Wie is Cynthia Dwork en wat is haar rol bij Proof of Work?

Wie is Cynthia Dwork?

Cynthia Dwork is een Amerikaans theoretisch computerwetenschapper die belangrijk werk deed rond cryptografie, privacy, gedistribueerde systemen en Proof of Work. Ze is vooral bekend als een centrale grondlegger van differentiële privacy: een manier om statistieken uit gevoelige data te halen zonder de invloed van één persoon te duidelijk prijs te geven.

Ze is Gordon McKay Professor of Computer Science aan Harvard. Daarnaast is ze verbonden aan Harvard Law School en de afdeling statistiek van Harvard. Eerder werkte ze als onderzoeker bij onder meer MIT, IBM, Compaq Systems Research Center en Microsoft Research.

Haar werk gaat vaak over een lastige maar belangrijke vraag: hoe laat je computers en systemen nuttige informatie verwerken, zonder dat ze onbetrouwbaar, oneerlijk of onnodig privacygevoelig worden? Dat is relevant ver buiten crypto, maar raakt ook ideeën die later belangrijk werden voor blockchain.

Bij Proof of Work had Dwork een vroege, fundamentele rol. Samen met Moni Naor stelde ze begin jaren negentig een systeem voor waarbij iemand eerst een kleine hoeveelheid rekenwerk moet doen voordat diegene een gedeelde computerresource mag gebruiken. Het idee was bedoeld om spam en misbruik tegen te gaan, niet om een blockchain te laten draaien. Toch zit dezelfde basisgedachte erin: werk maken kost moeite, maar controleren of dat werk is gedaan is relatief makkelijk.

Korte samenvatting

• Cynthia Dwork is een computerwetenschapper die werkt rond cryptografie, privacy en gedistribueerde systemen.
• Ze is een centrale grondlegger van differentiële privacy, samen met andere onderzoekers.
• Dwork werkt als hoogleraar computerwetenschap aan Harvard.
• Zij en Moni Naor bedachten vroeg een systeem waarbij rekenwerk spam en misbruik moest afremmen.
• Dat systeem was een conceptuele voorloper van Proof of Work, maar geen ontwerp voor Bitcoin of blockchain.

Welke opleiding en achtergrond heeft Cynthia Dwork?

Dwork studeerde Electrical Engineering and Computer Science aan Princeton University en behaalde daar in 1979 met onderscheiding haar BSE. Daarna ging ze verder met computerwetenschap aan Cornell University, waar ze in 1981 haar master afrondde en in 1983 promoveerde.

Na haar promotie werkte ze van mei 1983 tot mei 1985 als postdoctoraal onderzoeker bij het MIT Laboratory for Computer Science. Vervolgens bouwde ze een lange onderzoekscarrière op, zowel in de academische wereld als bij grote onderzoekslabs in de industrie.

Die combinatie is best opvallend. Ze werkte niet alleen aan theoretische vragen, maar ook aan ideeën die bruikbaar moesten zijn in echte computersystemen. Sinds januari 2017 is ze hoogleraar computerwetenschap aan Harvard.

Welke bijdragen leverde Cynthia Dwork aan computerwetenschap?

Dwork leverde belangrijke bijdragen aan verschillende delen van computerwetenschap. Een terugkerend thema is betrouwbaarheid: hoe zorg je dat een systeem goed blijft werken als computers traag zijn, fouten maken of elkaar niet volledig kunnen vertrouwen?

Samen met Nancy Lynch en Larry Stockmeyer onderzocht ze bijvoorbeeld consensus onder gedeeltelijke synchronie. Consensus betekent hier simpel gezegd dat verschillende computers het eens moeten worden over dezelfde uitkomst. Gedeeltelijke synchronie betekent dat je niet precies weet hoe snel berichten aankomen, maar ook niet hoeft aan te nemen dat alles altijd eindeloos vertraagd is.

Dat klinkt technisch, maar het is een herkenbaar probleem bij netwerken. Als meerdere computers samen een gedeelde administratie bijhouden, moeten ze uiteindelijk dezelfde versie accepteren. Ook blockchains hebben zo’n vorm van overeenstemming nodig.

Dwork werkte daarnaast met Danny Dolev en Moni Naor aan non-malleable cryptography. Dat is cryptografie waarbij een aanvaller een versleuteld bericht niet op een bruikbare manier kan aanpassen om daarmee een gerelateerd nieuw bericht te maken. Verder droeg ze bij aan onder meer lattice-based encryption, cryptografische protocollen, Proof of Work en algorithmic fairness.

