WEB:隐私计算发展脉络丨从技术起源与探索了解隐私计算备受资本青睐的原因_人工智能chatGPT下载

但随着数据带动的应用发展不断升级变革，也迎来了有关数据安全和隐私保护的新挑战。

数据经历了什么？人们为了保护数据做了哪些探索？又探索出了怎样的结果？本文将为大家介绍关于隐私计算技术的起源探索故事。

01

数据经历了哪些变革？

要想让数据充分发挥价值，则意味着数据需要流通与协同。在数字经济的发展过程中，数据的流通、协同模式也经历了多轮变革和演进——

数据1.0

最初，计算机的诞生与应用带来了信息技术发展的浪潮，数据作为其中的重要环节，从默默无闻到崭露头角，随着信息化发展，数据也变得越来越重要，人们也开始意识到了保护数据的重要性。

在1.0阶段，数据流通与协同主要指文件或数据库形式的传输，而数据1.0阶段仅仅只保证数据实体安全，主要核心是对外部进行监管，防止外部的入侵，并不具备完备的业务属性和经济属性。

隐私计算网络Oasis推出开发者课程，帮助开发者简单高效构建项目:7月13日消息，据官方推特，隐私计算网络 Oasis 推出开发者课程，旨在吸引更多开发者简单高效的基于Oasis网络构建项目，并帮助以太坊开发者将其项目迁移至Oasis网络。该系列课程分为两部分：Oasis网络101 与 Oasis Emerald - EVM 兼容链。参加学习即有机会赢取价值 300 美元的ROSE 代币奖励。

据悉，Oasis网络是主打高性能和隐私计算的Layer 1公链，具有高性能、比以太坊低99%的 Gas 费用、灵活低门槛等优势，是发展 DeFi、NFT、元宇宙和加密游戏的理想平台。[2022/7/13 2:10:15]

在此阶段中，数据所有权相关法律法规不明晰，该模式有较高的数据安全风险，较难保护数据所有者利益，易导致涉及用户隐私泄露以及数据被使用方二次利用甚至滥用等情况发生。

数据2.0

Curve原生稳定币crvUSD铸造数量突破3000万枚:6月13日消息，据Curve网站数据显示，Curve原生稳定币crvUSD铸造数量突破3000万枚，其中基于sfrxETH的铸造数量为975万枚，基于wstETH的铸造数量约为2250万枚。[2023/6/13 21:32:58]

随着IT建设与互联网发展，数据量迅速膨胀并变大，从TB级别跃升到PB、EB乃至ZB级别，大数据形态初具雏形。

大量数据在产生和汇聚时必然存在许多问题，而要解决的不只是在汇聚过程中的数据安全问题，还有数据离开本地后在协同或存储中的安全问题等。

2.0阶段并没有完全抛弃1.0阶段的技术和产品，而是围绕中心化的技术体系为用户提供数据协同服务。并且，这个阶段除了中心化的技术，还搭配了中心化的管理机制，形成技术和管理相结合的中心化协同治理体系。

在2.0阶段，数据协同需用户发出数据使用请求，由中心化程序从元数据抽取、调用数据反馈给用户。

隐私计算AI网络PlatON宣布正式启动安全多方计算仪式Lumino:6月7号消息，隐私计算AI网络PlatON宣布正式启动安全多方计算仪式Lumino，参与者们能以分布式的方式参与PlatON生态网络。Lumino仪式分为两个计算组，针对底层不同的密码学配置，参与者可以选择加入其中一个，或者两个计算组都参加。计算过程将依次执行。一旦仪式启动，参与者运行开源的客户端软件，并在几个小时内完成计算，参与者可以在仪式开启后的任意时间加入。根据参与者设备和带宽的具体情况，此次计算通常需要1到10小时左右来运行客户端软件。另外，系统为每个参与者运行过程配置15小时的窗口，以鼓励参与者及时完成工作量。组织方将为每一位运行客户端软件的参与者采用一个可验证计算范式。[2021/6/7 23:18:18]

在此模式中，中心化数据接口请求每日可达上亿次，可满足较广的服务覆盖范围，保护用户隐私信息以及降低二次利用可能性。

数据3.0

波卡生态身份协议Litentry与隐私计算平台zCloak Network达成合作:据官方消息，波卡生态身份协议Litentry宣布与波卡生态隐私计算平台zCloak Network达成合作。根据合作协议，zCloak Network将使用零知识证明为Litentry中聚合的用户身份数据提供隐私保护。[2021/4/16 20:28:04]

由于数据本身具有流动性、多样性、可复制性等不同于传统生产要素的特性，数据安全风险在数字经济时代被不断放大，因此，对数据协同治理的要求也越来越高。

能够通过协议或算法使得数据计算服务在不泄漏原始数据的前提下充分挖掘数据价值的隐私计算技术在此阶段成为了数据协同的新范式，是对传统数据协同机制的又一次重大升级，真正实现了数据所有权与使用权的分离。

声音 | 尹航：Phala的隐私计算通过可信硬件实现:11月21日，在《金色深核》线上直播中，Phala Network联合创始人尹航介绍了Phala的隐私计算模型以及\"桥\"如何保证资产安全性。尹航表示，Phala的隐私计算通过可信硬件实现，确切的说我们目前基于Intel SGX。从Intel的第六代CPU开始，每一个CPU内部都包含一块特殊的区域，我们把它称作“安全区”。安全区是硬件层面隔离的，安全区内部署的程序在执行过程中不会被干扰，数据也不会泄露，可以抵御来自操作系统、硬件级别的攻击。因此我们把合约部署在安全区内，可以保证合约的输入、输出，以及执行过程都保密。只有用户权限足够才能解密数据。

