区块链:金色观察｜联邦学习是区块链隐私计算的目标吗？

区块链行业里有一个很垂直的赛道，技术攻坚很艰涩，这就是对数据进行隐私处理的隐私计算。

为什么呢？

一是因为对数据处理的产品复杂度，二是技术上还有很多很多问题存在。用区块链基础设施来做，太过于简陋，这个举例好像，一个人住进一个没装窗户却有一个窗口的屋子，只能先挂个帘子挡一下。没有装窗户的原因是因为，这个地区没有生产窗框、玻璃的企业，也没有会安装的师傅，只能先用纸糊上或者挂一个帘子，更厉害的，直接把窗户封上。

区块链隐私计算现在就是这种情况。

为了实现web3，未来隐私计算一定会解决数据隐私问题，而这种需求面临的目标是什么？也许是联邦学习。虽然这是一个人工智能领域的基础技术，但它定义了一种数据不离开所有者的数据处理方向。

金色晨讯 | 2月28日隔夜重要动态一览:21:00-7:00关键词：美国众议院、陈伟钢、澳本聪、华为云、OKEx、以太坊期货

1. 美国众议院将举行听证会，讨论区块链对小企业的影响。

2. CFTC专员：稳定币有潜力成为智能合约的强大推动者。

3. IMF官员：稳定币需要考虑金融稳定性等公共政策。

4. 陈伟钢：银保监会等部门应联合打击以区块链为幌子的犯罪活动。

5. 澳本聪：今年法院将开始勒令矿工协助没收BTC。

6. 华为云“目录区块链”助力北京市精准防控疫情。

7. OKEx遭到短时DDoS攻击。

8. 深圳市税务局上线区块链电子发票极速版。

9. 以太坊期货日交易量接近历史最高水平。[2020/2/28]

我们为什么要做数据隐私，也是因为平台等中心化的角色会利用数据做一些分析利用，中心化角色也是利用数据进行深度学习，以汲取数据中的价值。

金色财经现场报道 Energo Labs首席运营官杨凯凯：区块链加速清洁能源普及:金色财经6月12日现场报道，在2018PPP全球数字资产投资峰会《能源区块链领袖委员会圆桌会议》圆桌论坛上，Energo Labs首席运营官杨凯凯提到，区块链能加速清洁能源行业发展，把物理世界与分布化技术相结合，将分布式的储能共享平台带到东南亚等电力不普及的地方。从能源行业看，创业公司的落地更快更灵活，能让行业先行看到区块链等优势，带动区块链在能源行业的发展。[2018/6/12]

可见，联邦学习或许是一种目标选择。

先看定义：

联邦学习在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。

金色财经独家现场报道 Melephant首席执行官Jaehwan Park ：通过区块链直接连接音乐人和粉丝:金色财经独家现场报道，在火币Pro举办的Blockchain Festival千人大会上，Melephant首席执行官Jaehwan Park 认为应该通过区块链将音乐人与粉丝联系起来。他说：很多音乐家在底层奋斗，并且现在音乐家的数量越来越少，所以我们必须为创作者和消费者提供可持续和可实现的的未来。区块链可以实现利益共享，通过艺术家和粉丝之间的连接来展示艺术家的价值。区块链不仅可以整合散落在各种社交渠道上的碎片粉丝，还可以资助年轻艺术家生活，帮助他们专注于创作出好的作品。[2018/5/25]

