Kim jest Cynthia Dwork i jaka jest jej rola w Proof of Work?

Kim jest Cynthia Dwork?

Cynthia Dwork jest amerykańską teoretyczką informatyki, która wniosła ważny wkład w kryptografię, prywatność, systemy rozproszone oraz Proof of Work. Jest przede wszystkim znana jako jedna z głównych twórczyń różnicowej prywatności: sposobu na wyciąganie statystyk z wrażliwych danych bez zbyt wyraźnego ujawniania wpływu pojedynczej osoby.

Jest Gordon McKay Professor of Computer Science na Harvardzie. Jest też związana z Harvard Law School oraz wydziałem statystyki Harvardu. Wcześniej pracowała jako badaczka między innymi w MIT, IBM, Compaq Systems Research Center i Microsoft Research.

Jej praca często dotyczy trudnego, ale ważnego pytania: jak sprawić, by komputery i systemy przetwarzały użyteczne informacje, nie stając się przy tym zawodne, niesprawiedliwe lub nadmiernie wrażliwe na prywatność? Ma to znaczenie daleko poza krypto, ale dotyka też idei, które później stały się ważne dla blockchaina.

W przypadku Proof of Work Dwork odegrała wczesną, fundamentalną rolę. Wraz z Moni Naor na początku lat 90. zaproponowała system, w którym ktoś najpierw musi wykonać niewielką ilość obliczeń, zanim uzyska dostęp do współdzielonego zasobu komputerowego. Pomysł miał przeciwdziałać spamowi i nadużyciom, a nie służyć do działania blockchaina. Mimo to opiera się na tej samej podstawowej idei: wykonanie pracy kosztuje wysiłek, ale sprawdzenie, czy została wykonana, jest stosunkowo łatwe.

Najważniejsze informacje

• Cynthia Dwork jest informatyczką zajmującą się kryptografią, prywatnością i systemami rozproszonymi.
• Jest jedną z głównych twórczyń różnicowej prywatności, razem z innymi badaczami.
• Dwork pracuje jako profesor informatyki na Harvardzie.
• Ona i Moni Naor wcześnie zaproponowały system, w którym obliczenia miały ograniczać spam i nadużycia.
• Ten system był koncepcyjnym poprzednikiem Proof of Work, ale nie projektem dla Bitcoina ani blockchaina.

Jakie wykształcenie i doświadczenie ma Cynthia Dwork?

Dwork studiowała Electrical Engineering and Computer Science na Princeton University i w 1979 roku ukończyła tam z wyróżnieniem stopień BSE. Następnie kontynuowała naukę z zakresu informatyki na Cornell University, gdzie w 1981 roku ukończyła studia magisterskie, a w 1983 roku obroniła doktorat.

Po doktoracie pracowała od maja 1983 do maja 1985 jako badaczka podoktorska w MIT Laboratory for Computer Science. Później zbudowała długą karierę badawczą, zarówno w środowisku akademickim, jak i w dużych laboratoriach badawczych w przemyśle.

To połączenie jest dość wyjątkowe. Pracowała nie tylko nad pytaniami teoretycznymi, ale też nad ideami, które miały być użyteczne w rzeczywistych systemach komputerowych. Od stycznia 2017 roku jest profesorem informatyki na Harvardzie.

Jakie wkłady wniosła Cynthia Dwork do informatyki?

Dwork wniosła ważny wkład w kilka obszarów informatyki. Powracającym tematem jest niezawodność: jak sprawić, by system działał poprawnie, gdy komputery są wolne, popełniają błędy lub nie mogą w pełni sobie ufać?

Wraz z Nancy Lynch i Larrym Stockmeyerem badała na przykład konsensus przy częściowej synchronizacji. Konsensus oznacza tu po prostu, że różne komputery muszą dojść do tego samego wyniku. Częściowa synchronizacja oznacza, że nie wiadomo dokładnie, jak szybko docierają wiadomości, ale nie trzeba też zakładać, że wszystko jest zawsze opóźnione bez końca.

Brzmi to technicznie, ale jest to dobrze znany problem w sieciach. Jeśli wiele komputerów wspólnie prowadzi jedną, współdzieloną ewidencję, muszą ostatecznie zaakceptować tę samą wersję. Blockchainy również potrzebują takiej formy uzgadniania.

Dwork pracowała też z Dannym Dolevem i Moni Naor nad non-malleable cryptography. To kryptografia, w której atakujący nie może w użyteczny sposób zmodyfikować zaszyfrowanej wiadomości, aby stworzyć z niej powiązaną nową wiadomość. Ponadto przyczyniła się między innymi do lattice-based encryption, protokołów kryptograficznych, Proof of Work i algorithmic fairness.