Haar bekendste privacybijdrage is differentiële privacy. Die onderzoekslijn ontwikkelde ze samen met onder anderen Frank McSherry, Kobbi Nissim en Adam Smith.

Wat is differentiële privacy?

Differentiële privacy is een wiskundige manier om te begrenzen hoeveel extra privacyrisico iemand loopt door in een dataset te staan. Het doel is dus niet om data zomaar een vaag label als ‘anoniem’ te geven. Het gaat om een concrete garantie over wat een analyse wel en niet te veel kan onthullen.

De kern is eenvoudig uit te leggen: een uitkomst moet ongeveer hetzelfde blijven als je de gegevens van één persoon toevoegt of weghaalt. Als één individuele deelnemer de gepubliceerde uitkomst nauwelijks kan veranderen, wordt het veel lastiger om uit die uitkomst iets betrouwbaars over die ene persoon af te leiden.

Voorbeeld: Stel dat een onderzoeker wil publiceren hoeveel mensen in een grote groep een bepaalde vraag met ‘ja’ beantwoorden. Met differentiële privacy kan de gepubliceerde telling een kleine willekeurige afwijking krijgen. Je ziet dan nog steeds een bruikbare trend in de hele groep, maar de bijdrage van één persoon springt er minder duidelijk uit.

Belangrijk om te weten: differentiële privacy betekent niet dat alle onderliggende gegevens geheim zijn of dat een dataset automatisch veilig is. De bescherming geldt voor de uitvoer van een zorgvuldig ontworpen analyse.

Hoe werkt differentiële privacy?

Differentiële privacy werkt met een gerandomiseerd mechanisme. Dat is gewoon een methode die niet altijd exact dezelfde uitkomst geeft, omdat er bewust een beetje toeval in zit. Zo’n mechanisme kan bijvoorbeeld een telling, gemiddelde of andere statistiek publiceren.

In de praktijk wordt vaak ruis toegevoegd. Ruis is een kleine willekeurige afwijking in de uitkomst. Hoeveel ruis nodig is, hangt af van de gevoeligheid van de berekening: de maximale invloed die één rij in de dataset op de uitkomst kan hebben.

Stel dat je telt hoeveel mensen ergens ‘ja’ op antwoorden. Eén persoon kan die telling maximaal met 1 veranderen. De gevoeligheid is dan laag. Bij een berekening waarin één invoer een veel grotere invloed kan hebben, is meer bescherming nodig.

De formele regel vergelijkt twee bijna gelijke datasets: dataset D en dataset D'. Het enige verschil is dat D' de gegevens van één persoon wel of niet bevat. Voor elke mogelijke verzameling uitkomsten S moet de kans op een uitkomst in beide gevallen dicht bij elkaar liggen:

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

Je hoeft die formule niet uit je hoofd te leren. M is het mechanisme dat de analyse uitvoert. De waarde epsilon geeft aan hoeveel verschil er maximaal mag zitten tussen de kansen op uitkomsten. Een kleinere epsilon betekent in het algemeen een strengere privacygarantie, maar vaak ook minder nauwkeurige statistieken.

Er bestaat ook een veelgebruikte variant met epsilon en delta:

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

Delta is daarbij een kleine extra foutkans. De praktische afweging blijft hetzelfde: meer privacy vraagt meestal om meer ruis of een andere beperking, terwijl gebruikers vaak juist zo nauwkeurig mogelijke cijfers willen.

Welke rol speelde Cynthia Dwork bij de ontwikkeling van Proof of Work?

Cynthia Dwork legde samen met Moni Naor een belangrijke vroege basis voor het idee achter Proof of Work. Hun werk, gepresenteerd in 1992 en gepubliceerd in 1993, heette Pricing via Processing or Combatting Junk Mail.

Hun voorstel was simpel: voordat iemand toegang krijgt tot een gedeelde computerresource, moet diegene eerst een matig moeilijke berekening uitvoeren. Die berekening mag niet onmogelijk zijn, maar moet wel net genoeg tijd en rekenkracht kosten om massaal misbruik onaantrekkelijk te maken.

