¿Quién es Cynthia Dwork y cuál es su papel en Proof of Work?

¿Quién es Cynthia Dwork?

Cynthia Dwork es una científica informática teórica estadounidense que realizó un trabajo importante en torno a la criptografía, la privacidad, los sistemas distribuidos y Proof of Work. Es especialmente conocida como una de las fundadoras centrales de la privacidad diferencial: una forma de extraer estadísticas de datos sensibles sin revelar con demasiada claridad la influencia de una sola persona.

Es Gordon McKay Professor of Computer Science en Harvard. Además, está vinculada a Harvard Law School y al departamento de estadística de Harvard. Anteriormente trabajó como investigadora en MIT, IBM, Compaq Systems Research Center y Microsoft Research, entre otros.

Su trabajo suele girar en torno a una pregunta difícil pero importante: ¿cómo hacer que los ordenadores y los sistemas procesen información útil sin volverse poco fiables, injustos o innecesariamente sensibles desde el punto de vista de la privacidad? Esto es relevante mucho más allá de crypto, pero también toca ideas que más tarde se volvieron importantes para blockchain.

En Proof of Work, Dwork tuvo un papel temprano y fundamental. Junto con Moni Naor, propuso a principios de los años noventa un sistema en el que una persona primero debe realizar una pequeña cantidad de trabajo computacional antes de poder usar un recurso informático compartido. La idea estaba pensada para combatir el spam y el abuso, no para hacer funcionar una blockchain. Sin embargo, contiene la misma idea básica: producir trabajo cuesta esfuerzo, pero comprobar que ese trabajo se ha realizado es relativamente fácil.

Puntos clave

• Cynthia Dwork es una científica informática que trabaja en criptografía, privacidad y sistemas distribuidos.
• Es una de las fundadoras centrales de la privacidad diferencial, junto con otros investigadores.
• Dwork trabaja como profesora de informática en Harvard.
• Ella y Moni Naor idearon pronto un sistema en el que el trabajo computacional debía frenar el spam y el abuso.
• Ese sistema fue un precursor conceptual de Proof of Work, pero no un diseño para Bitcoin o blockchain.

¿Qué formación y antecedentes tiene Cynthia Dwork?

Dwork estudió Electrical Engineering and Computer Science en Princeton University y obtuvo allí su BSE con honores en 1979. Después continuó con informática en Cornell University, donde completó su máster en 1981 y se doctoró en 1983.

Tras su doctorado, trabajó de mayo de 1983 a mayo de 1985 como investigadora posdoctoral en el MIT Laboratory for Computer Science. A continuación, desarrolló una larga carrera de investigación, tanto en el ámbito académico como en grandes laboratorios de investigación de la industria.

Esa combinación resulta bastante llamativa. No solo trabajó en cuestiones teóricas, sino también en ideas que debían ser útiles en sistemas informáticos reales. Desde enero de 2017 es profesora de informática en Harvard.

¿Qué contribuciones realizó Cynthia Dwork a la informática?

Dwork realizó contribuciones importantes a varias áreas de la informática. Un tema recurrente es la fiabilidad: ¿cómo se consigue que un sistema siga funcionando bien cuando los ordenadores son lentos, cometen errores o no pueden confiar plenamente unos en otros?

Junto con Nancy Lynch y Larry Stockmeyer, por ejemplo, investigó el consenso bajo sincronía parcial. Aquí, consenso significa de forma sencilla que distintos ordenadores deben ponerse de acuerdo sobre el mismo resultado. Sincronía parcial significa que no se sabe exactamente con qué rapidez llegan los mensajes, pero tampoco es necesario asumir que todo está siempre retrasado indefinidamente.

Eso suena técnico, pero es un problema reconocible en las redes. Si varios ordenadores mantienen juntos una administración compartida, al final deben aceptar la misma versión. Las blockchains también necesitan una forma de acuerdo de este tipo.

Además, Dwork trabajó con Danny Dolev y Moni Naor en criptografía no maleable. Se trata de una criptografía en la que un atacante no puede modificar un mensaje cifrado de una manera útil para crear con ello un nuevo mensaje relacionado. También contribuyó, entre otras cosas, a la criptografía basada en retículas, los protocolos criptográficos, Proof of Work y la equidad algorítmica.

