모바일 AI 시장에 대한 신뢰를 구축하는 현실

링크 표

초록 및 1. 소개

1.1 배경

1.2 동기 부여

1.3 우리의 작업과 기부금 및 1.4 조직

2. 관련 작업

   2.1 모바일 AIGC 및 QOE 모델링

   2.2 모바일 네트워크 용 블록 체인

3. 예비

4. 검찰 디자인

   4.1 아키텍처 개요

   4.2 평판 롤업

   4.3 이중 전송 채널

5. OS2A : 모바일 AIGC에 대한 객관적인 서비스 평가

   5.1 DCM의 영감

   5.2 서비스 프로세스의 객관적인 품질

   5.3 AIGC 출력의 주관적인 경험

6. 검찰에 대한 OS2A : 모바일 AIGC의 2 상 상호 작용

   6.1 평판별 MASP 선택

   6.2 계약 이론 지불 체계

7. 구현 및 평가

   7.1 구현 및 실험 설정

   7.2 검찰 성과 평가

   7.3 기능 목표 조사

   7.4 보안 분석

8. 결론과 참고 문헌

7.3 기능 목표 조사

위의 실험은 모바일 환경에 적응하기위한 검찰의 건축 우월성을 증명합니다. 다음으로, 검찰이 제안 된 온 체인 메커니즘 (OS2A 프레임 워크, 계약 이론 지불 체계 및 이중 전송 채널 포함)을 사용하여 위에서 언급 한 3 가지 기능 설계 목표를 달성 할 수 있는지 테스트합니다.

7.3.1 평판 기반 MASP 선택

이 부분에서는 MASP 선택을위한 제안 된 OS2A 프레임 워크의 효과를 평가합니다. OS2A는 MWSL 기반 명성에 의해 측정되므로 고객이 개인화 된 모델과 표준을 통해 주관적인 감정을 표현할 수 있습니다. 우리는 명시적이고 암시적인 시나리오를 형성하는 두 가지 전략을 사용하여 이러한 고객을 모델링합니다.

1) 명시적인 시나리오: 그림 8-A (a)에 표시된 것처럼, 명시 적 시나리오에는 4 가지 유형의 클라이언트가 포함되어있어 Frechet Inception 거리 (FID)의 AIGC 이미지를 평가합니다. [ ´ 12]그러나 다른 수준의 엄격함이 있습니다. 인덱스 수가 클수록 FID의 요구 사항이 높아집니다. 우리는 또한 모든 마스프를 FID 측면에서 다양한 능력으로 4 개의 레벨로 나눕니다. 그런 다음 각 클라이언트가 첫 번째 MASP를 무작위로 선택한 다음 알고리즘 2에 따라 MASP 선택을 수행하는 이러한 모바일 AIGC 시장을 초기화합니다. 각 유형의 MASP의 평균 평판은 그림 8-A (B)에 나와 있습니다. 이 그림에서, 우리는 MASP의 명성 값이 자신의 기능 수준과 엄격하게 일치하기 때문에 평판이 의미 적으로 의미가 있음을 알 수 있습니다. 또한 120 라운드에서 우리는 의도적으로 Level1 및 Level-3 Masp의 FID 값을 줄입니다. 따라서, 그들의 평판 가치는 부정적인 의견의 비율이 증가함에 따라 점차 감소합니다. 따라서, 우리는 평판 기반 OS2A가 MASP의 성능과 행동을 효과적으로 반영 할 수 있다고 결론 지을 수 있습니다.

