王牌对王牌：联邦学习VS区块链

划重点

纲要

联邦学习 VS 区块链

01

现状：重要的国家战略

02

原因：可信媒介是新生产力

03

对比：相同点和不同点

04

互补：强强联合

王牌

技术

在互联网新浪潮中，最受关注的两项热门技术，一个是联邦学习，一个是区块链。联邦学习是一种在大数据服务中保护隐私的分布式机器学习技术，区块链是一种在去中心化网络中实现价值转移的分布式账本技术。

联邦学习诞生于2016年的谷歌输入法优化项目，在互联网产业中存在三种服务形态：横向联邦学习、纵向联邦学习和联邦迁移学习。

2020年4月，为应对国际形势严峻挑战，中央出台关于完善要素市场化的重要文件，数据作为新型生产要素写入文件中，与土地、劳动力、资本、技术并列为五个生产要素。一方面，数据区别于传统生产要素的最大特征是严格要求保护个人数据隐私，是个人权利不可侵犯的体现，受到法规严格保护。另一方面，数据的开放共享又是人工智能为用户提供便捷服务的基础，是数字经济发展的命脉之所在，也是中国在下一轮国家间新技术竞争中取胜的关键。

因此，数据成为生产要素的难点在于实现隐私保护和数据开放共享之间的平衡，产业界一般采用联邦学习技术解决该问题。

区块链诞生于2009年的比特币项目，根据账本来源分为三种服务形态：数字货币、智能合约、应用平台。

2019年10月，政府就区块链技术进行集体学习，强调到区块链技术的集成应用在新的技术革新和产业变革中起着重要作用，通过推动区块链和实体经济深度融合，有望解决中小企业贷款融资难、银行风控难、部门监管难等问题；利用区块链技术探索数字经济模式创新，有望为打造便捷高效、公平竞争、稳定透明的营商环境提供动力。

目前，全球主要国家都在加快布局区块链技术发展，我国在区块链领域拥有良好基础，要加快推动区块链技术和产业创新发展，积极推进区块链和经济社会融合发展。

可信

媒介

能够获得如此热度和重要性，联邦学习和区块链有个重要的共同特征：可信。俗话说“人心隔肚皮”，陌生人之间一般难以建立信任，这是因为在资源有限的社会竞争中，获得更多利益是人的本性，人们担心被欺诈而损失利益。然而，信任在市场经济中具有至关重要的作用，能够简化交易流程、提高交易成功率，进而实现大规模交易活动，推动市场经济健康良好运行。

在传统市场中，交易由权威机构监督执行。例如，政府制定《消费者权益保护法》及《产品质量法》，并对违法行为进行惩罚。也就是说，权威机构提供“可信媒介”作用，为市场交易保驾护航，尤其是对于常见商品，质量、价格等细节均有十分详尽、标准化的管理方案。

在新兴的互联网市场中，智能终端设备依据摩尔定律飞速发展、光纤网络和5G无线网络逐步普及，产品创新层出不穷。相比之下，权威机构需要经过较长时间调查和研究方能制定相应法规，这使得很多互联网产品短时间内得不到权威机构的“可信媒介”作用，进而使得用户不敢放心大胆的使用新产品。例如，在互联网电子支付出现7年之后，权威机构才为部分互联网企业发放支付牌照，这才有了后来无处不在、十分便捷的手机支付形式。现如今，点对点转账（提高跨境交易的便捷性）、互联网大数据合作（提高用户服务水平）等新产品，尚缺乏成熟的法律法规来进行必要的管理与规范，亟需可用的“可信媒介”。

           

联邦学习和区块链正是在这样的背景下诞生的技术派“可信媒介”。联邦学习的可信在于，在数据合作过程中使用的是不可逆的变换数据，即使没有权威机构监督，隐私数据也不会泄露。区块链的可信在于，在记账过程中使用了群体共识和数字签名技术，即使没有权威机构监督，所记录的交易也是不可篡改且不可抵赖的。因此，这样的技术“可信媒介”将为国民经济持续健康发展提供新的生产力。