再看框架：

金色财经独家分析 EOS超级节点竞争进入白热化:据官方消息，EOS.CYBEX社区将推出全球首个支持指纹识别的EOS硬件冷钱包，用户私钥可完全由硬件真随机数源所产生且永不可读出，目前已进入测试阶段。此前，EOS.CYBEX已满分入选EOS超级节点候选人。金色财经独家分析，EOS官方公布Dawn3.0公共测试网预计在5月4日发布，目前有一些bug需要修正。随着测试网络的发布临近，EOS的超级节点争夺也越来越白热化，作为主节点，他们将获得 EOS 每年增发5%的收益中的大部分，大约每一个节点每年可以获得238万个EOS的收益。除此之外，这些超级节点还将拥有EOS生态的投票权，整个 EOS 生态中的任何应用都无法绕开他们的“裁决”。EOS.CYBEX社区在3月29日6分满分入围EOS超级节点的候选人。EOS.CYBEX是一个为EOS而建立的新社群，CYBEX是一个基于石墨烯技术开发的去中心化交易所，于2018年2月26日正式上线运营。CYBEX白皮书规划中，在EOS主链上线后，CYBEX也将会迁移到EOS主链上。此次，EOS.CYBEX社区将推出全球首个支持指纹识别的EOS硬件冷钱包将为其争夺超级节点助力。[2018/4/9]

两个数据拥有方（企业 A 和 B）的场景是联邦学习的标准统构架。该构架可扩展至包含多个数据拥有方的场景。假设企业 A 和 B 想联合训练一个机器学习模型，它们的业务系统分别拥有各自用户的相关数据。此外，企业 B 还拥有模型需要预测的标签数据。出于数据隐私保护和安全考虑，A 和 B 无法直接进行数据交换，可使用联邦学习系统建立模型。

第一步：加密样本对齐。系统利用基于加密的用户样本对齐技术，在 A 和 B 不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，以便联合这些用户的特征进行建模。

第二步：加密模型训练。在确定共有用户群体后，就可以利用这些数据训练机器学习模型。为了保证训练过程中数据的保密性，需要借助第三方协作者 C 进行加密训练。过程中协作者 C 把公钥分发给 A 和 B，用以对训练过程中需要交换的数据进行加密。A 和 B 分别基于加密的梯度值进行计算，最后把结果汇总给 C。C 将结果解密，分别回传给 A 和 B。

第三步：激励。联邦学习解决了不同机构加入联邦共同建模的问题，建立模型以后模型的效果会在实际应用中表现出来，可以记录在区块链上。提供数据多的机构所获得的模型效果会更好，模型效果取决于数据提供方对自己和他人的贡献。

这个过程里，

数据隔离，不会泄露到外部其他人，满足用户隐私保护和数据安全的需求；训练有效；参与者地位对等，公平合作。

这个时候看，区块链可以在数据所有权、联邦贡献度等部分起到决定性的作用。所以是不是一个非常完美的适合用区块链来做的模型。

但目前的隐私计算区块链还不能完全做到这些，主要问题在于：

1.对数据操作的颗粒度还不能完全去中心化到个人。

2.算力不够、存储不够。

3.只用智能合约无法执行庞大的复杂的过程。

4.缺少PaaS以及BaaS这样的中间层服务。

5.链上应用的隐私需求少。

在这些问题的影响下，确实没办法实现，也许有人会认为，比如链上混币，或者查不到交易详情的隐私币是不是就可以算是另一个方向的隐私了。

对，这是另一个方向的隐私需求，这个需求已经可以实现，只是联邦学习的路会更长远一些。

在联邦学习之前，为了防止交易数据明文、合约代码明文会带来更多的安全问题，具备隐私保护能力的链上环境，可以用黑箱的方式保护交易、保护合约，保护资产。这里面有tee、mpc、zksnark等方式。

这些对于一个复杂的数据训练网络来说，都是简陋的结构了。

以太坊是世界计算机，在以太坊出现之前，互联网先是活在机房里，现在机房构成的庞大算力组合成云，互联网活在云上，云是一个组合的没有硬件限制的世界计算机，只是没有去中心化结构。

在云服务中我们可以看到涉及隐私计算的相关服务已经上线很久，比如AWS的数据湖和数据仓，比如阿里云的datatrust以及腾讯在可信平台上的服务，都是向这个方向看齐。

最后，让我们看看在云服务的架构下形成的可信数据处理架构：

当云服务部分，被联盟链云服务中的区块链所取代或者被去中心化云服务平台取代时，web3就要成功了。

标签：区块链EOSCYBBEX区块链的几个大局DEOS币CYBG币BEX价格

AVAX热门资讯