Cognitive oracles: validity machine learning via SNARKs for provable on-chain assessment

The blockchain technology provides a mechanism for executing code in a transparent, reliable and uncensored manner. These characteristics make it suitable for implementing applications that ensure credible execution of mechanisms for different actors. However, a significant challenge in this domain is enabling smart contracts to reliably access real-world state information. This thesis focuses on the use of smart contracts to evaluate complex or ambiguous conditions, such as identifying specific elements within an image. The proposed solution introduces an oracle that utilizes machine learning models to assist smart contracts in assessing such intricate predicates. The incorporation of SNARK arguments guarantees the correct execution of the model outside of the blockchain, facilitating efficient and secure evaluation. A system based on a jury has been implemented to address inaccuracies in the model, enabling users to appeal. The architecture proposal is evaluated with an example application by implementing the ML models, the off-chain generation and the on-chain verification of SNARKs proofs.

La tecnologia blockchain fornisce un meccanismo per l'esecuzione di codice in modo trasparente, affidabile e senza censure. Queste caratteristiche la rendono adatta alla implementazione di applicazioni che garantiscono l'esecuzione credibile di meccanismi per diversi attori. Tuttavia, una sfida significativa in questo ambito è quella di consentire agli smart contract di accedere in modo affidabile alle informazioni sullo stato del mondo reale. Questa tesi si concentra sull'uso degli smart contract per valutare condizioni complesse o ambigue, come l'identificazione di elementi specifici all'interno di un'immagine. La soluzione proposta introduce un oracolo che utilizza modelli di apprendimento automatico per assistere gli smart contract nella valutazione di predicati così complessi. L'incorporazione di argomenti SNARK garantisce la corretta esecuzione del modello al di fuori della blockchain, facilitando una valutazione efficiente e sicura. È stato implementato un sistema basato su una giuria per risolvere le imprecisioni del modello, consentendo agli utenti di fare ricorso. La proposta di architettura viene valutata con un esempio di applicazione implementando i modelli di apprendimento automatico, la generazione off-chain e la verifica on-chain delle prove SNARKs.