热门
专注于为企业提供数智化转型服务，数据知识挖掘机...方法论、数据技术与产品、最佳行业实践都能聊！
1
回答
• 业务流程，持续一段时间，有明确生命周期的业务活动。
• （业务）事件，发生在某一个时刻，持续时间极短（瞬间）。事件一般对应业务流程的一次状态变化。
• 业务快照，是一系列活动在某一个时刻点的状态和结果，比如库存、账户余额。
以上内容摘自《构建企业级好数据（Dataphin智能数据建设与治理白皮书）》电子书，点击https://developer.aliyun.com/ebook/download/7832可下载完整版。
• 普通对象，复杂的，有很多属性的对象。狭义上，业务对象就是普通对象。
• 枚举对象，简单的基础对象。如性别，其取值可以穷举（男/女/未知）。
• 虚拟对象，在业务定义中，没有任何属性的基础对象，如姓名。
• 层级对象，多个业务对象之间有上下级关系，这一组对象就是层级对象。
主题域建模，即在业务板块下进一步将业务划分为多个主题域。主题域的划分没有客观原则，主要根据数据模型师的行业经验与业务理解来划分。具体以零售行业为例来说明。
• 考察企业所有的业务流程，如果两个业务流程之间存在上下游的关系，或者有共同的业务对象，那么他们就应该被放到同一个业务板块。将范围扩大，列举出每个业务流程的上下游和业务对象，直接或者间接的连接在一起的业务流程应当属于同一个业务板块。
举例：零售业务中，采购->采购物流->仓储->销售发货，营销->销售->履约->售后等，有的有上下游的关系，有的可以通过货品连接到一起，他们就属于“零售”这一业务板块。
• 反之，如果两个业务流程之间不存在任何直接或者间接的上下游关系，也没有直接或者间接共同的业务对象，他们就不应当被放在同一个业务板块。
举例：同一个企业下，可能有零售和地产。地产业务中，拿地->设计->开发->销售等流程与零售的业务流程之间不存在上下游的关系，也没法通过某个业务对象连接到一起，应当分别创建“零售”“地产”两个业务板块。
• 值得注意的是，某些业务对象是企业级共用的，比如，公司的员工，行政地理区划（没错，这个也属于业务对象）等，这些会将整个公司的所有的业务流程连接到一个巨大的单一网络中。因此，先要识别出这些企业级的业务对象，对于只通过这些业务对象连接在一起（而没有上下游关系）的业务流程，需要剪断这种连接，将他们归属到不同的业务板块。
企业的规模有大有小，业务复杂度和跨度也不同，数据反映业务，所以每个企业的数据中台也是不同的。数据中台建设的第一步是做规划，规划的第一步是全盘梳理企业的业务架构，将业务划分为一个个独立业务，对应到 Dataphin 就是业务板块的划分。
业务板块的划分总原则是，高内聚，低耦合。
行业中重要的以及常用的分析方法与分析视角。在逻辑模型基础上，将业务分析问题转换为 Dataphin 特有的派生指标，并进一步提炼出原子指标和业务限定。
在概念模型的基础上，增加每个实体的属性以及属性的约束。
在主题域的基础上，每个主题域内增加了实体以及实体之间的关系。
在数据中台，主题对应一个宏观的分析领域，比如销售分析就是分析“销售”这个主题，联系较为紧密的主题的集合就是主题域。每一个行业都可以拆分为有多个（十个左右不等）主题域组成的主题域模型。
• 主题域建模：在数据中台，主题对应一个宏观的分析领域，比如销售分析就是分析“销售”这个主题，联系较为紧密的主题的集合就是主题域。每一个行业都可以拆分为有多个（十个左右不等）主题域组成的主题域模型。
• 概念建模：在主题域的基础上，每个主题域内增加了实体以及实体之间的关系。
• 逻辑建模：在概念模型的基础上，增加每个实体的属性以及属性的约束。
• 业务分析建模：行业中重要的以及常用的分析方法与分析视角。在逻辑模型基础上，将业务分析问题转换为 Dataphin 特有的派生指标，并进一步提炼出原子指标和业务限定。
数据中台是数据沉淀、建设、管理与使用的一整套体系。Dataphin 的核心优势是在数据的建设与治理上，引入了阿里巴巴多年来数据中台建设沉淀出的建模方法论，可以帮助企业通过智能数据建设与治理，构建数据中台。
• 数据标准问题：烟囱式开发及局部业务服务支撑，导致指标同名不同口径问题频发；历史上不同业务系统逐步迭代上线，相同对象属性编码不一致等问题突出。
• 数据质量问题：重复建设导致任务链冗长、任务繁多，计算资源紧张，数据时效性不好；口径梳理定义的文档沉淀到开发代码实现之间存在脱节，数据准确性保障风险高。