Su contribución más conocida en materia de privacidad es la privacidad diferencial. Esta línea de investigación la desarrolló junto con Frank McSherry, Kobbi Nissim y Adam Smith, entre otros.

¿Qué es la privacidad diferencial?

La privacidad diferencial es una forma matemática de limitar cuánto riesgo adicional para la privacidad asume una persona por aparecer en un conjunto de datos. Por tanto, el objetivo no es simplemente dar a los datos una etiqueta vaga como «anónimos». Se trata de una garantía concreta sobre lo que un análisis puede y no puede revelar en exceso.

La idea central es fácil de explicar: un resultado debe permanecer aproximadamente igual si se añaden o se eliminan los datos de una sola persona. Si un participante individual apenas puede cambiar el resultado publicado, resulta mucho más difícil deducir algo fiable sobre esa persona a partir de ese resultado.

Ejemplo: Supongamos que un investigador quiere publicar cuántas personas de un grupo grande responden «sí» a una determinada pregunta. Con privacidad diferencial, el recuento publicado puede recibir una pequeña desviación aleatoria. Así, sigue viéndose una tendencia útil en todo el grupo, pero la contribución de una sola persona destaca menos claramente.

Es importante saber lo siguiente: la privacidad diferencial no significa que todos los datos subyacentes sean secretos ni que un conjunto de datos sea automáticamente seguro. La protección se aplica al resultado de un análisis cuidadosamente diseñado.

¿Cómo funciona la privacidad diferencial?

La privacidad diferencial funciona con un mecanismo aleatorizado. Esto no es más que un método que no siempre da exactamente el mismo resultado, porque incorpora deliberadamente un poco de azar. Un mecanismo de este tipo puede, por ejemplo, publicar un recuento, una media u otra estadística.

En la práctica, a menudo se añade ruido. El ruido es una pequeña desviación aleatoria en el resultado. La cantidad de ruido necesaria depende de la sensibilidad del cálculo: la influencia máxima que una sola fila del conjunto de datos puede tener sobre el resultado.

Supongamos que cuenta cuántas personas responden «sí» a algo. Una sola persona puede cambiar ese recuento como máximo en 1. En ese caso, la sensibilidad es baja. En un cálculo en el que una sola entrada puede tener una influencia mucho mayor, se necesita más protección.

La regla formal compara dos conjuntos de datos casi iguales: el conjunto D y el conjunto D'. La única diferencia es que D' contiene o no contiene los datos de una sola persona. Para cualquier conjunto posible de resultados S, la probabilidad de obtener un resultado en ambos casos debe estar muy próxima:

Pr[M(D) in S] <= exp(epsilon) × Pr[M(D') in S]

No es necesario memorizar esta fórmula. M es el mecanismo que realiza el análisis. El valor epsilon indica cuánta diferencia máxima puede haber entre las probabilidades de los resultados. En general, un epsilon más pequeño significa una garantía de privacidad más estricta, pero a menudo también estadísticas menos precisas.

También existe una variante muy utilizada con epsilon y delta:

Pr[M(D) in S] <= exp(epsilon) × Pr[M(D') in S] + delta

Delta representa una pequeña probabilidad adicional de error. La compensación práctica sigue siendo la misma: más privacidad suele requerir más ruido o alguna otra limitación, mientras que los usuarios suelen querer cifras lo más precisas posible.

¿Qué papel desempeñó Cynthia Dwork en el desarrollo de Proof of Work?

Cynthia Dwork sentó junto con Moni Naor una base temprana importante para la idea detrás de Proof of Work. Su trabajo, presentado en 1992 y publicado en 1993, se tituló Pricing via Processing or Combatting Junk Mail.

Su propuesta era sencilla: antes de que alguien obtenga acceso a un recurso informático compartido, esa persona debe realizar primero un cálculo moderadamente difícil. Ese cálculo no debe ser imposible, pero sí debe costar suficiente tiempo y capacidad de procesamiento como para hacer poco atractivo el abuso masivo.

