నమ్మశక్యం కాని గణితం మీ స్థానాన్ని బహిర్గతం చేయకుండా ట్రాక్ చేయడానికి సహాయపడుతుంది
టెక్నిస్చే యూనివర్సిటీ ముంచెన్ (TUM లేదా టెక్నికల్ యూనివర్శిటీ ఆఫ్ మ్యూనిచ్) పరిశోధకులు ఖచ్చితమైన వివరాలను బహిర్గతం చేయకుండా స్థానాన్ని నిరూపించడానికి ఒక మార్గాన్ని అభివృద్ధి చేశారు, ఖచ్చితత్వాన్ని నిర్ధారించేటప్పుడు గోప్యతను మెరుగుపరచడం లక్ష్యంగా పెట్టుకున్నారు. జీరో-నోలెడ్జ్ లొకేషన్ గోప్యత (ZKLP) అని పిలువబడే వారి పద్ధతి, సున్నా-జ్ఞాన రుజువులు మరియు ఫ్లోటింగ్-పాయింట్ సంఖ్యలు అని పిలువబడే అధునాతన గణిత రుజువులను ఉపయోగిస్తుంది, వినియోగదారులు వారి ఖచ్చితమైన కోఆర్డినేట్‌లను బహిర్గతం చేయకుండా ఒక నిర్దిష్ట ప్రాంతంలో ఉన్నారని ధృవీకరించడానికి వీలు కల్పిస్తుంది.
మొబైల్ అనువర్తనాల్లో లొకేషన్ ట్రాకింగ్ సాధారణం, వినియోగదారులు దీనిని గ్రహించకుండా తరచుగా జరుగుతుంది. ఈ డేటా ఒక వ్యక్తి యొక్క అలవాట్లు, పని స్థానాలు మరియు నిత్యకృత్యాల చిత్రాన్ని చిత్రించగలదు, కొన్నిసార్లు తీవ్రమైన గోప్యతా ప్రమాదాలకు దారితీస్తుంది. ఎ 2019 న్యూయార్క్ టైమ్స్ రిపోర్ట్ మాజీ అమెరికా అధ్యక్షుడు డొనాల్డ్ ట్రంప్ బృందంలోని సభ్యుడితో సహా, వాణిజ్య స్థాన డేటా వ్యక్తులను ఎంత తేలికగా గుర్తించగలదో సూచించారు, మార్-ఎ-లాగో మరియు పెంటగాన్ వంటి సున్నితమైన ప్రదేశాలకు సందర్శనలను వెల్లడించారు. ఈ డేటాను ఎలా దుర్వినియోగం చేయవచ్చనే దానిపై ఆందోళనలు పెరగడంతో, TUM లోని పరిశోధనా బృందం వ్యక్తిగత డేటాను ప్రైవేట్‌గా ఉంచేటప్పుడు స్థాన సమాచారాన్ని ధృవీకరించడానికి ఒక మార్గాన్ని కనుగొనటానికి బయలుదేరింది.
వారి విధానం, ZKLP, వినియోగదారులు తమ ఖచ్చితమైన స్థానాన్ని ఇవ్వకుండా నగరం లేదా ఉద్యానవనం వంటి సాధారణ ప్రాంతంలో ఉన్నారని నిరూపించడానికి అనుమతిస్తుంది. ఇది సున్నా-జ్ఞాన రుజువులపై ఆధారపడింది, ఇది దాని వెనుక ఉన్న డేటాను బహిర్గతం చేయకుండా ఒక ప్రకటనను ధృవీకరిస్తుంది. ఈ పనిని ఆచరణాత్మక మార్గంలో చేయడానికి, పరిశోధకులు ఫ్లోటింగ్-పాయింట్ అంకగణితం కోసం IEEE 754 ప్రమాణంతో పూర్తిగా జీరో-జ్ఞాన ప్రూఫ్ సర్క్యూట్ల యొక్క మొదటి సెట్‌ను ప్రవేశపెట్టారు, ఖచ్చితమైన గణనలను నిర్ధారిస్తుంది మరియు పూర్ణాంక-ఆధారిత గణితంపై ఆధారపడిన పాత వ్యవస్థలలో సాధారణమైన లోపాలను నివారించడం.