• 需求响应问题：烟囱式开发周期长、效率低，面向应用的服务化不足，导致业务响应速度慢，业务不满意的同时技术又觉得没有沉淀与成长；既懂业务又懂数据的人才不足，需求理解到开发实现涉及大量沟通，服务效率较差。
• 成本资源问题：烟囱式开发的重复建设浪费技术资源；上线难下线更难，源系统或业务变更不能及时反映到数据上，加之数据不标准，研发维护难上加难的同时，大量无用计算和存储造成资源浪费。
这本书的内容主要包括数据建设与治理：用中台方法论治理企业级好数据、Dataphin演进之路：产品大图及核心功能详解、Dataphin最佳实践：数字化转型标杆案例、数据中台项目管理实践、售卖部署说明等内容。
下载链接：https://developer.aliyun.com/ebook/download/7832，这本电子书收录于开发者藏经阁，有兴趣的可以看下，还有很多技术类电子书：https://developer.aliyun.com/ebook
当客户有和第三方合作伙伴进行数据联合计算需求时，只需邀请相关的三方合作 伙伴开通瓴羊隐私计算服务，并在三方伙伴的数据服务器部署本地安全计算中心 并进行相关配置，即可与三方合作伙伴进行隐私计算。其中客户和三方合作伙伴 的环境需在任意公网可达的网络中，包括其它云等。相关部署可参考下图:
《数据安全流通方案/瓴羊隐私计算白皮书》电子书，点击https://developer.aliyun.com/ebook/download/7824 可下载完整版
隐私计算混合云部署方案最大的优势是简单快捷，该方案基于阿里云公有云，客 户需先开通瓴羊隐私计算服务，再在客户数据服务器部署机房或客户阿里云 ECS 上部署安全计算中心，完成相应配置即可。
隐私计算产品有多种购买方式，对应不同的部署形态。目前产品有混合云、私有化两种产品形态。
客户端支持云上部署和线下部署两种：
这种架构的好处是通过阿里云来管理计算节点，承担节点间调度工作和担节点间 网络打通事宜，部署相对简单，安全性和独立化部署保持一致。
操作系统:CentOS 7、Cent OS 8 或 Linux 系统。
在数据的数据源调取、算法使用、 算法变更环节，隐私计算都会发起授权，需要数据合作方进行确认审批，保证数 据的使用不会出现数据合作预期之外的场景，全程清晰可见。
业决策者，判断使用隐私计算技术的几大业务思考:
• 数据丰富度不够，需要找到三方平台或机构进行补充，拉动企业业务增长;
• 丰富的全域数据，如何在保障数据控制权的前提下，实现数据价值商业变现;
• 新的监管指引下，如何在 ID 去标识化或者匿名化或最小化的前提下，满足机构内外部数据流通，让业务良性可持续增长。
在数据合作过程中，数据合作方给出去的数据发生预期之外的使用是当下数据产 业的一个缺陷，因此也产生了很多数据泄漏及滥用的问题。比如参与数据合作的 一方为了进一步获取利益在数据合作过程中修改了调取程序的代码，导致原本少 量的数据调取变成了批量的数据脱取，或计划用于 A 场景的数据实际被用于了 B 场景。目前由于数据的交付往往会涉及明文的交付，难以控制交付后的使用，大 多数情况下只能以商业条款等法律手段做限制。 瓴羊隐私计算除了对数据进行全程加密保证数据明文不被获取之外，还在数据如 何使用的问题上，强化了数据授权的机制设计。在数据的数据源调取、算法使用、 算法变更环节，隐私计算都会发起授权，需要数据合作方进行确认审批，保证数 据的使用不会出现数据合作预期之外的场景，全程清晰可见。
见的商业数据合作场景，合作双方需要通过商业合同、数据分级交付、 数据脱敏、数据混淆等多种法律或技术手段，对数据进行保护，避免后续出现的 各类问题影响数据合作。
瓴羊隐私计算提供了原始数据不可见、但数据可用可转化价值的途径，数据合作 方在严格定义好对应算法和数据源后，数据的调用过程和结果对数据拥合作方是 完全透明的，不存在预期之外的数据泄漏或滥用，即使合作方不值得信任也不会 有数据风险，让数据合作多方之间安心合作。
从数据流动合作来看，当前基于数据的商业或非商业合作需要基于合法合规的前 提下，双方建立足够的信任才可以进行深度合作，其原因是若合作的一方由于各 种原因泄漏了合作另一方的数据，那么被泄露数据的一方往往将承担无法预估的 责任。常见的商业数据合作场景，合作双方需要通过商业合同、数据分级交付、 数据脱敏、数据混淆等多种法律或技术手段，对数据进行保护，避免后续出现的 各类问题影响数据合作;另外数据的权属问题也是数据合作的重要考虑因素之一。