2) 장면에 싸여 있습니다: 실제 모바일 AIGC 시장을 더 시뮬레이션하기 위해 다음과 같은 암시 적 시나리오를 고려합니다. 구체적으로, 우리는 ChatGpt (GPT4 모델로 권한을 부여)를 사용하여 다양하고 잠재 된 QOE 모델로 이기종 클라이언트를 시뮬레이션합니다. 도 8-A (C)에 도시 된 바와 같이, chatgpt가 이미지를 직접 이해할 수 없다는 점을 감안할 때, 우리는 7 가지 측면에서 각 AIGC 이미지를 평가한다. 그런 다음 Chatgpt가 4 가지 유형의 클라이언트 역할을하도록하며, 각 고객은 메트릭의 하위 집합을 융합시키기 위해 맞춤형 모델을 생성하고 AIGC 서비스 경험이 긍정적인지 부정적인지 확인하기 위해 개인화 된 엄격함 수준을 설정합니다. 도 8-A (d)로부터, 우리는 평판 값이 그러한 복잡한 시나리오에서도 의미가 있음을 관찰 할 수있다. 또한, 용량이 높고 맞춤형 서비스를 제공하는 MASP는 고객이 다양한 측면에서 AIGC 서비스를 평가하고 다양한 모델을 사용하더라도 더 높은 명성을 얻을 수 있습니다. 대조적으로, 전통적인 양식 별 모델 [7] 이 이종 고객을 수용 할 수 없습니다.

3) 절제 연구: 또한, 우리는 참조 의견을 교정하는 데 사용되는 요인의 효과를 증명하기 위해 절제 연구를 수행합니다. 첫째, 그림 8-B (a)는 모든 요인과의 명성 추세를 보여줍니다. 그런 다음 친숙성 요인을 비활성화하며,이 경우 공격자는 홍수 공격을 시작할 수 있습니다. [32]. 이를 시뮬레이션하기 위해 수많은 고객을 고용하여 대규모 가짜 의견을 제출하여 레벨 2 MASP의 명성을 높입니다. 도 8-B (b)에 도시 된 바와 같이, 레벨 -2 마스프는 처음에 레벨 -1 마스프를 능가한다. 그러나 홍수 의견은 일반적으로 작은 시장 가치가 있습니다. 그렇지 않으면 감지하고 표시하기 쉽고 토큰 얼기로 이어질 수 있습니다. 따라서 정직한 고객이 레벨 2 Masps의 실제 명성에 일관성을 달성 한 후에는 홍수 의견의 영향이 점차 감소합니다. 시장 가치 요인. 다음으로 비활성화합니다

그만큼 선도 요인. 이 경우 시스템은 장거리 공격에 취약합니다. [32]공격자들은 먼저 몇 가지 고 부가가치 의견을 제조하여 영원히 체중이 높아집니다. 도 8-B (C)에 도시 된 바와 같이, 레벨 2 MASP의 명성은 U 자 모양을 나타내며, 각각의 상승은 고 부가가치 의견에 해당한다. 30 이후에는 그러한 의견이 더 이상 없기 때문에th 둥글게, 증분은 마구간이되며, 그로 인한 효과는 오랫동안 지속될 수 있습니다. 마지막으로, 우리는 비활성화합니다 시장 가치 이 경우 공격자는 대규모 의견을 제출하여 더러드 공격을 시작할 수 있습니다. 도 8-B (d)에 도시 된 바와 같이, 초기 단계에서 대규모 고 부가가치 의견이 전송되기 때문에 레벨 -2 MASP의 명성은 극적으로 증가한다. 따라서 공격자는 가장 친숙한 수준과 신선도 수준을 얻을 수 있으므로 대상 MASP의 명성을 강화할 수 있습니다.

7.3.2 계약 이론 지불 체계

계약 설계를 최적화하기 위해 DiffusionDrl 모델을 교육합니다. [7]그의 훈련 곡선이도 9 (a)에 도시되어있다. 우리는 기준으로 근위 정책 최적화 (PPO)와 소프트 액터 크리치 (SAC)를 기준선으로 사용합니다. 도 9 (a)로부터, 우리는 확산 -DRL이 더 빠르게 수렴하고 더 높은 보상을 얻는다는 것을 관찰 할 수있다. 그 이유는 두 가지입니다. 1) 다중 단계 확산은 계약 설계를 최적화하기 위해 모델 매개 변수를 계속 정제하고 2) 복잡한 모바일 AIGC 환경의 장기 의존성은 PPO와 SAC의 시간이 아닌 단계에 의해 생성되기 때문에 복잡한 모바일 AIGC 환경의 장기 의존성을 배울 수 있습니다. 추론에 대해 잘 훈련 된 모델을 사용하여, 그림 9 (b)는 다른 AIGC 시장 상태에서 최적의 계약을 통해 고객의 유용성을 추가로 보여줍니다. 우리는 우리의 방법이 테스트 된 모든 상황에서 가장 높은 유틸리티를 유지하여 고객에게 안정적인 수익을 보장한다는 것을 알 수 있습니다. 또한 IC 및 IR 제약 조건이 충족되어 마스프가 계약에 기꺼이 서명 할 수 있도록합니다. 대조적으로, PPO는 한 상태에서 IR 제약에 도달하지 못한다. 마지막으로, 그림 9 (c)는 도덕적 위험에 대한 계약 이론 지불 체계의 방어 성과를 평가합니다. MASP가 계약 매개 변수를 변경하는 방법에 관계없이 유틸리티가 감소한다는 것을 알 수 있습니다. 그러므로 그것은 유용성을 극대화하기 위해 계약을 엄격히 따를 것이며, 도덕적 위험의 위협은 우회 할 수 있습니다.

