Chi è Cynthia Dwork e qual è il suo ruolo nel Proof of Work?

Chi è Cynthia Dwork?

Cynthia Dwork è una scienziata informatica teorica americana che ha svolto un lavoro importante su crittografia, privacy, sistemi distribuiti e Proof of Work. È soprattutto conosciuta come una delle fondatrici centrali della differential privacy: un modo per ricavare statistiche da dati sensibili senza rivelare troppo chiaramente l’influenza di una singola persona.

È Gordon McKay Professor of Computer Science ad Harvard. Inoltre è affiliata alla Harvard Law School e al dipartimento di statistica di Harvard. In passato ha lavorato come ricercatrice, tra gli altri, al MIT, IBM, Compaq Systems Research Center e Microsoft Research.

Il suo lavoro ruota spesso attorno a una domanda difficile ma importante: come fai a far elaborare ai computer e ai sistemi informazioni utili senza renderli inaffidabili, ingiusti o inutilmente sensibili dal punto di vista della privacy? È un tema rilevante ben oltre crypto, ma tocca anche idee che in seguito sono diventate importanti per la blockchain.

Nel Proof of Work, Dwork ebbe un ruolo iniziale e fondamentale. Insieme a Moni Naor propose all’inizio degli anni Novanta un sistema in cui una persona deve prima svolgere una piccola quantità di lavoro computazionale prima di poter usare una risorsa informatica condivisa. L’idea serviva a contrastare spam e abusi, non a far funzionare una blockchain. Eppure dentro c’è la stessa idea di base: produrre il lavoro costa fatica, ma verificare che quel lavoro sia stato fatto è relativamente facile.

In breve

• Cynthia Dwork è una scienziata informatica che lavora su crittografia, privacy e sistemi distribuiti.
• È una delle fondatrici centrali della differential privacy, insieme ad altri ricercatori.
• Dwork lavora come professoressa di informatica ad Harvard.
• Lei e Moni Naor idearono presto un sistema in cui il lavoro computazionale doveva frenare spam e abusi.
• Quel sistema fu un precursore concettuale del Proof of Work, ma non un progetto per Bitcoin o blockchain.

Quale formazione e background ha Cynthia Dwork?

Dwork ha studiato Electrical Engineering and Computer Science alla Princeton University e lì ha conseguito con lode il suo BSE nel 1979. Dopo ha continuato con la computer science alla Cornell University, dove ha completato il master nel 1981 e ha ottenuto il dottorato nel 1983.

Dopo il dottorato ha lavorato da maggio 1983 a maggio 1985 come ricercatrice postdoc al MIT Laboratory for Computer Science. In seguito ha costruito una lunga carriera di ricerca, sia nel mondo accademico sia in grandi laboratori di ricerca dell’industria.

Questa combinazione è piuttosto notevole. Non ha lavorato solo su questioni teoriche, ma anche su idee che dovevano essere utili in sistemi informatici reali. Da gennaio 2017 è professoressa di informatica ad Harvard.

Quali contributi ha dato Cynthia Dwork alla computer science?

Dwork ha dato contributi importanti a diverse aree della computer science. Un tema ricorrente è l’affidabilità: come fai a far funzionare bene un sistema quando i computer sono lenti, commettono errori o non si fidano completamente l’uno dell’altro?

Insieme a Nancy Lynch e Larry Stockmeyer ha studiato, per esempio, il consensus sotto partial synchrony. Consensus qui significa, in parole semplici, che diversi computer devono mettersi d’accordo sullo stesso risultato. Partial synchrony significa che non sai esattamente quanto velocemente arrivano i messaggi, ma non devi nemmeno assumere che tutto sia sempre ritardato all’infinito.

Sembra tecnico, ma è un problema familiare nelle reti. Se più computer tengono insieme un registro condiviso, alla fine devono accettare la stessa versione. Anche le blockchain hanno bisogno di una forma di accordo di questo tipo.

Dwork ha inoltre lavorato con Danny Dolev e Moni Naor sulla non-malleable cryptography. È una crittografia in cui un attaccante non può modificare un messaggio cifrato in modo utile per creare un nuovo messaggio correlato. Inoltre ha contribuito, tra le altre cose, alla lattice-based encryption, ai protocolli crittografici, al Proof of Work e all'algorithmic fairness.

