Quem é Cynthia Dwork e qual é o seu papel no Proof of Work?

Quem é Cynthia Dwork?

Cynthia Dwork é uma cientista da computação teórica norte-americana que realizou trabalho importante em criptografia, privacidade, sistemas distribuídos e Proof of Work. É sobretudo conhecida como uma das fundadoras centrais da privacidade diferencial: uma forma de extrair estatísticas de dados sensíveis sem revelar de forma demasiado clara a influência de uma única pessoa.

É Gordon McKay Professor of Computer Science em Harvard. Além disso, está ligada à Harvard Law School e ao departamento de estatística de Harvard. Anteriormente, trabalhou como investigadora no MIT, IBM, Compaq Systems Research Center e Microsoft Research, entre outras instituições.

O seu trabalho aborda muitas vezes uma questão difícil, mas importante: como fazer com que os computadores e os sistemas processem informação útil sem se tornarem pouco fiáveis, injustos ou desnecessariamente sensíveis em termos de privacidade? Isto é relevante muito para além das criptomoedas, mas também toca em ideias que mais tarde se tornaram importantes para a blockchain.

No Proof of Work, Dwork teve um papel inicial e fundamental. Em conjunto com Moni Naor, propôs no início da década de 1990 um sistema em que alguém tem primeiro de realizar uma pequena quantidade de trabalho computacional antes de poder usar um recurso informático partilhado. A ideia foi concebida para combater spam e abuso, não para fazer funcionar uma blockchain. Ainda assim, contém a mesma ideia de base: produzir trabalho custa esforço, mas verificar se esse trabalho foi feito é relativamente fácil.

Pontos principais

• Cynthia Dwork é uma cientista da computação que trabalha em criptografia, privacidade e sistemas distribuídos.
• É uma das fundadoras centrais da privacidade diferencial, em conjunto com outros investigadores.
• Dwork trabalha como professora de ciência da computação em Harvard.
• Ela e Moni Naor conceberam cedo um sistema em que o trabalho computacional devia travar spam e abuso.
• Esse sistema foi um precursor conceptual do Proof of Work, mas não um desenho para Bitcoin ou blockchain.

Que formação e percurso académico tem Cynthia Dwork?

Dwork estudou Electrical Engineering and Computer Science na Princeton University e concluiu aí, com distinção, o seu BSE em 1979. Depois, prosseguiu os estudos em ciência da computação na Cornell University, onde concluiu o mestrado em 1981 e o doutoramento em 1983.

Após o doutoramento, trabalhou de maio de 1983 a maio de 1985 como investigadora pós-doutorada no MIT Laboratory for Computer Science. Em seguida, construiu uma longa carreira de investigação, tanto no meio académico como em grandes laboratórios de investigação da indústria.

Essa combinação é bastante notável. Não trabalhou apenas em questões teóricas, mas também em ideias que tinham de ser úteis em sistemas informáticos reais. Desde janeiro de 2017, é professora de ciência da computação em Harvard.

Que contributos deu Cynthia Dwork à ciência da computação?

Dwork deu contributos importantes para várias áreas da ciência da computação. Um tema recorrente é a fiabilidade: como garantir que um sistema continua a funcionar bem quando os computadores são lentos, cometem erros ou não confiam totalmente uns nos outros?

Em conjunto com Nancy Lynch e Larry Stockmeyer, investigou, por exemplo, o consenso sob sincronização parcial. Consenso significa, de forma simples, que diferentes computadores têm de chegar ao acordo sobre o mesmo resultado. Sincronização parcial significa que não se sabe exatamente quão depressa as mensagens chegam, mas também não é necessário assumir que tudo está sempre atrasado indefinidamente.

Isto soa técnico, mas é um problema reconhecível nas redes. Se vários computadores mantêm em conjunto um registo partilhado, têm de aceitar, no fim, a mesma versão. As blockchains também precisam de uma forma deste tipo de acordo.

Dwork trabalhou ainda com Danny Dolev e Moni Naor em non-malleable cryptography. Trata-se de criptografia em que um atacante não consegue alterar uma mensagem cifrada de forma útil para criar uma nova mensagem relacionada. Além disso, contribuiu para áreas como lattice-based encryption, protocolos criptográficos, Proof of Work e algorithmic fairness.

