区块链领域里有一个很竖直的跑道，技术性行动很晦涩，这就是对数据开展个人隐私解决的个人隐私测算。
为什么呢？
一是由于对数据解决的商品复杂性，二是技术性上也有好多好多问题存有。用区块链基础设施建设来做，太过度简单，这一举例说明仿佛，一个人住进一个未装窗子却有一个对话框的房间，只有先挂个布帘挡一下。沒有装门窗的根本原因是由于，这一地域沒有生产制造窗子、夹层玻璃的公司，都没有会安裝的老师傅，只有先拿纸糊上或是挂一个布帘，更严重的，立即把窗子封上。
区块链个人隐私测算如今也是这样的事情。
为了更好地完成web3，将来个人隐私测算一定会处理数据个人隐私问题，而这类要求遭遇的发展目标？或许是联邦学习。尽管这是一个人工智能技术方面的基本技术性，但它界定了一种数据不离去使用者的数据解决方位。
大家为什么要做数据个人隐私，也是由于服务平台等去中心化的人物会利用数据做一些剖析利用，去中心化人物角色也是利用数据开展深度神经网络，以吸取数据中的使用价值。
由此可见，联邦学习也许是一种总体目标挑选。
首先看界定：
联邦学习在 2016 年由Google最开始明确提出，本来用以处理安卓手机终端产品用户在当地升级模型的问题，其设计方案总体目标是在确保大数据互换时的网络信息安全、维护终端设备数据和本人数据个人隐私、确保合理合法合法的条件下，在多参与者或多测算结点中间进行效率的人工神经网络。
再看架构：
2个数据有着方（公司 A 和 B）的情景是联邦学习的规范统架构。该构架可拓展至包括好几个数据有着方的情景。假定公司 A 和 B 想协同训练一个人工神经网络模型，他们的业务管理系统各自有着分别客户的有关数据。除此之外，公司 B 还有着模型必须预测分析的标识数据。出自于数据个人隐私保护和安全性考虑到，A 和 B 没法立即开展数据互换，可应用联邦学习系统软件创建模型。
第一步：数据加密样版两端对齐。系统软件利用根据数据加密的客户样版两端对齐技术性，在 A 和 B 不公布分别数据的条件下确定彼此的一共有客户，而且不曝露不相互之间重合的客户，便于协同这种客户的特点开展模型。
第二步：数据加密模型训练。在明确一共有客户人群后，就可以利用这种数据训练人工神经网络模型。为了确保训练全过程中数据的安全性，必须依靠第三方协作者 C 开展数据加密训练。全过程中协作者 C 把公匙分发送给 A 和 B，用于对训练全过程中必须互换的数据开展数据加密。A 和 B 各自根据数据加密的梯度方向值开展测算，最终把結果归纳给 C。C 将結果破译，各自回发送给 A 和 B。
第三步：鼓励。联邦学习解决了不一样组织添加联邦政府一同模型的问题，创建模型之后模型的功效会在具体运用中主要表现出去，可以纪录在区块链上。给予数据多的组织所获取的模型实际效果会更好，模型效果在于数据给予方对自身和其他人的奉献。
这一全过程里，
数据防护，不容易泄漏到外界别人，满足客户个人隐私保护和数据安全性的要求；训练合理；参加者影响力对等，公平公正协作。
这个时候看，区块链可以在数据使用权、联邦政府贡献率等一部分具有关键性的功效。因此是否一个近乎完美的合适用区块链来做的模型。
但现阶段的个人隐私测算区块链还无法彻底保证这种，关键问题取决于：
1.对数据实际操作的颗粒度还无法彻底区块链技术到本人。
2.算率不足、储存不足。
3.仅用智能合约没法实行巨大的错综复杂的全过程。
4.缺乏PaaS及其BaaS那样的内层服务项目。
5.链上运用的个人隐私要求少。
在这种问题的直接影响下，的确没法完成，或许有些人会觉得，例如链上混币，或是查不出订单详情的个人隐私币是否就可以算得上另一个方位的个人隐私了。
对，这也是另一个方位的个人隐私要求，这一要求早已可以完成，仅仅联邦学习的路会更长久一些。
在联邦学习以前，为了避免买卖数据密文、合同编码密文会产生越来越多的安全隐患，具有个人隐私保护工作能力的链上自然环境，可以用黑箱子的方法维护买卖、维护合同，维护财产。这里边有tee、mpc、zksnark等方法。
这种针对一个错综复杂的数据训练互联网而言，全是简单的构造了。
以太币是全球电子计算机，在以太币发生以前，互联网技术起先活在计算机房里，如今计算机房组成的巨大算率电容量云，互联网技术活在云上，云是一个组成的沒有硬件配置限定的全球电子计算机，仅仅沒有区块链技术构造。
在云服务器中我们可以见到涉及到个人隐私测算的相关服务早已发布好长时间，例如AWS的数据湖和数据仓，比如阿里云服务器的datatrust及其腾讯官方在可靠服务平台上的服务项目，全是向这一方位坚定理想信念。
最终，使我们看一下在云服务器的构架下产生的可靠数据解决构架：
当云服务器一部分，被联盟链云服务器中的区块链所替代或是被区块链技术云管理平台替代时，web3就需要成功了。