Jej najbardziej znanym wkładem w obszar prywatności jest różnicowa prywatność. Ten kierunek badań rozwijała wraz z Frankiem McSherry, Kobbi Nissimem i Adamem Smithem.

Czym jest różnicowa prywatność?

Różnicowa prywatność to matematyczny sposób ograniczania tego, jak duże dodatkowe ryzyko prywatności ponosi ktoś tylko dlatego, że znajduje się w zbiorze danych. Celem nie jest więc nadanie danym ogólnej etykiety „anonimowe”. Chodzi o konkretną gwarancję dotyczącą tego, co analiza może, a czego nie może zbyt wiele ujawnić.

Sedno można wyjaśnić prosto: wynik powinien pozostać mniej więcej taki sam, jeśli dodasz lub usuniesz dane jednej osoby. Jeśli pojedynczy uczestnik może tylko nieznacznie zmienić opublikowany wynik, znacznie trudniej wywnioskować z tego wyniku coś wiarygodnego o tej jednej osobie.

Przykład: Załóżmy, że badacz chce opublikować, ile osób w dużej grupie odpowiedziało na konkretne pytanie „tak”. Dzięki różnicowej prywatności opublikowana liczba może zostać lekko losowo zaburzona. Nadal widać użyteczny trend dla całej grupy, ale wkład jednej osoby jest mniej wyraźny.

Ważne: różnicowa prywatność nie oznacza, że wszystkie dane źródłowe są tajne albo że zbiór danych automatycznie staje się bezpieczny. Ochrona dotyczy wyniku starannie zaprojektowanej analizy.

Jak działa różnicowa prywatność?

Różnicowa prywatność działa z użyciem mechanizmu losowego. To po prostu metoda, która nie zawsze daje dokładnie ten sam wynik, ponieważ celowo zawiera odrobinę losowości. Taki mechanizm może na przykład publikować liczbę, średnią lub inną statystykę.

W praktyce często dodaje się szum. Szum to niewielkie losowe odchylenie wyniku. To, ile szumu jest potrzebne, zależy od czułości obliczenia: maksymalnego wpływu, jaki jeden wiersz w zbiorze danych może mieć na wynik.

Załóżmy, że liczysz, ile osób odpowiedziało „tak” na jakieś pytanie. Jedna osoba może zmienić tę liczbę maksymalnie o 1. Czułość jest więc niska. W obliczeniu, w którym jeden wpis może mieć znacznie większy wpływ, potrzebna jest silniejsza ochrona.

Formalna reguła porównuje dwa niemal identyczne zbiory danych: zbiór D i zbiór D'. Jedyna różnica polega na tym, że D' zawiera albo nie zawiera danych jednej osoby. Dla każdego możliwego zbioru wyników S prawdopodobieństwo uzyskania wyniku w obu przypadkach musi być do siebie zbliżone:

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

Nie musisz uczyć się tego wzoru na pamięć. M to mechanizm wykonujący analizę. Wartość epsilon pokazuje, jak duża może być maksymalna różnica między prawdopodobieństwami wyników. Mniejsza epsilon oznacza zwykle silniejszą gwarancję prywatności, ale często też mniej dokładne statystyki.

Istnieje też często używany wariant z epsilon i delta:

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

Delta oznacza tu niewielkie dodatkowe prawdopodobieństwo błędu. Praktyczny kompromis pozostaje taki sam: większa prywatność zwykle wymaga większego szumu albo innych ograniczeń, podczas gdy użytkownicy często chcą jak najdokładniejszych danych.

Jaką rolę odegrała Cynthia Dwork w rozwoju Proof of Work?

Cynthia Dwork wraz z Moni Naor położyła ważne wczesne podstawy pod ideę stojącą za Proof of Work. Ich praca, zaprezentowana w 1992 roku i opublikowana w 1993 roku, nosiła tytuł Pricing via Processing or Combatting Junk Mail.

Ich propozycja była prosta: zanim ktoś uzyska dostęp do współdzielonego zasobu komputerowego, musi najpierw wykonać umiarkowanie trudne obliczenie. Obliczenie nie może być niemożliwe, ale powinno kosztować wystarczająco dużo czasu i mocy obliczeniowej, by masowe nadużycia stały się nieopłacalne.

Wyobraź sobie spamera, który chce wysłać milion wiadomości. Jeśli każda wiadomość wymaga małego zadania obliczeniowego, koszt przy jednej wiadomości może być prawie niezauważalny. Ale przy milionie wiadomości koszty szybko się sumują. Dla odbiorcy dowód jest potem znacznie łatwiejszy do sprawdzenia niż dla nadawcy do wygenerowania.