ఈ ప్రక్రియ సమర్థవంతంగా పనిచేస్తుంది, 2^15 సింగిల్-ప్రెసిషన్ ఫ్లోటింగ్-పాయింట్ గుణకారాల కోసం ఆపరేషన్‌కు 64 పరిమితులు మాత్రమే అవసరం, మునుపటి పద్ధతులతో పోలిస్తే గణన సంక్లిష్టతను గణనీయంగా తగ్గిస్తుంది. వారి ఆప్టిమైజ్ చేసిన అమలు సింగిల్ ప్రెసిషన్ ఫ్లోటింగ్-పాయింట్ విలువలను ఉపయోగిస్తున్నప్పుడు 15.9 రెట్లు తక్కువ అడ్డంకులను ఉపయోగిస్తుంది మరియు డబుల్ ఖచ్చితత్వాన్ని ఉపయోగిస్తున్నప్పుడు 12.2 రెట్లు తక్కువ, వ్యవస్థను మరింత నమ్మదగిన మరియు స్కేలబుల్ చేస్తుంది.
గోప్యత-సంరక్షించే పీర్-టు-పీర్ సామీప్య పరీక్ష. ఈ సెటప్‌లో, ఇద్దరు వ్యక్తులు ఖచ్చితమైన ప్రదేశాలను భాగస్వామ్యం చేయకుండా ఒకరికొకరు సమీపంలో ఉన్నారో లేదో తనిఖీ చేయవచ్చు. సిస్టమ్ వేగంగా పనిచేస్తుంది -బాబ్ కేవలం 0.26 సెకన్లలో రుజువును సృష్టించగలదు మరియు ఆలిస్ సెకనుకు 470 తోటివారికి సామీప్యాన్ని ధృవీకరించగలదు. “గోప్యతను కాపాడుకునేటప్పుడు స్థాన ధృవీకరణ సాధ్యమే మరియు పనితీరు కనబరిచిందని మా పద్ధతి చూపిస్తుంది” అని ఎంబెడెడ్ సిస్టమ్స్ మరియు ఇంటర్నెట్ ఆఫ్ థింగ్స్ ప్రొఫెసర్ ప్రొఫెసర్ సెబాస్టియన్ స్టెయిన్హోర్స్ట్ అన్నారు.
స్థాన ధృవీకరణకు మించి, ఈ అధ్యయనంలో అభివృద్ధి చేయబడిన సాంకేతికత గూ pt లిపి శాస్త్రంలో విస్తృత అనువర్తనాలను కలిగి ఉంటుంది. సున్నా-జ్ఞాన రుజువుల కోసం రూపొందించిన ఫ్లోటింగ్-పాయింట్ సర్క్యూట్లు సురక్షిత యంత్ర అభ్యాసం, డిజిటల్ హెల్త్‌కేర్ మరియు మొబిలిటీ సిస్టమ్‌లలో ఉపయోగపడతాయి, వినియోగదారు డేటాను రక్షించేటప్పుడు ఖచ్చితమైన ధృవీకరణను అనుమతిస్తుంది. ఖచ్చితత్వం మరియు గోప్యతను కలపడం ద్వారా, ఈ పరిశోధన ట్రాకింగ్ చాలా సాధారణం అవుతున్న యుగంలో స్థాన డేటాను కాపాడటానికి మంచి మార్గాన్ని అందిస్తుంది.
మూలం: టెక్నికల్ యూనివర్శిటీ ఆఫ్ మ్యూనిచ్, IEEE కంప్యూటర్ సొసైటీ
ఈ వ్యాసం AI నుండి కొంత సహాయంతో రూపొందించబడింది మరియు ఎడిటర్ సమీక్షించారు.