Il suo contributo più noto alla privacy è la differential privacy. Questa linea di ricerca è stata sviluppata insieme, tra gli altri, a Frank McSherry, Kobbi Nissim e Adam Smith.

Che cos’è la differential privacy?

La differential privacy è un modo matematico per limitare quanto rischio aggiuntivo per la privacy corre una persona solo perché compare in un dataset. Quindi l’obiettivo non è dare ai dati un’etichetta vaga come “anonimo”. Si tratta di una garanzia concreta su ciò che un’analisi può o non può rivelare troppo.

Il principio di base è semplice da spiegare: un risultato dovrebbe restare più o meno uguale se aggiungi o togli i dati di una sola persona. Se il contributo di un singolo partecipante cambia appena il risultato pubblicato, diventa molto più difficile ricavare qualcosa di affidabile su quella persona da quel risultato.

Esempio: immagina che un ricercatore voglia pubblicare quante persone in un grande gruppo rispondono “sì” a una certa domanda. Con la differential privacy, il conteggio pubblicato può avere una piccola deviazione casuale. Così continui a vedere una tendenza utile nell’intero gruppo, ma il contributo di una singola persona emerge meno chiaramente.

Importante da sapere: la differential privacy non significa che tutti i dati sottostanti siano segreti o che un dataset sia automaticamente sicuro. La protezione vale per l’output di un’analisi progettata con attenzione.

Come funziona la differential privacy?

La differential privacy funziona con un meccanismo randomizzato. In pratica è un metodo che non dà sempre esattamente lo stesso risultato, perché dentro c’è volutamente un po’ di casualità. Un meccanismo del genere può, per esempio, pubblicare un conteggio, una media o un’altra statistica.

Nella pratica si aggiunge spesso rumore. Il rumore è una piccola deviazione casuale nel risultato. Quanto rumore serve dipende dalla sensibilità del calcolo: l’influenza massima che una singola riga del dataset può avere sul risultato.

Immagina di contare quante persone rispondono “sì” a qualcosa. Una persona può cambiare quel conteggio al massimo di 1. La sensibilità in quel caso è bassa. In un calcolo in cui un singolo input può avere un’influenza molto più grande, serve più protezione.

La regola formale confronta due dataset quasi uguali: dataset D e dataset D'. L’unica differenza è che D' contiene oppure no i dati di una sola persona. Per ogni possibile insieme di risultati S, la probabilità di ottenere un risultato nei due casi deve restare vicina:

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

Non devi imparare questa formula a memoria. M è il meccanismo che esegue l’analisi. Il valore epsilon indica quanta differenza massima può esserci tra le probabilità dei risultati. Un epsilon più piccolo significa in generale una garanzia di privacy più forte, ma spesso anche statistiche meno precise.

Esiste anche una variante molto usata con epsilon e delta:

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

Delta è una piccola probabilità di errore aggiuntiva. Il compromesso pratico resta lo stesso: più privacy di solito richiede più rumore o un’altra limitazione, mentre gli utenti spesso vogliono numeri il più precisi possibile.

Quale ruolo ha avuto Cynthia Dwork nello sviluppo del Proof of Work?

Cynthia Dwork, insieme a Moni Naor, ha posto una base iniziale importante per l’idea dietro il Proof of Work. Il loro lavoro, presentato nel 1992 e pubblicato nel 1993, si chiamava Pricing via Processing or Combatting Junk Mail.

La loro proposta era semplice: prima di ottenere accesso a una risorsa informatica condivisa, una persona deve prima eseguire un calcolo moderatamente difficile. Quel calcolo non deve essere impossibile, ma deve comunque costare abbastanza tempo e potenza di calcolo da rendere poco attraente l’abuso su larga scala.

Pensa a uno spammer che vuole inviare un milione di messaggi. Se ogni messaggio richiede un piccolo problema computazionale, il costo per un singolo messaggio può sembrare quasi irrilevante. Ma su un milione di messaggi si accumula in fretta. Per il destinatario, poi, la prova è molto più facile da verificare di quanto non sia per il mittente produrla.

