验证程序

验证程序是一种特殊的微应用，用于披露数据某些维度的信息，以供买方参考。通常，验证程序不会披露额外的信息，这是由隐私计算技术保证的。

本文说明了典枢中各种验证程序的细节信息。

未来，典枢还将支持用户自定义验证程序。

概述

验证程序在典枢平台提供的可信执行环境（TEE）中执行，TEE保证了验证程序的执行过程是不可见，包括内存的数据、处理器的状态等，从而保证了典枢平台方无法获得非相关的数据。

验证程序的输入为卖方的加密数据，该数据在验证程序内解密，解密所使用的密钥（枢私钥）使用验证程序内的密钥加密后传输到验证程序内部。因此，典枢平台无法获得用户的密钥或卖方提供的数据。

验证程序的输出为申请方的枢公钥加密后的报告。当申请方为平台时，验证报告在典枢平台上公开；当申请方为用户时，该报告仅对用户可见。不同的验证程序所生成的验证报告内容也不尽相同。通常，验证程序是针对特定的数据格式的，例如针对CSV格式的数据；也可以针对更加特定的情况。一个数据格式下可能存在多个不同的验证程序，用于展示数据的不同信息。

验证报告是基于数据和验证程序生成的，因此是客观、真实的，能够直接反映数据本身的情况。例如验证报告中可以包含视频的截图，买方可以从截图中知道视频是否和描述信息一致；验证报告中还可以包含表格的统计信息，买方可以从统计信息中知道表格中的数据是否是伪造的。这些验证报告都能够为买方的购买决策提供强力的支持。

以下是典枢平台上的一些验证程序。

CSV统计程序

开源地址

传入csv格式的文件，本算法将对文件的数据进行质量评估的统计，并在算法结束后将统计结果输出。统计结果包括csv的行数，列数，总缺失值数，列缺失值数量统计、行缺失值数量统计。算法将以列数最多的行为起点统计缺失值情况。

CSV统计程序运行后输出结果的结构如下所示：

{
  "rows": 58,
  "cols": 6,
  "totalNulls": 48,
  "NullProportion": 13.79,
  "col_nulls": [
    { "null_num": 6, "count": 1 },
    { "null_num": 7, "count": 1 },
    { "null_num": 8, "count": 2 },
    { "null_num": 9, "count": 1 },
    { "null_num": 10, "count": 1 }
  ],
  "row_nulls": [
    { "null_num": 0, "count": 34 },
    { "null_num": 1, "count": 16 },
    { "null_num": 2, "count": 2 },
    { "null_num": 3, "count": 1 },
    { "null_num": 4, "count": 1 },
    { "null_num": 5, "count": 3 },
    { "null_num": 6, "count": 1 }
  ]
}

输出的内容有

• rows：csv中的总行数
• cols：csv中的总列数
• totalNulls：总缺失值的数量
• NullProportion：缺失值百分比，该缺失值精确到小数点后两位。
• col_nulls：每列中有多少个缺失行的数量统计
  • null_num：表示缺失x行
  • count：缺失x行的数据共有多少列 注：若缺失x行的数量为0时(count=0)，将不会输出；null_num > 1000 时的统计将统一存储在null_num=1001的条目中。这两个条件对缺失列的数据统计同样适用。
• row_nulls：每行中有多少个缺失列的数量统计
  • null_num：表示缺失x列
  • count：缺失x列的数据共有多少行

文本抽样程序

传入txt格式的文本文件，本算法将对txt文件进行质量评估，将txt文件的前中后位置上的部分内容打包输出到一个json文件中。目前的算法中，当输入txt文件后，将返回该txt内容的前10%内容（最多150字），中间20%内容（最多300字），尾部10%内容（最多150字）作为质量验证报告。

注：在分析中，一个“字”表示一个 英文字母/汉字/符号/操作符 等内容。

文本抽样运行后输出结果的结构如下所示：

{
  "head": "#include \"user_type.h\"\n#include \"string_process.h\"\n#include \"ypc/core_t/analyzer/data_source.h\"\n#include \"ypc/stbox/ebyte.h\"\n#include \"ypc/stbox/stx_c",
  "mid": "一个batch的所需长度\n    int start_pos = total_size / 2 - 50; // 中间的100字节的起始位置\n    int mid_batch_no = start_pos / batch_max_size; // 中间的100字节所在的batch的编号\n    \n    start_pos = start_pos % batch_max_size; // 中间的100字节的起始位置在batch中的位置\n\n    LOG(INFO) << \"Batch Num: \" << batch_num;\n    LOG(INFO) << \"Start Position:",
  "tail": " process_string(middle_100) + \"\\\"}\";\n    return result;\n  }\n\nprotected:\n  std::vector<std::shared_ptr<ypc::data_source_with_dhash>> m_datasources;\n};\n",
  "total": "3474"
}

输出的内容有：

• head：txt文件头部10%（最多150字）内容
• mid：txt文件中部20%（最多300字）内容
• tail：txt文件尾部10%（最多150字）内容
• total：文本文件中的总字数统计

以上例子中展示的是一个包含代码内容的txt文件，除了普通文字内容，代码中包含了更多的换行符以及引号，换行符将在结果中以''\n'的形式被输出内容中的引号为了防止json解析失败也会以'\"'的格式输出。

视频抽样程序

传入mp4格式的文件，本算法将读取mp4的内容并截取其中的数帧的画面编码成base64格式的json数据输出，输出图片不固定，在每次运行时都将随机选取图片输出，目前规定输出的内容视频总时间、三张视频截图（以Base64编码表示）以及其三张截图的截取时间，

输出json格式如下：

{
  totalDuration: // 总时长
  positions: [
    {
      duration:  // 时间点
      picture:  // 截取图片
    },
    {
      duration:  
      picture:  
    },
    {
      duration:  
      picture:  
    }
  ] 
}

• totalDuration：该字段中包含了所有视频截图的编码数据，每一条数据都代表一张视频截图的base64编码，可通过解码获取原图。
• positions：
  • duration：截取图片对应时间（以秒为单位表示）。
  • picture：该字段中包含了所有视频截图的编码数据，每一条数据都代表一张视频截图的base64编码，可通过解码获取原图。

PDF验证程序

传入PDF格式文件，本算法将对pdf格式的富文本数据进行质量验证，将随机抽取该数据的三页，并对抽取结果进行水印和模糊处理，（如果不足三页，则将全部页进行处理）最终生成数据质量验证报告。

质量验证报告的json格式如下：

{
  "pages": [
    { 
        "page_content": "/9j/4AAQSkZJRgABAQEBAQIBAQECAgICAg......QAUUUUAFFFFABRRRQB//Z", 
        "page_number": "1" 
        
    },
    { 
        "page_content": "/9j/4AAQSkZJRgABAQEBAQIBAQECAgICAg......QAUUUUAFFFFABRRRQB//Z", 
        "page_number": "2" 
        
    }
  ],
  "total_pages": "2"
}

• total_pages：该字段为PDF文件的总页数。
• pages：
  • page_content：已经处理好的PDF抽取页面的base64编码，可通过解码获取抽取的PDF页面截图（已添加水印）。
  • page_number：抽取的PDF对应的页码