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 | 1月24日隔夜重要动态一览:21:00-7:00关键词：Tether、CBDC、国际清算银行、前CFTC主席

1.Tether正在推出由实物黄金支持的新代币。

2.印度证交会主席敦促探索区块链在证券市场的最佳用法。

3.夏威夷提出新法案，或允许银行托管加密货币。

4.MIT研究小组：加密货币为CBDC的试验场。

5.国际清算银行：20％央行称将在六年内发行数字货币。

6.前CFTC主席：数字美元将使人们的信息更加安全。

7.Ripple首席执行官：2020年许多加密公司将跟随嘉楠耘智上市。

8.BitPay与Simplex合作以支持使用银行卡购买加密货币。

9.IMF首席经济学家：Libra促使全球金融界重新考虑美元作为主要货币的地位。

10.比特币夜间小幅震荡，最高涨至8443.70美元，最低跌至8309美元。[2020/1/24]

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。

金色晨讯 | 国家主席会见国际货币基金组织总裁奥尔基耶娃:1.国家主席22日会见国际货币基金组织总裁格奥尔基耶娃。

2.央行上海总部：加大监管防控力度，打击虚拟货币交易。

3.北京严厉打击虚拟货币交易，持续保持监管高压态势。

4.新华社：坚决打击炒币“堵邪路”，引导区块链应用“开正门”

5.中国证券报：严禁虚拟货币借区块链之名炒作。

6.北京市副市长：北京将运用区块链扩大政务服务领域智能场景应用。

7.全国政协副主席陈元：借助区块链等实现亚信成员国资源信息共享。

8.北京西城区委副书记：区块链等金融科技“监管沙盒”机制即将在西城区落地。

9.接近国家互金整治办人士：全国性清理整顿大幕已开启。

10.瑞典央行行长概述实施数字货币的六步计划。

11.CFTC主席：要确保美国在数字资产领域的领导地位。

12.灰度数字大盘基金将可进行公开交易。

13.全球加密货币总市值不足2000亿美元。[2019/11/23]

可见，联邦学习或许是一种目标选择。

金色财经现场报道 韩国东国大学商学院教授 Yong-Dall Lee：区块链行业面临性能问题:金色财经现场报道，在2018全球区块链精英峰会上，进行以《区块链3.0时代的技术创新与探索》为题的圆桌谈论，韩国东国大学商学院教授 Yong-Dall Lee指出：区块链3.0是数字可信系统网络时代，DPoS算法一定程度上限制了其他参与者的热情。区块链正面临监管和性能的双重问题，区块链技术肯定会越来越好，包括安全和跨链交易，我们提及区块链的时候，会提到公有链、联盟链、私有链，在开发区块链系统的时候，要注意到性能的问题，这是与用户线性增长相关的。区块链技术是有一定难度的，一般的人可能需要一定的学习时间，在这方面，教育培训是非常重要的。[2018/4/28]

先看定义：

金色财经现场报道 陈伟星投资区块链的三个阶段：基础实施、治理模型与经济模型:金色财经现场报道，在GMIC全球区块链峰会“艾问·陈伟星”环节，陈伟星表示：区块链并不是我投资最大的领域，但却是十分看重的领域，并不是说区块链在我本身事业上，名誉上有什么，而是我相信区块链技术。之前我投资的是区块链基础设施，比如公链、底层协议、交易所。后面我会投资一些区块链治理模型项目。最后，我会投区块链经济模型，具体怎么利用区块链改变商业应用。这是我投资区块链的三个阶段。[2018/4/27]

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。

再看框架：

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：区块链加密货币CFTFTC区块链工程专业学什么课程加密货币是干什么用的呢CCFTftc币为什么暴涨暴跌

PEPE币热门资讯