[论文解读] Towards Traceability in Data Ecosystems using a Bill of Materials Model

Iain Barclay, Alun Preece+2 more|arXiv (Cornell University)|Apr 8, 2019

Blockchain Technology Applications and Security参考文献 19被引用 13

一句话总结

本文提出了一种用于科学数据生态系统中可追溯性的物料清单（BoM）模型，通过静态BoM和动态批次清单（BoL）记录，实现对数据来源、衍生制品及系统组件的追踪。基于GraphQL构建、并集成区块链技术的数据BoM网关，可提供不可篡改、可审计的数据使用记录，支持复杂数据实验中的责任追溯、可重现性及错误追踪。

ABSTRACT

Researchers and scientists use aggregations of data from a diverse combination of sources, including partners, open data providers and commercial data suppliers. As the complexity of such data ecosystems increases, and in turn leads to the generation of new reusable assets, it becomes ever more difficult to track data usage, and to maintain a clear view on where data in a system has originated and makes onward contributions. Reliable traceability on data usage is needed for accountability, both in demonstrating the right to use data, and having assurance that the data is as it is claimed to be. Society is demanding more accountability in data-driven and artificial intelligence systems deployed and used commercially and in the public sector. This paper introduces the conceptual design of a model for data traceability based on a Bill of Materials scheme, widely used for supply chain traceability in manufacturing industries, and presents details of the architecture and implementation of a gateway built upon the model. Use of the gateway is illustrated through a case study, which demonstrates how data and artifacts used in an experiment would be defined and instantiated to achieve the desired traceability goals, and how blockchain technology can facilitate accurate recordings of transactions between contributors.

研究动机与目标

• 解决在复杂、多源科学数据生态系统中追踪数据血缘和来源日益增长的挑战。
• 通过提供可验证、不可篡改的数据来源、转换过程及贡献者记录，实现数据使用的责任追溯。
• 通过捕获静态系统架构（BoM）和动态执行状态（BoL），支持实验的可重现性与错误追踪。
• 集成区块链技术，实现数据交易的防篡改日志记录及智能合约驱动的数据治理。
• 通过去中心化标识符（DIDs）链接研究人员、数据与制品，实现人机协同的可追溯性。

提出的方法

• 将数据生态系统建模为包含数据源、软件、许可证、硬件及人员贡献者的物料清单（BoM）。
• 在运行时将BoM实例化为动态批次清单（BoL），记录每次实验调用的输入/输出数据值及制品状态。
• 实现基于GraphQL的网关（dataBoM），使科学家能够跨平台定义、查询和管理BoMs与BoLs。
• 集成区块链技术，以不可篡改方式记录BoL条目，确保数据交易的不可否认性与可审计性。
• 在以太坊等区块链上使用智能合约，实现自动化行为，如自动数据选择、基于质量的路由及支付机制。
• 采用去中心化标识符（DIDs）将研究人员与众包工作者绑定至数据和制品组件，实现人类侧的可追溯性。

实验结果

研究问题

• RQ1 如何在复杂、多源的科学数据生态系统中系统性地捕获数据血缘与来源信息？
• RQ2 BoM/BoL模型在多轮实验中，对数据与制品的静态和动态可追溯性支持程度如何？
• RQ3 区块链技术如何增强科学工作流中数据使用记录的不可篡改性与可信度？
• RQ4 智能合约在实现自动化、策略驱动的数据治理及基于质量的路由方面发挥何种作用？
• RQ5 如何利用去中心化身份系统可靠地追踪并链接人类贡献者与数据及制品？

主要发现

• dataBoM网关成功使科学家能够将数据生态系统建模为结构化的BoM，涵盖数据源、软件、许可证及人员贡献者。
• 每次实验运行都会生成唯一且持久的BoL，记录动态输入、输出及制品状态，实现数据血缘的完整可追溯性。
• 与区块链的集成确保BoL记录不可篡改且可密码学验证，支持不可否认性与可审计性。
• 可在以太坊上使用智能合约编码数据质量策略，实现实时最优数据源选择与自动报酬发放。
• 使用去中心化标识符（DIDs）可实现研究人员与贡献者对数据及制品的可靠、密码学安全的归属关联。
• 网关的基于GraphQL的API可无缝集成至现有科学工作流，支持跨平台的数据与来源信息查询。