A sua contribuição mais conhecida para a privacidade é a privacidade diferencial. Essa linha de investigação foi desenvolvida por ela em conjunto com Frank McSherry, Kobbi Nissim e Adam Smith, entre outros.

O que é a privacidade diferencial?

A privacidade diferencial é uma forma matemática de limitar o risco adicional de privacidade que uma pessoa corre por constar num conjunto de dados. O objetivo, portanto, não é atribuir aos dados um rótulo vago como “anónimo”. Trata-se de uma garantia concreta sobre o que uma análise pode e não pode revelar em excesso.

A ideia central é fácil de explicar: um resultado deve manter-se aproximadamente igual se os dados de uma pessoa forem adicionados ou removidos. Se a presença de um participante individual quase não puder alterar o resultado publicado, torna-se muito mais difícil inferir algo fiável sobre essa pessoa a partir desse resultado.

Exemplo: Suponha que um investigador quer publicar quantas pessoas num grande grupo responderam “sim” a uma determinada pergunta. Com privacidade diferencial, a contagem publicada pode receber um pequeno desvio aleatório. Continua a ver-se uma tendência útil no conjunto, mas a contribuição de uma pessoa destaca-se menos claramente.

É importante saber que a privacidade diferencial não significa que todos os dados subjacentes sejam secretos ou que um conjunto de dados seja automaticamente seguro. A proteção aplica-se à saída de uma análise cuidadosamente concebida.

Como funciona a privacidade diferencial?

A privacidade diferencial funciona com um mecanismo aleatorizado. Isto é simplesmente um método que não produz sempre exatamente o mesmo resultado, porque existe deliberadamente um pouco de aleatoriedade. Esse mecanismo pode, por exemplo, publicar uma contagem, uma média ou outra estatística.

Na prática, acrescenta-se muitas vezes ruído. Ruído é um pequeno desvio aleatório no resultado. A quantidade de ruído necessária depende da sensibilidade do cálculo: a influência máxima que uma linha no conjunto de dados pode ter no resultado.

Suponha que conta quantas pessoas respondem “sim” a algo. Uma pessoa pode alterar essa contagem no máximo em 1. A sensibilidade é, nesse caso, baixa. Num cálculo em que uma entrada possa ter uma influência muito maior, é necessária mais proteção.

A regra formal compara dois conjuntos de dados quase iguais: o conjunto D e o conjunto D'. A única diferença é que D' contém ou não os dados de uma pessoa. Para qualquer conjunto possível de resultados S, a probabilidade de um resultado em ambos os casos deve ficar próxima uma da outra:

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

Não precisa de memorizar esta fórmula. M é o mecanismo que executa a análise. O valor epsilon indica quanta diferença máxima pode existir entre as probabilidades dos resultados. Em geral, um epsilon mais pequeno significa uma garantia de privacidade mais rigorosa, mas muitas vezes também estatísticas menos precisas.

Existe também uma variante muito usada com epsilon e delta:

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

Delta representa, nesse caso, uma pequena probabilidade adicional de erro. A ponderação prática mantém-se a mesma: mais privacidade exige, normalmente, mais ruído ou outra limitação, enquanto os utilizadores querem muitas vezes números o mais precisos possível.

Que papel teve Cynthia Dwork no desenvolvimento do Proof of Work?

Cynthia Dwork lançou, em conjunto com Moni Naor, uma base inicial importante para a ideia por trás do Proof of Work. O trabalho delas, apresentado em 1992 e publicado em 1993, chamava-se Pricing via Processing or Combatting Junk Mail.

A proposta era simples: antes de alguém obter acesso a um recurso informático partilhado, essa pessoa tem primeiro de executar um cálculo moderadamente difícil. Esse cálculo não pode ser impossível, mas tem de custar tempo e capacidade computacional suficientes para tornar o abuso em massa pouco atrativo.

Pense num spammer que quer enviar um milhão de mensagens. Se cada mensagem exigir um pequeno problema computacional, esses custos podem parecer quase irrelevantes para uma única mensagem. Mas, num milhão de mensagens, acumulam-se rapidamente. Para o destinatário, a prova é depois muito mais fácil de verificar do que para o remetente de produzir.

