[论文解读] A Survey of Data Marketplaces and Their Business Models

Santiago Andrés Azcoitia, Nikolaos Laoutaris|arXiv (Cornell University)|Jan 11, 2022

Advanced Database Systems and Queries被引用 9

一句话总结

本文全面综述了数据交易所及其商业模式，分析了现有平台与新兴的研究驱动型设计。按结构、数据类型和治理模式对交易所进行分类，识别出数据交换生态系统中的关键趋势、挑战与机遇，重点关注可扩展性、隐私保护和信任机制。

ABSTRACT

"Data" is becoming an indispensable production factor, just like land, infrastructure, labor or capital. As part of this, a myriad of applications in different sectors require huge amounts of information to feed models and algorithms responsible for critical roles in production chains and business processes. Tasks ranging from automating certain functions to facilitating decision-making in data-driven organizations increasingly benefit from acquiring data inputs from third parties. Responding to this demand, new entities and novel business models have appeared with the aim of matching such data requirements with the right providers and facilitating the exchange of information. In this paper, we present the results and conclusions of a comprehensive survey on the state of the art of entities trading data on the internet, as well as novel data marketplace designs from the research community.

研究动机与目标

• 分析数据驱动行业中第三方数据需求上升背景下，当前数据交易所及其运营模式的现状。
• 识别现有数据交易所之间的结构、技术和治理差异，并根据数据类型、访问模式和参与方角色进行分类。
• 研究去中心化、隐私保护和可扩展的数据交易所架构的新兴研究方案。
• 突出数据交换平台中数据质量、信任、隐私和监管合规性等关键挑战。
• 通过整合产业部署与学术创新的洞察，为未来的研究与开发提供基础。

提出的方法

• 对2010年至2021年间关于数据交易所的学术出版物和行业报告进行了系统性文献回顾。
• 根据其架构（集中式、去中心式）、数据类型（结构化、非结构化、流数据）和商业模式（拍卖制、订阅制、按次计费）对现有数据交易所进行分类。
• 分析研究原型中使用的技术组件，如数据溯源追踪、访问控制机制和加密技术。
• 评估在交易所场景中应用的隐私保护技术，包括差分隐私、联邦学习和安全多方计算。
• 映射治理与信任模型，包括声誉系统、智能合约和监管合规框架。
• 将研究发现综合为数据交易所设计与商业模式的分类体系，突出权衡关系与创新趋势。

实验结果

研究问题

• RQ1 现有数据交易所中占主导地位的架构与商业模式模式是什么？
• RQ2 数据交易所如何应对第三方数据交换中的隐私、安全与数据质量关切？
• RQ3 在可扩展性与信任方面，集中式与去中心式数据交易所设计的关键差异是什么？
• RQ4 新兴研究原型如何将隐私保护技术整合到数据交易所架构中？
• RQ5 在构建可扩展、可信且互操作的数据交易所方面，主要挑战与开放性研究问题有哪些？

主要发现

• 存在广泛多样的数据交易所模式，从AWS Data Exchange等集中式平台，到Streamr和Ocean Protocol等基于区块链的去中心化原型。
• 集中式交易所目前主导市场，但面临数据垄断、透明度不足和单点故障等挑战。
• 去中心化交易所有望增强信任与数据主权，但在性能、可用性和监管一致性方面仍存在困难。
• 差分隐私和安全计算等隐私保护技术正越来越多地被整合到研究原型中，以实现隐私优先的数据共享。
• 声誉系统和可验证的数据溯源对建立信任至关重要，但标准化仍有限。
• 缺乏互操作性和一致的治理框架仍是跨行业广泛采用的主要障碍。