Piense en un spammer que quiere enviar un millón de mensajes. Si cada mensaje requiere un pequeño problema computacional, esos costes quizá apenas se noten en un solo mensaje. Pero con un millón de mensajes se acumulan rápidamente. Para el receptor, la prueba resulta mucho más fácil de verificar que para el remitente de producir.

Precisamente esa asimetría es el núcleo de Proof of Work: producir cuesta esfuerzo, verificar es barato. Más adelante, Dwork siguió trabajando también en pruebas de esfuerzo computacional que son fáciles de verificar, entre otras cosas como protección contra ataques de denegación de servicio. En un ataque de este tipo, alguien intenta dejar un servicio inaccesible saturándolo con solicitudes.

No obstante, es importante mantener clara la distinción. Dwork y Naor no diseñaron la minería de Bitcoin ni un protocolo de consenso de blockchain. Su propuesta trataba de frenar el spam y el abuso de sistemas compartidos. El término «proofs of work» se utilizó más tarde para este tipo de ideas.

¿Por qué es relevante Cynthia Dwork para blockchain y la privacidad?

Dwork es relevante para blockchain porque su trabajo temprano muestra cómo proteger sistemas abiertos frente al abuso masivo de bajo coste. Si cualquiera puede enviar solicitudes ilimitadas sin coste, una sola parte puede sobrecargar fácilmente un sistema. Un pequeño coste computacional por solicitud cambia ese equilibrio.

Bitcoin utilizó más tarde Proof of Work en un contexto muy distinto. Allí, el trabajo computacional ayuda a una red peer-to-peer a ordenar transacciones y añadir bloques a una blockchain. Los mineros compiten para encontrar trabajo computacional válido. Bitcoin utilizó para ello un sistema que se ajusta específicamente a Hashcash, no el diseño exacto de Dwork y Naor.

Por tanto, puede considerarse su trabajo como un precursor conceptual. Ya contenía la idea de costes computacionales verificables, pero no el ajuste de dificultad, la competencia de minería, la selección de una cadena ni los incentivos económicos que forman parte de Bitcoin.

Para la privacidad, su influencia es aún más directa. Las organizaciones, las carteras de criptomonedas, los investigadores y los protocolos pueden estar interesados en análisis de datos de usuarios o transacciones. La privacidad diferencial puede ayudar a compartir información estadística y, al mismo tiempo, proteger mejor la contribución de una sola persona.

Pero aquí también existe un límite importante: la privacidad diferencial no hace que una blockchain pública sea automáticamente privada. El método solo protege el resultado de un análisis específico que esté bien diseñado. Las transacciones que ya son públicas en una blockchain no desaparecen por ello de la vista.

¿En qué trabaja actualmente Cynthia Dwork?

Cynthia Dwork es actualmente Gordon McKay Professor of Computer Science en Harvard y además está vinculada a Harvard Law School y al departamento de estadística. Su trabajo reciente sigue situándose en la intersección de la privacidad, la equidad algorítmica, el cálculo responsable y los datos estadísticos.

Entre otras cosas, trabaja en temas como datos censales sintéticos, intercambios de datos en información de censos, multicalibración, aprendizaje automático con privacidad diferencial y redes profesionales justas. La multicalibración es una técnica para que las predicciones no solo sean correctas en promedio, sino también más precisas para distintos grupos.

También participa en investigaciones sobre la teoría de la equidad algorítmica y el cálculo responsable. Su relación laboral anterior con Microsoft Research terminó en 2023; al dejarla, su cargo era el de Distinguished Scientist.

Conclusión

Cynthia Dwork no es la diseñadora de Bitcoin, pero su trabajo con Moni Naor sí dio forma temprana a una idea que más tarde sería esencial para los sistemas de Proof of Work: quien quiera usar un sistema abierto puede tener que realizar primero un trabajo computacional demostrable. Eso encarece el abuso a gran escala, mientras que la verificación sigue siendo fácil.

Igual de importante es su trabajo sobre la privacidad diferencial. Con él ayudó a plantear con claridad una pregunta práctica: ¿cómo extraer información útil de datos sensibles sin que una sola persona resulte demasiado identificable? Precisamente la combinación de criptografía, sistemas fiables, costes computacionales y privacidad hace que su trabajo sea históricamente relevante para crypto y blockchain.