另一方面，可信硬件提供了“远程验证”协议，用户不需要特殊硬件，只要让矿工执行合约即可，执行的同时会生成出一份密码学证明，可以被浏览器、手机钱包独立验证。在Phala.Network上，一种资产就是一个合约，代码与ERC20没什么区别，但Phala只允许交易双方解密交易数据，任何第三方都不能看到交易数据。我们会在Phala的机密智能合约中实现Libra的轻客户端轻客户端可以验证来自Libra链的数据，也可以产生并Libra交易，这样就实现了一个转街桥：用户在Libra链上把资产转入到一个锁定合约中，这次转账被pLIBRA合约观测到，就会在pLIBRA端生成对应的跨链资产。

此外，用户可以随时用pLIBRA端的资产，兑换回Libra链上的原生资产。整个过程用户都只和智能合约交互，不用引入第三方，就实现了去中心化的转街桥。未来我们会利用波卡上的桥，以及在自己的链上开发更多的桥，目标是为任何区块链提供隐私计算的能力。[2019/11/21]

即使市场多机构需要数据协同，但通过隐私计算技术保证用户所产生的数据归自己所有，无法被他人或企业获取，并且无法对来源的数据进行篡改，保证数据运算的准确性与真实性，从而充分发挥数据价值。

在数据安全3.0阶段，隐私计算技术和数据密态已经密不可分，为更好守护数据流通安全，探索隐私计算从而实现数据安全成为事关国家安全与经济社会发展的重要因素，利用隐私计算技术打造密态数据时代开启。

并且，在3.0阶段中，数据协同不再只单一地通过中心化机构进行数据协同管理，而是正在试图借助去中心化方式，打造一个“数据可用不可见”的去中心化密态数据时代。

02

同期还有哪些技术值得关注？

大数据

过去一段时间里，大数据产业发展迅速，企业滥用数据问题日益凸显。传统的粗放数据经济模式已经不可行，在监管加强的当下，如何能在数据计算的同时保证数据的隐私安全，成为悬在各企业面前的一道难关。

兼顾数据分析计算和隐私保护、信息经过处理不能被复原等，这正是隐私计算的价值和意义。在这样的背景下，隐私计算成为一抹光亮，市场正被逐步打开。

云计算

后疫情时期，企业的数字化转型加速，云计算市场迎来了一个新的发展机会，混合云的潜力也让各大云计算厂商看到了商机，争相布局。

从功能上来说，云计算可以极快处理数以千计的数据，从而提升网络的性能，而隐私计算，则是为了保证数据的安全隐私性。

从行业的角度来看，云计算是最早发展起来的，虽然只占据了4%的市场，而隐私计算行业还在起步阶段，未来还有很长一段路要走。

从发展来看，这两个领域并不冲突，云计算发展离不开隐私计算支持，因为隐私计算让云计算更加可信。同时云计算行业的发展，也为隐私计算带来了更大的发展空间。

人工智能

人工智能进步需要数据的支撑，如果数据主权和隐私保护问题不能得到有效解决，这会使人工智能无数据可用的现象会更加严重，人工智能发展也将停滞。

然而隐私计算给我们解决这一问题带来了新的路径。以联邦学习技术为例，它最大价值在于：可以在保护数据隐私的前提下，实现数据充分挖掘和共享利用。

基于联邦学习技术，人工智能公司可以在不收集归纳各方数据、不泄露各方隐私的前提下，通过协同计算进行算法训练，保障数据利用合规性的同时，让数据拥有方更乐意共享数据，让人工智能更加智能。

区块链

在隐私计算领域，区块链已成为关键核心技术。

从区块链的角度出发，我们可以发现区块链上的数据需要采用隐私算法来保护，同时区块链也可以成为隐私计算里的枢纽。通过采用区块链技术去记录、追溯多方协作中的数据集、算法模型、计算过程，并对最终结果进行评估和共识，持续优化协作效率。

区块链通过数据目录、数据库等方式，构建数据流转的枢纽，同时引入隐私计算和全面的治理规则，界定数据的边界，使数据在不出库的同时，依旧可以实现身份认证、隐匿查询等能力。

04

结语

隐私计算旨在打破数据孤岛，促进数据流通。随着相关技术的成熟，隐私计算技术已经走出实验室，逐步探索应用并进行规模化。

从应用落地来看，隐私计算已不再单单是技术问题，它同时也受到政策、市场等多方面制约。因为其落地应用已经呈现出跨技术、跨场景、跨行业融合发展趋势。从动态发展的视角来看，隐私计算应用是一项融合了技术、网络、产业、政策等诸多因素的社会化工程。

当前隐私计算往往作为一项功能服务，应用在特定场景，解决特定问题。隐私计算和其他技术、领域、场景交叉融合的案例并不多见。随着隐私计算的规模化应用发展，未来隐私计算跨技术、跨网络、跨行业、跨场景的融合应用将会成为主流。

虽然，在现有阶段，隐私计算作为一项新兴技术被探索出有无限发展的可能，但是在技术实际规模化商用的过程中，依旧存在一定的挑战，比如安全机制是否可验证可解释、相关标准规范不够健全以及数据源是否合规等。

但一项技术的发展必然经历技术探索、市场启蒙、局部应用到互联互通的过程，因此，隐私计算产业的生态建设尚需各方的努力，而隐私计算在发展历程中的故事仍值得人们继续深挖。

来源：金色财经

标签：WEB区块链以太坊人工智能Endless Web Worlds区块链币圈币种知识大全以太坊官网下载人工智能chatGPT下载

FIL热门资讯