读懂 Web3 的另一面「隐私」（下）

3. 隐私计算 (数据计算过程中的匿名与保密)

“ 

计算隐私是数据保密中的交易隐私的更深一步拓展. 智能合约执行的计算隐私通常通过密码学, AI 技术, 可信执行环境等技术来达成, 但这其中的性能与隐私非常难达到完美平衡.

隐私计算在数据隐私的隐私交易上更近一步, 拓展到了图灵完备的智能合约上. 智能合约的隐私保护主要聚焦在智能合约的执行过程, 将执行中涉及到的数据以及中间状态对第三方与执行智能合约的节点进行屏蔽. 隐私计算技术分为三大方向: 密码学 (如多方安全计算 MPC), AI 技术 (如联邦学习), 可信执行环境 (如 SGX).

多方安全计算通常借助多种底层密码框架完成, 主要包括不经意传输(Oblivious Transfer，OT), 混淆电路(Garbled Circuit，GC), 秘密共享(Secret Sharing，SS) 和同态加密(Homomorphic Encryption HE)等. 本文中不做拓展.

联邦学习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. 简而言之就是在不暴露隐私的情况下将数据与他方进行共享, 从而一起提升机器学习的炼丹过程. 联邦学习中更多是涉及到 AI 的内容, 本文不做拓展.

可信执行环境主要和硬件底层比较相关. 通常是在 CPU 内划分出独立于操作系统的, 可信的, 隔离的机密空间. 由于数据处理在可信空间内进行, 数据的隐私性依赖可信硬件的实现. 主要难点在于如何平衡性能与隐私.

• Oasis Network

  

  Oasis Network 主要是对标波卡, 把共识和计算分层, 用 ParaTime 平行链来处理计算. Oasis Network 采用可信执行环境的方案 (基于 SGX 的 Confidential ParaTime) 来达成隐私计算. 在分层与可信执行环境下, 有较好的性能与隐私的结合.

  Oasis Network 的生态在隐私计算方面算是比较有优势. 同时 Oasis Network 兼容 EVM, 生态可拓展性比较强.

  Oasis Network 的用例主要在于数据通证化 (抵押数据, 获取收益, 同时支持一定的权限控制) 以及作为高性能的 EVM L2.

  Oasis Network 的缺点主要在于可组合性低, 分层设计过于复杂, 不同 ParaTime 之间不能通信; 合约是无状态的, 应用不灵活; 应用场景依旧模糊.

• PlatON Network

  PlatON Network 主要是一个隐私 + AI 的公链项目. 它的主要特征是多方安全计算和 AI, 同样是分离共识和计算, 链上验证, 链下计算 (有 SCP 的味道). 链下计算不仅带来了更高的性能, 同时各种复杂运算 (尤其是 AI 和机器学习当中) 也可以达成.

  Oasis Network 和 PlatON Network 的主要区别是: Oasis Network 为差分检测 + 非全节点共识, PlatON Network 为全节点共识; PlatON 通过同态加密来保证链下计算的可信度.

除此之外还有 Secret Network, Phala Network 等项目. ICP 也在着手准备加入可信执行环境来达成计算隐私.

交易隐私和计算隐私都是保护敏感数据不被第三方窥视. 其中交易隐私可以直接通过链上 DApp 结合零知识证明或混币器来实现, 相比计算隐私更加可插拔与灵活.