Precisamente essa assimetria é o núcleo do Proof of Work: produzir exige esforço, verificar é barato. Mais tarde, Dwork continuou a trabalhar em provas de esforço computacional que sejam fáceis de verificar, entre outras coisas como proteção contra ataques de negação de serviço. Num ataque desse tipo, alguém tenta tornar um serviço inacessível ao inundá-lo com pedidos.

Ainda assim, é importante manter clara a distinção. Dwork e Naor não conceberam a mineração de Bitcoin nem um protocolo de consenso de blockchain. A proposta delas tratava de travar spam e abuso de sistemas partilhados. O termo “proofs of work” só mais tarde passou a ser usado para este tipo de ideias.

Porque é que Cynthia Dwork é relevante para a blockchain e a privacidade?

Dwork é relevante para a blockchain porque o seu trabalho inicial mostra como proteger sistemas abertos contra abuso em massa de baixo custo. Se qualquer pessoa puder enviar pedidos ilimitados sem custos, uma única parte pode facilmente sobrecarregar um sistema. Um pequeno custo computacional por pedido altera esse cenário.

Bitcoin utilizou mais tarde o Proof of Work num contexto muito diferente. Aí, o trabalho computacional ajuda uma rede peer-to-peer a ordenar transações e a adicionar blocos a uma blockchain. Os mineradores competem, nesse processo, para encontrar trabalho computacional válido. O Bitcoin utilizou para isso um sistema que se enquadra especificamente no Hashcash, e não o desenho exato de Dwork e Naor.

Pode, portanto, ver-se o trabalho delas como um precursor conceptual. Já continha a ideia de custos computacionais verificáveis, mas não o ajuste de dificuldade, a competição de mineração, a seleção de uma cadeia ou os incentivos económicos que fazem parte do Bitcoin.

Para a privacidade, a sua influência é ainda mais direta. Organizações, carteiras de criptomoedas, investigadores e protocolos podem ter interesse em análises de dados de utilizadores ou de transações. A privacidade diferencial pode ajudar a partilhar informações estatísticas e, ao mesmo tempo, proteger melhor a contribuição de uma pessoa.

Mas também aqui existe um limite importante: a privacidade diferencial não torna automaticamente privada uma blockchain pública. O método protege apenas o resultado de uma análise específica e bem concebida. As transações que já estão publicamente numa blockchain não desaparecem por isso.

Em que se ocupa atualmente Cynthia Dwork?

Cynthia Dwork é atualmente Gordon McKay Professor of Computer Science em Harvard e está também ligada à Harvard Law School e ao departamento de estatística. O seu trabalho recente continua a situar-se na interseção entre privacidade, algorithmic fairness, computação responsável e dados estatísticos.

Entre outros temas, ocupa-se de dados censitários sintéticos, trocas de dados em dados de recenseamento, multicalibration, machine learning com privacidade diferencial e redes profissionais justas. Multicalibration é uma técnica para fazer com que as previsões não sejam apenas boas em média, mas também mais corretas para diferentes grupos.

Está também envolvida em investigação sobre a teoria da algorithmic fairness e da computação responsável. O seu vínculo anterior à Microsoft Research terminou em 2023; à data da sua saída, o seu cargo era Distinguished Scientist.

Conclusão

Cynthia Dwork não é a criadora do Bitcoin, mas o seu trabalho com Moni Naor deu forma, muito cedo, a uma ideia que mais tarde se tornaria essencial para os sistemas de Proof of Work: quem quiser usar um sistema aberto pode ter primeiro de realizar trabalho computacional comprovável. Isso torna o abuso em grande escala mais caro, enquanto a verificação continua fácil.

Igualmente importante é o seu trabalho sobre privacidade diferencial. Com ele, ajudou a tornar mais clara uma questão prática: como extrair informações úteis de dados sensíveis sem tornar uma única pessoa demasiado identificável? É precisamente a combinação de criptografia, sistemas fiáveis, custos computacionais e privacidade que torna o seu trabalho historicamente relevante para a criptomoeda e a blockchain.