对比

异同

深入分析，我们发现联邦学习和区块链有很多相似之处，表格1详细对比了两项技术的共同点和差异。

表 1 联邦学习与区块链的异同

应用

场景

两项技术均用于互联网场景。不同之处在于，联邦学习用于个性化的用户服务，例如在电商APP给女朋友挑选礼物，这是令很多男生发愁的一件事情，联邦学习可以综合购物历史、性格爱好、商品推荐等大数据信息，帮助用户选出既时髦又有个性的礼物。又例如，金融的核心是风控，传统业务模式中，找出潜在的多头和欺诈风险用户是比较困难的，联邦学习可以从消费习惯、社交关系、职业等维度实现风险定价，为优质用户提供更低利息贷款。

区块链用于点对点的交易记账和合约，例如在国际贸易中，跨境支付需要经过汇出银行、中央银行、代理和收款银行等多家金融机构的处理和清算，导致了手续费率高、到账时间长等问题。区块链可提供去中心化的点对点电子现金系统，支付过程无需传统的中心化金融机构，可极大的降低手续费率并缩短到账时间。又如传统的开发票、报销和抵税流程十分繁杂，需要会计人员多重审核，区块链可用于实现自动开票、报销和抵税，从而减少繁杂的人力投入。

应用

基础

两项技术均需要有协作意愿和共识的计算节点。不同之处在于，联邦学习要求节点之间的数据具有互补性，例如其中一个节点存储消费习惯特征，另一个节点存储性格、爱好等特征。各节点之间的共识为联邦算法，通过约定在联邦之间的信息交互协议，实现模型训练及推理。

区块链需要各节点同步记录所有交易信息，例如账户A给账户B支付1个代币，A的支付信息及签名将发送给网络上的所有节点，各节点产生一致的记录。区块链网络里能够达成一致，最关键的技术是共识算法。共识算法是解决一致性问题的关键，在分布式、去中心化的区块链网络中协助节点保持数据一致。常用的共识算法如工作量证明（POW）、拜占庭容错（BFT）、股份授权证明（DPoS）等。

应用

目标

两项技术的目标都是在去中心化网络中增强节点之间的互信。不同之处在于，联邦学习旨在实现“数据可用不可见”的隐私保护技术，并通过融合使用各方数据提升用户服务的质量，进而创造出新的价值。例如同态加密就是一种隐私保护技术，所产生的密文与明文完全不一样，分布性质和排序性质都发生了巨大变化，这使得原始数据是“不可见”的，密文可按指定规则进行运算，进而实现梯度下降算法和模型优化，实现了“可用”。

区块链旨在确保交易记录不可篡改，利用共识算法、分布式技术解决在去中心化网络中的双重支付问题，最终实现数字世界的价值表示和价值转移。例如在比特币系统中，账户A给账户B支付1个比特币，并将该信息广播给所有“矿工”节点，“矿工”为了获得系统奖励，都努力将该信息打包到新区块，并为了获得更多奖励争当历史区块的见证者，这便使得该信息在区块链中不可篡改。

强强

联合

联邦学习和区块链有共同的应用基础，通过技术上的共识实现多方合作的可信网络，具有较好的互补性。从应用目标来看，联邦学习旨在创造价值，而区块链旨在表示和转移价值，因此有以下两种基本结合形式。

图 联邦学习与区块链的结合方式

第一种结合是利用区块链的记录不可篡改特性，对联邦学习合作方可能面临的恶意攻击进行追溯和惩罚。例如，在多个参与方进行联邦学习的同时，部署区块链用于记录联邦学习的数据指纹（包括建模样本、推理样本、交互信息），而对应的原始数据存储于参与方本地。当发现有样本遭受恶意攻击时，由各参与方或者第三方组成调查组，依据区块链记录的指纹对原始数据进行核验，便可以找出具体是哪一方遭受了攻击，进而采取相应的措施。

第二种结合是利用区块链的价值表示和转移功能，对联邦学习服务所创造的价值进行记账和利益分配。例如，在多个参与方进行联邦推理的同时，部署区块链用于记录用户服务的接口调用日志指纹、各参与方的贡献、该服务所产生的收益，并通过智能合约自动将收益分配给各参与方。这种方式与现有的按条计费不同，可以更精准地评估每次调用的质量，从而激励参与方确保调用的准确性，并积极优化效果。