Proprio questa asimmetria è il cuore del Proof of Work: produrre richiede fatica, verificare è economico. In seguito Dwork ha continuato a lavorare anche su prove di sforzo computazionale facili da controllare, tra le altre cose come difesa contro gli attacchi denial-of-service. In un attacco del genere, qualcuno cerca di rendere un servizio irraggiungibile sommergendolo di richieste.

È però importante tenere ben distinto il concetto. Dwork e Naor non hanno progettato il Bitcoin mining né un protocollo di consenso per blockchain. La loro proposta riguardava il rallentamento dello spam e degli abusi nei sistemi condivisi. Il termine “proofs of work” è stato usato solo più tardi per questo tipo di idee.

Perché Cynthia Dwork è rilevante per blockchain e privacy?

Dwork è rilevante per la blockchain perché il suo lavoro iniziale mostra come proteggere sistemi aperti dall’abuso di massa a basso costo. Se chiunque può inviare richieste illimitate senza costi, una sola parte può facilmente mettere sotto pressione un sistema. Un piccolo costo computazionale per richiesta cambia questo equilibrio.

Bitcoin ha poi usato il Proof of Work in un contesto molto diverso. Lì il lavoro computazionale aiuta una rete peer-to-peer a ordinare le transazioni e ad aggiungere blocchi a una blockchain. I miner competono per trovare un lavoro computazionale valido. Bitcoin ha usato per questo un sistema che si collega in modo specifico a Hashcash, non il progetto esatto di Dwork e Naor.

Puoi quindi vedere il loro lavoro come un precursore concettuale. Conteneva già l’idea di costi computazionali verificabili, ma non l’aggiustamento della difficoltà, la competizione tra miner, la selezione di una catena o gli incentivi economici che fanno parte di Bitcoin.

Per la privacy, la sua influenza è ancora più diretta. Organizzazioni, crypto wallet, ricercatori e protocolli possono essere interessati ad analisi di dati degli utenti o delle transazioni. La differential privacy può aiutare a condividere informazioni statistiche proteggendo meglio il contributo di una singola persona.

Ma anche qui c’è un limite importante: la differential privacy non rende automaticamente privata una blockchain pubblica. Il metodo protegge solo il risultato di una specifica analisi progettata bene. Le transazioni che sono già pubbliche su una blockchain non spariscono per questo.

Di cosa si occupa oggi Cynthia Dwork?

Cynthia Dwork è attualmente Gordon McKay Professor of Computer Science ad Harvard ed è anche affiliata alla Harvard Law School e al dipartimento di statistica. Il suo lavoro recente resta all’incrocio tra privacy, algorithmic fairness, calcolo responsabile e dati statistici.

Si occupa tra le altre cose di temi come synthetic census data, scambi di dati nei dati del censimento, multicalibration, machine learning con differential privacy e reti professionali eque. La multicalibration è una tecnica per far sì che le previsioni non siano solo corrette in media, ma anche più accurate per gruppi diversi.

È coinvolta anche nella ricerca sulla teoria dell'algorithmic fairness e del calcolo responsabile. Il suo precedente incarico presso Microsoft Research è terminato nel 2023; al momento della sua uscita, il suo titolo era Distinguished Scientist.

Conclusione

Cynthia Dwork non è la progettista di Bitcoin, ma il suo lavoro con Moni Naor ha dato presto forma a un’idea che in seguito è diventata essenziale per i sistemi Proof-of-Work: chi vuole usare un sistema aperto può dover prima svolgere un lavoro computazionale dimostrabile. Questo rende più costoso l’abuso su larga scala, mentre il controllo resta facile.

Altrettanto importante è il suo lavoro sulla differential privacy. Con quello ha contribuito a rendere più chiara una domanda pratica: come ricavi informazioni utili da dati sensibili senza rendere troppo riconoscibile una singola persona? Proprio la combinazione di crittografia, sistemi affidabili, costi computazionali e privacy rende il suo lavoro storicamente rilevante per crypto e blockchain.