从数据生命周期来看，数据有数据生产、数据采集、数据存储、数据传输、数据 处理、数据交换、数据销毁等多个环节，数据泄漏的发生和数据链路中的每一个 环节都息息相关，任意一个环节发生泄漏都会导致全局数据的安全体系崩溃，这 与木桶原理一致，数据的泄漏与否取决于最薄弱环节的安全水位。
瓴羊隐私计算从技术上保证了数据在合作的每一个链路都是以密文的形式存在， 通过对数据本身的加固提升了整个数据链路的综合水位，使得即使发生数据泄漏， 黑客得到的也是不可用的密文，无法解密利用。
从数据生命周期来看，数据有数据生产、数据采集、数据存储、数据传输、数据 处理、数据交换、数据销毁等多个环节，数据泄漏的发生和数据链路中的每一个 环节都息息相关。
瓴羊隐私计算支持在非阿里云环境独立化部署，部署架构图可参考下 图：
点是计算节点在承担计算外还要承担节点间的相互调度问题，节点 之间需要进行网络直连，稳定性较差，安全性和混合云一致。
任务类型总共有 4 种:ID 安全匹配、联合联邦建模、联合联邦学习、联合数据分析。
据需要在 LSCC 进行配置和 CSCC 加入协作项目两个模块。其中，LSCC 配置 有两个步骤:配置数据源(数据库连接符、用户名、密码)和数据表配置。CSCC 主要是把 LSCC 配置的数据表加入创建的协作空间里面，加入后才可被用于创 建相应的 ID 安全匹配、联邦学习任务等
任务创建后并不能马上执行，需要数据参与多方对任务进行确认，做到数据的 用途用量可计量，多方确认后，才可执行。确认过程需要在参与多方在各自的 LSCC 上确认，确认通过后可在 CSCC 手动执行。 下图为 ID 安全匹配运行示例：
解决了如下三个问题：
数据泄露问题
数据合作者信任问题
数据授权审计问题
任务类型总共有 4 种:ID 安全匹配、联合联邦建模、联合联邦学习、联合数据 分析。下图为 ID 安全匹配配置示例：
项目作为数据多方合作的工作空间，管理着项目成员的加入和退出，项目可以 使用的数据，在项目中也可以创建具体的任务。
创建任务后，通过生成邀请链接，邀请其它成员加入项目：
整体流程为:基础配置->创建项目->邀请多方->数据配置->任务配置->审批执行。
• 通过中华人民共和国工业和信息化部下的中国信息通信研究院，隐私计算领域5项专项评测;
• 通过国家金融科技测评中心依据金融行业标准JR/T 0196-2020《多方安全计算金融应用技术规范》和T/PC AC 0009-2021 《多方安全计算金融应用评估规范》评测;
• 通过ISO 27001、 ISO 27701 、ISO 27018评测。
瓴羊隐私计算集成了主流隐私计算技术(MPC、FL、TEE)，因此不同行 业可以根据行业规范需要选择所需的安全技术实现方案，满足不同行业 应用要求。
产品分为两大部分：CSCC和LSCC，即产品在使用时需要先在阿里云开通服务，并且在客户机房部 署 LSCC。
瓴羊隐私产品于云原生分布式计算能力，支持百亿级别的 PSI、亿级别的 SQL 分析;
优势如下：
数据中台原生实践
数据处理能力业界领先
业界唯一获得三线技术评测产品
满足不同行业规范需要
LSCC是指本地安全计算中心，需要在客户本地机房部署，进行本地化安全计算、 联邦学习计算。
CSCC是指云上安全协调中心，使用时需要在阿里云先开通，负责任务的协调下 发，基于 TEE 联合分析。
始数据不出域的前提下，通过交换各个参与方的算法训练的 中间结果梯度、参数信息，或完全在密文条件下进行计算，从而发挥参与多 方数据样本更丰富、更全面的优势，得出更优模型。
如图所示，
瓴羊是阿里巴巴中台能力的全面开放和对外输出，集成了数据、业务、服务中台系统多年的能力和经验，旨在数字经济时代，面对企业客户提供分析、营销、产销、客服等多领域智能产品和服务，助力企业在商业社会中决胜当下，跑赢未来。 目前设有官方钉钉交流群、官网渠道，欢迎欢迎志同道合者一起交流成长！
【加入交流群】瓴羊智能服务交流群: https://h5.dingtalk.com/invite-page/index.html?bizSource=____source____&corpId=dingda5d69402c1b0a5eee0f45d8e4f7c288&inviterUid=9174C2FB103DE76C&encodeDeptId=0054DC2B53AFE745
胡嘞嘞
