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。
金色财经VP佟扬：Filecoin网络中可能存在三种角色的资源贡献者:金色财经现场报道，7月4日，由POW POWER、星际视界主办，嘉楠区块链、点存科技联合主办的“IPFS生态与分布式存储产业峰会”在杭州举办。金色财经 VP & ipfs100.com CEO 佟扬在《新格局下，谁能独领风骚》为主题的圆桌论谈中指出，Filecoin网络中可能存在三种角色的资源贡献者：诚实节点，即遵循系统规定协议的节点；理性节点，利益驱动的节点，为了获得最大利益，理性节点可以遵循协议，也可以破坏协议；恶意节点，其目的是破坏网络，甚至是“损人不利己”。后两种角色都可能会对网络不利，不过我们相信好的角色一定会主导网络安全。
另外一部分人担心存储数据的丢失问题，这可能是因为对Filecoin不太了解，Filecoin拥有着几乎所有区块链项目中最难的挖矿机制，矿工可以参与门槛较高，高挖矿门槛的存在使Filecoin网络变得十分安全。因此大家不必过于担心数据存储在Filecoin上会不会丢失的问题。[2020/7/4]
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。
金色财经合约行情分析 | BTC上攻10000美元受阻，部分用户或暂时离场:据火币BTC永续合约行情显示，截至今日16:00（GMT+8），BTC价格暂报9676美元（+1.69%），20:00（GMT+8）结算资金费率为0.010000%。
昨日下午6点BTC冲高测试10000美元，并受阻下跌，交易量出现明显放大，同时持仓也大幅下降，基本回到5月10日下跌阶段的水平。在高位窄幅震荡后，于今日10点再次下跌，最低到9200美元附近。目前反弹至9700美元一带。根据火币交割合约数据，BTC季度合约成交额大幅上涨近77%，持仓量大跌，精英多头占比增加，季度合约处于溢价状态。此次上攻10000美元失败后，市场结构出现松动，目前价格仍维持在9000美元上方，短期内或持续震荡。[2020/5/15]
可见，联邦学习或许是一种目标选择。
金色晨讯 | 5月12日隔夜重要动态一览:21:00-7:00关键词：减半、央行数字货币、ETH2.0、监管
1.BTC已完成第三次减半。
2.姚前：Libra与数字美元结合将是公私合作绝佳典范。
3.美国前财长：如果央行发行数字货币则是使匿名金融形式更难繁荣。
4.前CFTC主席：数字美元将使政府更准确地分配刺激资金。
5.CME比特币期货5月合约收跌12.31%。
6.V神：借助多客户端测试网Schlesi ETH2.0正在步入正轨。
7.Tether向波场网络增发1亿枚USDT（已授权未发行）。
8.美国OCC官员建议提供针对加密公司的联邦许可框架。
9.外媒：减半后或有30%的比特币矿工关闭矿机。
10.比特币夜间最低跌至8206.05美元，日内最高报8924.83美元。[2020/5/12]
先看定义：
金色财经现场报道 中国银行原副行长王永利：区块链应该解决更多现实问题:金色财经现场报道，在2018全球首届万国区块链技术博览会上，中国银行原副行长王永利进行《区块链、数字币需要关注的核心问题》主题演讲。他指出： 区块链的发展应该更多的解决现实世界的实际问题，不能盲目追求完美而脱离现实；比特币只是区块链的一种实现方式，而不是区块链的唯一范式；互联网区块链的运行，最关键的就是要确保能将现实世界的资产或价值、各种物理的单证凭据影像等高效准确的信息化推送到线上运行，并从源头上确保其合法性、真实性、准确性、完整性。未来，区块链的研究会有两个方向，一个是底层研究，注重计算机互联网、信息互联网、实物互联网；二是应用层面，我们可以有积分、Token的模式，但不要再挖矿、造币，因为很难落地。[2018/4/21]
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。
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。