因此，如果能够只开放出口权限而不开放入口权限，则能让数据和网络环境的安全性大大增强。基于此特性，银行、互金等敏感行业可以通过动态出口IP，动态端口映射等手段让黑客无从下手，保护网络及数据安全。同时，也让数据合作容易通过合规审查，合作更容易开展。
腾讯“神盾-联邦计算”平台首创联邦单向网络架构，合作双方中对安全更为敏感的一方可以使用单向模式，即只开放网络出口权限而不开放入口权限。神盾提供的单向联通架构经测试，对运行效果和性能无任何影响，同时能够大大提高数据安全性。
腾讯神盾携手PowerFL、FATEPowerFL是腾讯TEG出品的无需可信第三方的联邦学习平台，在开源的智能学习平台Angel之上构建，其中包括但不仅限于纵向联邦学习的系统框架和各类算法，神盾和PowerFL是腾讯“联邦学习”开源协同Oteam的合作伙伴，一开始就在在基础框架、联邦算法、应用研究等不同方向进行合作研究。
作为联邦学习全球首个工业级开源项目，FATE在同一时期也很快就进入神盾团队的视野，经过大半年在联邦技术和应用上的合作探讨，双方在2019年9月成立联合项目组，基于联邦学习进行了一系列的产品共同研发和迭代优化，在技术研究及行业应用标准方面双方也开展了深度合作，使得隐私保护下的数据合作不再困难。
基于同PowerFL、FATE的共同研究，神盾重新设计基于联邦学习、MPC及区块链等技术的联邦产品架构并沉下心来打磨细节。在现在的腾讯“神盾-联邦计算”上，一个略懂算法的新手用户不需要编写任何脚本，也可以通过简单设置轻松完成整个联邦建模过程。
除此之外，前文提到的众多神盾高价值工作还同时贡献到FATE开源社区，团队核心成员也在2019年成为FATE开源社区首位一级贡献者。
腾讯神盾引入重量级数据合作伙伴TalkingData神盾首先承载了一个联邦计算平台的使命，它能满足有数据合作需求的企业之间安全地完成联合建模，但是大家都知道有价值的数据才是这一切的关键，银行有优质用户样本及资金流数据特征，游戏发行商有优质玩家的样本，线上教育机构有分类教育用户样本及特征，互联网巨头有巨量用户行为特征，怎样撮合这些企业进行有价值的数据合作成了神盾的又一个使命。
简单来说就是在神盾这个平台上任何数据需求方都能快速地找到高价值的合作伙伴，而任何进行数据合作的企业都能通过神盾-联邦计算平台完成安全的数据合作。
TalkingData是中国领先的数据智能服务商，产品负责人闫辉跟腾讯大数据团队有不解的渊源，在精准营销、EMR、ES、统计分析、BI精细化运营、企业画像等多个产品上都有深入的探讨和合作，当然联邦学习这个大数据前沿领域也不例外。
双方一致认同联邦学习的价值，于2020年初达成战略合作伙伴关系，TalkingData愿和腾讯“神盾-联邦计算”一起为客户提供丰富、安全、多维度的联邦数据服务。
这些都只是一个开始，腾讯“神盾-联邦计算”团队任重道远，在其愿景“让企业之间的数据合作不再困难！”上还有很远的路要走，但为了给各行各业带来更好的数据合作环境、为了给企业带来更高的市场增长空间、为了给用户更好的服务，团队将不畏艰险勇往直前。
参考文献：
[1] Yang, Qiang, et al. "Federated machine learning: Concept and applications." ACM Transactions on Intelligent Systems and Technology (TIST) 10.2 (2019): 1-19.
[2] Pohlig, Stephen, and Martin Hellman. "An improved algorithm for computing logarithms over GF (p) and its cryptographic significance (Corresp.)." IEEE Transactions on Information Theory 24.1 (1978): 106-110.
[3] De Cristofaro, Emiliano, and Gene Tsudik. "Practical private set intersection protocols with linear complexity." International Conference on Financial Cryptography and Data Security. Springer, Berlin, Heidelberg, 2010.
[4] Cheng, Kewei, et al. "Secureboost: A lossless federated learning framework." arXiv preprint arXiv:1901.08755 (2019).
[5] Liu, Yang, et al. "A Communication Efficient Vertical Federated Learning Framework." arXiv preprint arXiv:1912.11187 (2019).
[6] Zhuo, Hankz Hankui, et al. "Federated reinforcement learning." arXiv preprint arXiv:1901.08277 (2019).
[7] Wang, Tengyun, et al. "A revenue-maximizing bidding strategy for demand-side platforms." IEEE Access 7 (2019): 68692-68706.
[8] Liu, Yang, Xiong Zhang, and Libin Wang. "Asymmetrically Vertical Federated Learning." arXiv preprint arXiv:2004.07427(2020).
[9] Rivest, Ronald L., Len Adleman, and Michael L. Dertouzos. "On data banks and privacy homomorphisms." Foundations of secure computation 4.11 (1978): 169-180.