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。
金色午报 | 8月27日午间重要动态一览:7:00-12:00关键词：Tether、DOT、Filecoin、李礼辉
1.Tether官方：USDT市值已超过130亿美元。
2.吴忌寒退出福建算芯科技有限公司监事职务。
3.Mooniswap上线两周日交易量突破1400万美元。
4.高盛前合伙人：DOT将在一年内进入CMC前三大市值排名。
5.中国央行公开市场今日将进行1000亿元人民币7天期逆回购操作。
6.Cardano创始人分享两组ECIP包括ETC资金机制和利用检查点防御51％攻击。
7.Filecoin研发工程师：在网络测试中，EIP1559代码“似乎正在发挥作用”。
8.李礼辉：今年年内或明年年初进一步扩大数字货币的试点范围是有可能的。
9.比特币小幅震荡，日内最高报11538美元，最低报11361.21美元。[2020/8/27]
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。
金色午报 | 3月16日午间重要动态一览:7:00-12:00关键词：美联储、EthCC、企鹅号、百度、Libra、MakerDAO
1. 美联储将利率降至零，加密社区看多情绪高涨。
2. 美国CFTC前主席：CBDC可提供财政和货币危机应对的新方式。
3. EthCC与会者中已有13人确诊新型冠状病。
4. 云南省区块链中心挂牌，阿里等24家区块链企业首批入驻。
5. 腾讯企鹅号2019版权保护报告：持续发力区块链确权取证。
6. 百度运维人员非法控制155台服务器“挖矿”，被判有期徒刑三年。
7. Bison Trails CEO：Libra协会正忙于代币发布及其他准备工作。
8. MakerDAO将于明日新增抵押品拍卖熔断机制。
9. BTC现报5284美元，近24小时上涨0.92%，市值为964.25亿美元。[2020/3/16]
可见，联邦学习或许是一种目标选择。
金色晚报 | 12月20日晚间重要动态一览:12:00-21:30关键词：银保监会、新加坡、一带一路、百度 、Ripple
1. 银保监会李均锋：鼓励商业银行利用区块链等技术创新产品和服务方式。
2. 新加坡金融管理局将正式实施《支付服务法案》，所有加密交易所须合规运营。
3. 安徽省立医院携手腾讯共建互联网医院 利用区块链等技术保护数据安全。
4. 广州南沙将全面推行增值税电子普通发票和和区块链电子发票。
5.? “一带一路区块链应用技术联盟”于昨日正式启航。
6. 百度区块链推出天链平台赋能链上业务。
7. Ripple获得2亿美元C轮融资。
8. 毕马威卢鹍鹏：数字货币的会计处理还没有定论。
9. 国际码头CMIT已加入马士基和IBM的区块链运输工具。
10. SBI计划投资德国第二大证券交易所旗下数字资产子公司。[2019/12/20]
先看定义：
金色财经讯:9月15日，微比特交易平台发公告指出：决定于9月30日正式关闭微比特交易平台，在此之前完成所有用户留存资金与“数字货币”提现。微比特矿池及云合约业务不受影响。[2017/9/15]
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。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。