Denk aan een spammer die één miljoen berichten wil versturen. Als elk bericht een klein rekenprobleem vereist, worden die kosten bij één bericht misschien nauwelijks merkbaar. Maar bij een miljoen berichten stapelen ze snel op. Voor de ontvanger is het bewijs vervolgens veel makkelijker te controleren dan voor de verzender om te maken.

Precies die asymmetrie is de kern van Proof of Work: produceren kost moeite, verifiëren is goedkoop. Dwork bleef later ook werken aan bewijzen van computationele inspanning die makkelijk te controleren zijn, onder meer als bescherming tegen denial-of-serviceaanvallen. Bij zo’n aanval probeert iemand een dienst onbereikbaar te maken door die te overspoelen met verzoeken.

Wel is het belangrijk om het onderscheid scherp te houden. Dwork en Naor ontwierpen geen Bitcoin-mining en ook geen blockchain-consensusprotocol. Hun voorstel ging over het afremmen van spam en misbruik van gedeelde systemen. De term ‘proofs of work’ werd pas later gebruikt voor dit soort ideeën.

Waarom is Cynthia Dwork relevant voor blockchain en privacy?

Dwork is relevant voor blockchain omdat haar vroege werk laat zien hoe je open systemen kunt beschermen tegen goedkoop massaal misbruik. Als iedereen zonder kosten onbeperkt verzoeken kan sturen, kan één partij een systeem makkelijk belasten. Een kleine computationele kost per verzoek verandert dat speelveld.

Bitcoin gebruikte Proof of Work later in een heel andere context. Daar helpt rekenwerk een peer-to-peer netwerk om transacties te ordenen en blokken aan een blockchain toe te voegen. Miners concurreren daarbij om geldig rekenwerk te vinden. Bitcoin gebruikte hiervoor een systeem dat specifiek aansluit bij Hashcash, niet het exacte ontwerp van Dwork en Naor.

Je kunt hun werk dus zien als een conceptuele voorloper. Het bevatte al het idee van verifieerbare computationele kosten, maar niet de moeilijkheidsaanpassing, miningcompetitie, selectie van een keten of economische prikkels die bij Bitcoin horen.

Voor privacy is haar invloed nog directer. Organisaties, crypto wallets, onderzoekers en protocollen kunnen geïnteresseerd zijn in analyses van gebruikers- of transactiedata. Differentiële privacy kan helpen om statistische inzichten te delen en tegelijk de bijdrage van één persoon beter te beschermen.

Maar ook hier geldt een belangrijke grens: differentiële privacy maakt een publieke blockchain niet automatisch privé. De methode beschermt alleen de uitkomst van een specifieke analyse die goed is ontworpen. Transacties die al openbaar op een blockchain staan, verdwijnen daardoor niet uit beeld.

Waar houdt Cynthia Dwork zich momenteel mee bezig?

Cynthia Dwork is momenteel Gordon McKay Professor of Computer Science aan Harvard en is daarnaast verbonden aan Harvard Law School en de afdeling statistiek. Haar recente werk ligt nog steeds op het snijvlak van privacy, algorithmic fairness, verantwoord rekenen en statistische data.

Ze houdt zich onder meer bezig met onderwerpen als synthetische censusdata, dataverwisselingen in volkstellingsdata, multicalibration, differentieel private machine learning en eerlijke professionele netwerken. Multicalibration is een techniek om voorspellingen niet alleen gemiddeld goed te laten zijn, maar ook voor verschillende groepen beter te laten kloppen.

Ook is ze betrokken bij onderzoek naar de theorie van algorithmic fairness en verantwoord rekenen. Haar eerdere dienstverband bij Microsoft Research eindigde in 2023; bij haar vertrek was haar functietitel Distinguished Scientist.

Conclusie

Cynthia Dwork is geen ontwerper van Bitcoin, maar haar werk met Moni Naor gaf wel vroeg vorm aan een idee dat later essentieel werd voor Proof-of-Work-systemen: wie een open systeem wil gebruiken, kan eerst aantoonbaar rekenwerk moeten doen. Dat maakt grootschalig misbruik duurder, terwijl controle makkelijk blijft.

Minstens zo belangrijk is haar werk aan differentiële privacy. Daarmee hielp ze een praktische vraag scherp te maken: hoe haal je bruikbare inzichten uit gevoelige data zonder dat één individu te herkenbaar wordt? Juist de combinatie van cryptografie, betrouwbare systemen, computationele kosten en privacy maakt haar werk historisch relevant voor crypto en blockchain.