Dokładnie ta asymetria stanowi sedno Proof of Work: wytworzenie wymaga wysiłku, a weryfikacja jest tania. Dwork później nadal pracowała nad dowodami wysiłku obliczeniowego, które łatwo sprawdzić, między innymi jako ochroną przed atakami typu denial-of-service. W takim ataku ktoś próbuje uczynić usługę niedostępną, zalewając ją żądaniami.

Ważne jest jednak, by wyraźnie rozróżnić te pojęcia. Dwork i Naor nie zaprojektowali kopania Bitcoina ani protokołu konsensusu blockchain. Ich propozycja dotyczyła ograniczania spamu i nadużyć w systemach współdzielonych. Termin „proofs of work” zaczął być używany dla takich idei dopiero później.

Dlaczego Cynthia Dwork jest ważna dla blockchaina i prywatności?

Dwork jest ważna dla blockchaina, ponieważ jej wczesna praca pokazuje, jak chronić otwarte systemy przed tanimi, masowymi nadużyciami. Jeśli każdy może bez kosztów wysyłać nieograniczoną liczbę żądań, jedna strona może łatwo przeciążyć system. Niewielki koszt obliczeniowy przypadający na każde żądanie zmienia tę sytuację.

Bitcoin później wykorzystał Proof of Work w zupełnie innym kontekście. Tam obliczenia pomagają sieci peer-to-peer porządkować transakcje i dodawać bloki do blockchaina. Górnicy konkurują tam o znalezienie poprawnego wyniku obliczeń. Bitcoin użył w tym celu systemu, który konkretnie nawiązuje do Hashcash, a nie dokładnego projektu Dwork i Naor.

Ich pracę można więc uznać za koncepcyjnego poprzednika. Zawierała już ideę weryfikowalnych kosztów obliczeniowych, ale nie zawierała dostosowywania trudności, konkurencji w kopaniu, wyboru łańcucha ani bodźców ekonomicznych, które są częścią Bitcoina.

W przypadku prywatności jej wpływ jest jeszcze bardziej bezpośredni. Organizacje, portfele kryptowalutowe, badacze i protokoły mogą być zainteresowani analizą danych użytkowników lub transakcji. Różnicowa prywatność może pomóc w udostępnianiu wniosków statystycznych, a jednocześnie lepiej chronić wkład pojedynczej osoby.

Ale i tutaj obowiązuje ważne ograniczenie: różnicowa prywatność nie sprawia automatycznie, że publiczny blockchain staje się prywatny. Metoda chroni tylko wynik konkretnej, dobrze zaprojektowanej analizy. Transakcje, które już są publicznie zapisane na blockchainie, nie znikają przez to z pola widzenia.

Czym Cynthia Dwork zajmuje się obecnie?

Cynthia Dwork jest obecnie Gordon McKay Professor of Computer Science na Harvardzie i jest też związana z Harvard Law School oraz wydziałem statystyki. Jej nowsze prace nadal znajdują się na styku prywatności, algorithmic fairness, odpowiedzialnych obliczeń i danych statystycznych.

Zajmuje się między innymi syntetycznymi danymi spisowymi, wymianą danych w danych spisowych, multicalibration, machine learningiem z różnicową prywatnością oraz sprawiedliwymi sieciami zawodowymi. Multicalibration to technika, która ma sprawić, by prognozy były nie tylko dobre średnio, ale też trafniejsze dla różnych grup.

Jest też zaangażowana w badania nad teorią algorithmic fairness i odpowiedzialnych obliczeń. Jej wcześniejsza praca w Microsoft Research zakończyła się w 2023 roku; przy odejściu jej stanowisko nosiło nazwę Distinguished Scientist.

Podsumowanie

Cynthia Dwork nie jest twórczynią Bitcoina, ale jej praca z Moni Naor wcześnie nadała kształt idei, która później stała się kluczowa dla systemów Proof of Work: kto chce korzystać z otwartego systemu, może najpierw musieć wykonać możliwe do wykazania obliczenia. To sprawia, że masowe nadużycia stają się droższe, a kontrola pozostaje łatwa.

Równie ważna jest jej praca nad różnicową prywatnością. Dzięki niej udało się precyzyjniej odpowiedzieć na praktyczne pytanie: jak wydobywać użyteczne wnioski z wrażliwych danych, nie ujawniając zbyt łatwo tożsamości pojedynczej osoby? To właśnie połączenie kryptografii, niezawodnych systemów, kosztów obliczeniowych i prywatności sprawia, że jej dorobek ma historyczne znaczenie dla krypto i blockchaina.