)=pubic outputs”，其中F为任意程序。

当由关注链上计算转为关注链下计算时，置入到ZKP中最有趣的程序是机器学习模型，使得AI可在链上高效运行。

2. 为何需要ZKML？以及何为ZKML？

2.1 为何需要ZKML？

AI在持续发展，但其不运行在链上。

链下ML/AI的特点为：

中心化的
需要信任
需熟悉Python工作流
有大量现有的模型库
有大小公司助力

链上合约的特点为：

去中心化的
无需信任的
可组合式的
扩容性差的
对AI/ML来说太慢且太贵

ZK的特点为：

去中心化的
无需信任的
可组合式的
可扩容的：单个机器证明
有复杂的电路编写语言
难以理解ZKP算法及其背后的数学和安全性。

而ZK + ML 结合：
在这里插入图片描述

2.2 何为ZKML？

所谓ZKML，是指：

可从区块链视角来感知物理世界
使得拥有数字资产的为人类，而不是某域元素
让智能合约可自行判断

在这里插入图片描述

3. 何为EZKL？以及 EZKL通用流程

3.1 何为EZKL？

https://github.com/zkonduit/ezkl（Rust）为将某ONNX模型（为Pytorch或Tensorflow的输出）转换为某零知识证明的工具：

可以命令行（或二进制、合约、WASM）方式证明+验证。
逐日增加layers，足以应对小型生产模型。
逐月以2-8倍的速度改进性能。
专注于feature完整性，然后是性能优化。
ZKP后端为Halo2。

在这里插入图片描述

3.2 EZKL通用流程

EZML通用流程为：
在这里插入图片描述
ZKML通用流程分为三大部分：

1）输入授权内容
2）运行机器学习模型（如文本模型图像分类）
3）进行链上验证

3.2.1 授权内容

经证实的且可在zk-snark验证的内容来源有：

1）Http：SXG、signed AMP、signed endpoints（Cloudflare one-click SXG, ngnix）。
2）Email（DKIM）：可参看博客 ZK Proof of Email：通往decentralized identity之路
3）发行商的图像：C2PA，attested相机的图像。可参看博客：
- ZKP+图片授权——PhotoProof：proofs of permissible photo edits
- zk-IMG：对抗虚假信息
4）第三方公证人（Lit、TLS Notary、Deco）

所有采用标准签名方案（ECDSA、RSA、Ed25519）的内容都可在zk-snark中和（或）链上验证。
需要一个类似https的推送来签署数据。

当前的内容授权计划成员（Content Authority Initiative Members）有：
在这里插入图片描述

3.2.2 运行机器学习模型

借助ONNX编译，Ontogeny recapitulates phylogeny路线图为：

1）（从MNIST到Stable Diffusion）的AI历史中下载下一模型。
2）解决任意模型大小或量化问题，实现任意新节点或gadgets。
3）重复以上流程。

并辅以：

Optimization：优化性能。
Aggregation：将多个proof合并为一个proof，只需检查合并后的那个proof。会受限于内存，从而限制模型大小。
Recursion：在新的snark中验证前一snark proof，可为每个layer做不同的proof。会受限于内存，从而限制模型大小。
Fusion：对以python表示的机器学习模型和 ZKP系统进行融合。

3.2.3 链上验证

以太坊链上受限于预编译合约及gas开销，很多proof策略最终都基于BN128曲线。
在这里插入图片描述

4. ZKML为链的table stakes

ZKML可：

1）向广大受众兑现区块链的promise将需要更强大但仍然是去中心化的身份解决方案。
- 全身份解决方案已有几年的时间，但增长将很快。如基于abstraction account的ZKP。
2）ZKML Oracles将更简单、快速、扩容性更强：
- 可将任意链下数据推到链上
- 打开消防水管获取链上数据
3）ZKML模型为“智能裁判”，可理解歧义事件。

5. ZKML示例

ZKML可用于：

1）ZK KYC
2）预测市场
3）智能合约的全面检查
4）AI + DAO
5）ZK + MPC：基因筛选
6）ZKML + 差分隐私：人口普查
7）ZK Vaults
8）NPC-wars

5.1 ZK KYC

ZK KYC用于：

证明人与id匹配，且该id未被制裁。
监管机构不会接受KYC
但可阻止tornado制裁

5.2 预测市场

ZKML用于预测市场，是指：

采用小模型对文本进行分了
构建某智能合约，若某新闻故事预测正确则获得相应的收入（如选举结果、飓风强度、covid变种等）。
任何人都可下载已签名的故事，运行模型，并提交proof。

5.3 智能合约的全面检查

ZKML用于智能合约的全面检查，是指：

对智能合约或 abstracted account 的不正常行为添加ZKML fraud/spam check。

5.4 AI + DAO

ZKML用于DAO，是指：

将现有的人类判断、投票、使用多签签署，替换为，链上AI自动化，如合约履行。

5.5 ZK + MPC：基因筛选

ZK + MPC：基因筛选，是指：

病人想要预测（如发生基因突变的概率），但想要匿名检查，可选择是否以及对谁公开。
筛选模型基于可控数据训练，不对外公开。
模型对模型owner来说是私有的，而数据对病人来说是私有的。
模型owner 和病人可在MPC中证明推理，仅公开输出结果，且病人获得认证预测结果。

5.6 ZKML + 差分隐私：人口普查

ZKML + 差分隐私：人口普查，是指：

1）定期将秘密真实数据的承诺值对外公开（不泄露任何信息）
2）对于哪些客户端可免费做原型分析，服务端可创建differentially-private noisy marginal summary：
- 客户端在本地迭代summary，选择模型M，并发送给data owner（即服务端）。
3）服务端基于真实的全表数据，以ZK模式运行模型，将结果返回给客户端，并向客户端证明：
- 3.1）真实数据与承诺值匹配；
- 3.2）使用了该真实数据来创建的noisy marginal summary。
- 3.3）当基于模型M运行真实数据时，其生成的即为所返回的结果。

5.7 ZK Vaults

ZK Vaults，是指：

像Arrakis（锁仓量为4.6亿美金）协议，可选择：
- trustless vaults：由预定义的0x…作为管理者，trustless vaults支持LP以无需信任且自动化的方式管理其流动性，与Curve V2方式类似。trustless vaults可为动态的或静态的。
- managed vaults：由专业做市商以更成熟的策略链下运行，需信任该做市商。managed vaults使得LP可享受最先进的做市策略。
引入ZK来实现：自动化、无需信任的成熟链下策略。
公开策略（如看涨期权vaults、简单的投资组合）可为完全无需信任的，可供任何人运行的。
或，管理者可对某策略进行承诺，在不泄露策略内容的情况下，避免rug pull/style drift。
在对应某DeFi协议的某Uniswap V3 position manager中正在试点。

5.8）NPC-wars

https://github.com/omurovec/npc-wars（TypeScript + Solidity + Rust）为：

允许用户在链上竞争各自AI模型的App。
用户可通过EZKL API上传其onnx文件，EZKL会生成verifier字节码并返回供用户部署。然后用户可创建竞赛或者参与已有竞赛。
为避免作弊，会确保用户部署完其verifier合约之后，才可提交竞争。
当所有用户都参与之后，会提交正确结果的哈希值。
所有用户都提交其答案以及相应proof。
一旦所有人都提交了答案，winner可claim其stake。

参考资料

[1] 2022年11月Jason Morton在DevCon 6上分享视频Zero Knowledge Machine Learning
[2] 2023年3月Jason Morton 分享视频 How to build and deploy on-chain AI/ML with zero-knowledge machine learning with Jason Morton