在上一期《衝量網絡 | 聯邦學習》中，我們介紹了聯邦學習的基本組成與應用，並展望了聯邦學習在人工智能、數據安全、互信寫作等方面的特點及優勢。
但對於聯邦學習的落地方案，其需要數據在傳輸過程中能實現實時的加密，這是整個聯邦學習產生互信的基礎，但是僅僅實現加密並不夠，還需要針對效率實現改進，因爲一旦用於互信協作中，必然會需要對大量的數據進行分析，在這樣的情況下，效率將尤爲重要。因此要在分佈式環境下實現聯邦學習，自然會對硬件支持提出相應要求，而可信計算將提供上述問題的有效解決方案。
衝量網絡將通過因特爾的SGX技術來實現硬件層面的解決方案，在實際應用中，我們往往需要通過聯邦學習技術對此前無法獲取的數據進行聯合建模，進而準確獲取或者在確定算法下對數據進行預測分析，如徵信信息和用戶的購買行爲等，在醫療、物聯網等數據量需求大的地方，在不泄露音系情況下進行聯邦學習也變得尤爲重要。
但這些深度學習行爲，往往需要數十億次的計算，先不說算力本身的需求量， 哪怕保證聯邦學習模型在如此多數據的情況下保持安全性和效率都是一件很難的事情，更不用提對參與方的激勵和公平分配計算，因此我們就需要在硬件層面解決相關的問題，來解決處理壓力問題。
而SGX硬件技術與聯邦學習可謂是天造地設的一對，SGX詳細概念可以在文章《衝量網絡 | 淺談SGX》中獲取，這裏就不再詳細介紹。簡單來說，SGX是可信計算數據分析執行環境，希望能有效地防止外界觸達和攻擊敏感的數據和應用。其通過處理器指令，在不同數據源中創建可信區域來用於數據訪問，這正好符合目前聯邦學習運算的需求。
相對於傳統深度學習方案，例如PyTortch, Caffe, MxNet等，SGX在信息傳輸過程中的加解密過程具有速度優勢。
在實際應用中，例如在保險行業中，一般來說，銷售人員只能根據年齡性別等情況來判斷相關的保費，一般都是一大類人羣擁有相同的保費，但缺少對每個用戶的個性化定製或者個性化價格，而通過SGX的深度學習方案，可以對病歷等的智能預測，並能獲得更細分的健康評估，從而提升對保費或者健康評估的準確度。
除了性能和效率的優勢外，可信計算對聯邦計算另一個提升便是安全層面。通過SGX技術可以在支持的硬件中創造一個“容器”，其存儲可信代碼和數據，並用於中間參數的交互和傳輸，以防止內外部攻擊。讓數據只能寫入，而無法讀取，哪怕進行物理破壞，也無法讀取其中的隱私數據。
相比於軟件層面創造的“容器”，類似一些殺毒軟件帶有的“沙盤”系統等，SGX的運行過程不依賴於其他軟硬件設備，這代表數據的安全保護是獨立於軟件操作系統或硬件配置之外，即使操作系統都受到攻擊，儘管發生這種情況的概率較小，但即使發生這樣的狀況，SGX也能有效防止數據泄露。
另外，結合區塊鏈技術，聯邦學習可以在滿足可信的前提下，解決信任問題，普通的聯邦學習解決方案中，往往只有一個分發者，而結合區塊鏈技術，將能獲得分佈式特性，確保所有認證節點都唔那個參與進來，並使得整個聯邦學習的運作情況保持透明。
效率高
相對於傳統解決方案，可以實現點對點的互信協作。並且由於其直接運行於硬件層面，資源消耗也較少
分佈式
與區塊鏈等分佈式技術結合較好，從而增加互信程度，並且其生態完善程度也較高，因特爾、AMD、ARM和百度等頭部企業都有佈局。
應用多樣
其在金融聯合分析、建模，醫療信息共享，可信協作等方面擁有廣泛的應用前景。
安全
SGX通過硬件隔離的方式，使得數據和代碼在寫入後便處於可信狀態，使得用戶只能獲得最後的輸出結果，而無法獲得具體的隱私內容。
生態離不開系統架構的佈局。硬件層面，衝量網絡將利用SGX技術以更多、更先進的技術驅動數據資源在聯邦學習中的安全運轉和高效轉化，同時在信息傳輸、分佈式技術結合上開發自己的一整套解決方案，推動聯邦學習在各行各業中的快速發展和應用。
在未來的落地環節，用戶可以通過沖量網絡進行可信協作，在安全環境下進行聯邦學習和數據鏈接，使得各自的數據能在聯邦學習的框架下連接、合作、賦能、分享。在保護數據隱私和安全前提下的聯合計算和交易，並實現整體運行的透明化，給每個操作搭建透明公開的狀態，創建起分佈式可信計算網絡。