7.3.3 원자 수수료 소유 전송

수수료 소유권 이전의 원자력은 스마트 계약에 의해 보호되며, 그의 논리는 그림 10 (a)에 제시되어 있습니다. 현재 명령이 올바르게 실행되고 다른 쪽이 약속 된대로 수행되는 경우에만 프로그램이 다음 단계로 진행할 수 있음을 알 수 있습니다. 모든 지침이 정상적으로 완료되면 전송이 성공합니다. 그렇지 않으면, 롤백은 바로 직접 상태없이 트리거됩니다. 전송 계약은 앵커 체인에 배치되어 전송 채널에 의해 인스턴스화됩니다. 모든 운영 (예 : 교육 가져 오기 및 실행)은 자동으로

사전 정의 된 조건이 충족 될 때 수행되므로 악의적 인 공격자가 전송 프로세스를 조작 할 수 없습니다.

현명한 계약을 조작 할 수는 없지만 부정직 한 참가자는 의도적으로 지시 실행을 지연시켜 정상적인 계약 실행을 방해 할 수 있습니다. 예를 들어, 그림 10 (a)에서 클라이언트가 4 단계에서 업데이트 된 잔액의 가짜 서명을 지속적으로 제출하는 경우 5 단계뿐만 아니라 MASP의 4 단계도 영향을받습니다. 전송의 원자력과 대기 시간은 그림 10 (b)에 나와 있습니다. 지연 확률 하나의 명령 실행이 지연 될 확률을 나타냅니다. 프로토콜 로직과 스마트 계약의 특징으로 인해 전송 원자 수준이 100%로 유지된다는 것을 알 수 있습니다. 그러나 대기 시간은 계속 증가하여 시스템 성능과 사용자 경험에 부정적인 영향을 미칩니다. 의도적으로 지연을 방어하기 위해 실제로, 우리는 채널 설정 중에 값이 사용자 정의되는 타이머를 각 명령 실행에 할당 할 수 있습니다. 사전 정의 된 시간 내에 하나의 명령이 완료되지 않으면 롤백 작업이 트리거됩니다. 또한 클라이언트와 MASP는 특정 작업 및 시나리오 (예 : 서비스의 시간 민감도 및 두 당사자 간의 신뢰성)에 따라 타이머를 구성 할 수 있습니다.

7.4 보안 분석

표 2는 잠재적 보안 문제에 대한 검찰의 방어를 요약 한 것입니다. 첫째, 일관성, 정체성 및 라이벌 측면에서 검찰을 파괴하려는 공격 [39] DPO, SHA256- 기반 암호화 체계 및 거래 수수료 제도에 의해 효과적으로 방어 될 수 있습니다. 이러한 방어는 이론적으로 입증되기 때문입니다 [32],,, [33]우리는 자세한 설명을 생략합니다. 둘째, 의견 수집 및 평판 계산 중에 공격자는 가치를 조작하는 다양한 방법을 채택 할 수 있습니다. MWSL 활용 [16]우리는 홍수, 장거리 및 먼지 공격을 효과적으로 방어하는 것으로 입증 된 친숙 함, 신선도 및 시장 가치 요인으로 명성을 보정합니다. 또한, 계약 이론적 지불 체계와 이중 전송 채널은 각각 도덕적 위험과 거부를 방어하는 것으로 입증되었습니다.