区块链行业报告：隐私计算（18页）

谷歌发布全球首个产品级移动端分布式机器学习系统，移动端算力被充分调动。2019 年 2 月谷歌宣布实现了全球首个产品级的超大规模移动端分布式机器学习系统，目前已 经能够在数千万部手机上运行。谷歌基于 TensorFlow 构建了全球首个产品级可扩展的大 规模移动端联邦学习系统，目前已在数千万台手机上运行。这些手机能协同学习一个共 享模型，所有的训练数据都留在设备端，确保了个人数据安全，手机端智能应用也能更 快更低能耗更新。研究人员表示，该系统有望在几十亿部手机上运行。联邦学习能产生 更智能的模型，更低的延时和更少的功耗，同时确保用户的隐私。 Google 开放的联邦学习算法，使得移动端分布式机器学习成为现实；AI 算法分布在大 规模的移动端，协同输出一个学习模型，而不必上传用户本地数据。Google 的研究团队 克服许多算法和研究挑战，使联邦学习成为可能。诸如随机梯度下降（SGD）之类的优 化算法（通常在许多机器学习系统中使用）在大型数据集上运行。在移动端特定环境中， 数据以高度异构的方式分布在数百万个移动和蜂窝设备上，这些设备具有明显更高延迟， 更低吞吐量的连接，并且只能间歇性地用于训练。

这一切都依赖于联邦学习（FL）方法， 联邦是一种分布式机器学习方法，可以对保存在移动电话等设备上的大量分散数据进行 训练，是“将代码引入数据，而不是将数据引入代码”的更加通用化的一个实现，并解 决了关于隐私、所有权和数据位臵等基本问题。可信执行环境（TEE，Trusted Execution Environment），是 Global Platform（GP）提出 的概念，主要针对移动设备的开放环境带来的安全问题（用户、服务提供商和软硬件厂 商等方面）。TEE 是与设备上的 Rich OS（通常是 Android 等操作系统）并存的运行环境， 并且给 Rich OS 提供安全服务。TEE 的实现是基于 ARM TrustZone，具有以下特点： 1）受硬件机制保护：TEE 隔离于 REE（移动端系统环境）、只能通过特定的入口与 TEE 通信； 2）快速通信机制：TEE 可以访问 REE 的内存、REE 无法访问受硬件保护的 TEE 内存； 3）可抵御某些基于硬件的攻击。 可以简单将 TEE 理解为一个隔离的运行环境（软件+硬件），TEE 内部 API 主要包含了密 钥管理，密码算法，安全存储，安全时钟资源和服务，还有扩展的可信 UI 等 API。以此 实现关键信息数据及计算的隐私保护（比如密钥和签名等）。