去中心化数字生态系统的7个基本要素

世界的进步就是一个颠覆与在创新的过程，当下区块链技术浪潮席卷全球。数字经济生态系统已经被多个国家认为是下一个重要经济体系。

1971年，英特尔制造了第一台微处理器4004。Don Tapscott在1995年称之为“ 数字经济 ” 的诞生，它不可逆转地改变了世界。而区块链恰是数字经济生态系统的又一新基础设施，是除现有互联网、物联网、大数据、人工智能之外的关键基础设施。区块链让我们看到数字经济走向一个新的方向，这个方向可能比之前的任何方面都更具变革性。

什么是数字生态系统？

我们将“数字生态系统”定义为虚拟环境，不同实体出于同一目的进行交互。数字经济生态系统是由互联网驱动，包含一系列基于标准，规模可变的硬件、软件、数字设备和服务，可系统地实现企业信息数字化，数据流通，以帮助企业提高运营效率。

如今，全球54.4％的人口在线，42％使用至少一个社交网络，68％使用移动设备。数字经济生态系统提供无限的知识和大量设备，汇集成了一个庞大的社区。在消费者与企业之间实现更大的连接性，已经使许多传统产业消亡，取而代之的是现在不可或缺的新产业。

这可能意味着艺术家可以在其中提供作品，需要获得作品并提供完整的消费来源以及在社区中对其作品进行创作的地方。

在这些情况下，用数字表示了不同实体之间的交互，现在可以将几个重要的技术构件放在一起，使这些数字生态系统成为可能。

构建数字生态系统系统的模块

1、分散标识符（DID）

分散标识符（DID）是唯一的标识符，可以解析为描述实体的标准资源-DID文档，也称为DDO。则DID将是表示对象的唯一标识符（即数据集，算法，艺术品，技能组等），相应的DDO包含描述此对象的元数据信息。DID记录在链上，由创建者拥有（但所有权可以转让）。有效地耦合后，链上DID可以解析为DDO形式的链外元数据。

例如，在药品运输用例中，每个处理人员可以通过DID / DDO对发布其装运的每个温度数据的引用，然后供供应链中的其他货运代理商发现。根据对此温度数据的访问限制，上，下游货运代理和/或制造商可以请求在整个装运供应链生命周期中访问数据。

2、完整性证明

作为在链上或链下注册信息的过程的一部分，需要提供和记录一些完整性信息。诸如文件校验和和加密签名之类的东西。这意味着当您注册与一堆文件关联的资产时，将记录该文件的md5校验和。当某人正在使用网络资产时，例如获得访问权限，触发计算等，用户的签名和动作也会记录在链上。这意味着如果之后修改了文件，并且文件的校验和不同，或者有人说他们从未访问过资产，则可以使用完整性机制来证明实际发生的情况。

例如，在货物运输用例中，如果制造商记录了货运的温度数据，并使该数据可供货运代理访问，则该资产在链上将具有唯一的标识符。如果制造商随后出于某种原因修改了该数据资产，则新数据资产的校验和将不同于原始发布的资产，并且可能被标记为异常行为，需要进一步调查。

3、分散式访问控制

通常用户之间的大多数交互都需要管理对数字资产的访问控制。简而言之，这意味着对于我所拥有的东西，我想授予您在某些情况下执行某项操作的权限。这些都是我控制的参数。从概念上讲，这是抽象的，但同时又非常灵活。这意味着，根据我要表达和管理的问题，可以在任何用例中支持不同的访问控制可能性，包括以下内容：

我有数据，并且我想允许任何向我付款X的人访问我的数据。

我是一名艺术家，对于所有购买我的艺术品的客户，我将发行一个不可替代的令牌或NFT，使他们能够访问新的专有内容。

4、身份管理

公司环境通过域控制器（即Active Directory，LDAP等）利用复杂的身份管理和访问控制机制。这些解决方案对特定域或网络的公司用户进行身份验证和授权。像Active Directory这样的实现可以通过分配安全策略来管理组织内的个人或组权限。

5、不可替代令牌（NFT）

数字表示某些物理物品的去中心化标识符（DID）与不可替代令牌（NFT）的概念非常吻合。这意味着，如果您是数据所有者或注册艺术作品的艺术家，则可以创建与DID相关联的NFT（即艺术作品的数字代理），并将其分配给客户或用户。作为对此的扩展，NFT所有者可以使用其NFT来获取用于交易目的的访问权限，或获取对其他专有商品的访问权限。

例如，在商品运输用例中，商品的拥有将被表示为NFT，在运输过程的每个阶段都需要交接。这导致了高保真度的拥有跟踪，可以清晰地描绘出参与者之间（如地面和航空托运商）的交接。

6、来源

来源使我们能够了解创建“事物”的上下文，它是如何使用的以及由谁使用的，以及所有权是如何转移或委派的。W3C来源规范以与用例无关的方式定义了如何注册和使用来源。这与区块链网络的利用相结合，为数据生态系统提供了透明而独特的真理来源。

7、增强隐私的计算

当由于隐私限制而不能共享数据时，允许算法对您看不到的数据集进行计算是一种合理的选择。取决于正在执行的计算，有许多不同的可能性和技术解决方案，例如使用Spark或类似工具进行的简单聚合或成熟的分析过程，以及数据的隐私约束。

提供此类复杂解决方案涉及计算技术，联合学习和链上计算的编排，利用哪种模式完全取决于应用领域。重要的是要了解应用领域，隐含了哪些限制或要求以及如何以无摩擦的方式启用计算。

实际应用知多少

假设在银行的支付部门工作，通过设置一个检测到使用银行的信用卡交易发生的欺诈行为的50％的模型。如果我可以在其他银行的信用卡交易基础上以隐私保护的方式训练我的模型，那么可以提高模型的准确性，检测更多的欺诈交易并节省一大笔钱；还可以将模型出售给共享数据的银行。

假设在配送中心工作，在那里您需要在本地分发COVID疫苗。想对运输工具的温度传感器进行查询，以检查温度是否始终在适当的温度范围内，并标记任何未通过验收标准的货物以进行进一步分析。

或者在食品运输中，能够在众多提供商的数据集中协调温度区间的计算，可以帮助在问题出现之前先确定问题所在。但是，知道哪个数据集提供了标记信息，可以通过聚合技术等将其保密。此类功能可能会限制供应链中任何给定数据提供者的风险敞口。

去中心化的碎片

所有的应用都需要独立实体（即使他们是竞争对手）之间相互联系，相互合作才能实现共同的目标。通过对于以上各个部分进行研究，有助于以去中心化的方式组成这些复杂的方案并提供解决方案。

在开发过程中，将构建上述模块成为设计原则，使我们能够解决更复杂问题的基础，而不仅仅是基于经典数据中心的问题，更是允许数据共享和隐私保护计算。