股票 
板块 
用户 
资讯 220+ 算子六大工具链开箱即用
跨源 JOIN托管×自有数据沙箱内混合分析RECAP · 回顾上周总介推文里我们提了一个判断：数据空间不是装个安全壳就完了，能不能让业务用起来，才是"建了能不能用"的真正分水岭。星环可信数据空间：让数据空间真正建得成、用得上、管得住01项目最常见的失败，不是"建不起来"，是"建好没人用、给不出去、管不住"——这才是数据空间真正的分水岭。02解法是"不搬数据 · 不改系统 · 不学新技能"——保留客户既有环境，把安全与合规复杂度全部下沉到平台。03要走通，四件事一个都不能少——用起来 · 给得出去 · 管得住 · 运营得了。本系列每周一篇，逐个讲透。今天讲第一件：用起来——也是整个闭环里最难绕过去的一件。如果业务用不起来，后面三件事：给得出去、管得住、运营得了都只是"成本"。PAIN POINTS · 行业痛点平台建好了，分析师还在排队
很多企业把数据空间建得很重——架构图很漂亮、合规审计很全、机房很气派，但真到了"业务能不能用"这一关，常常摔得很惨。
??平台建好，使用率不足 20%：某地数据空间投入重金建设，运维体系跑通了、安全审计也过了，结果分析师培训了 3 个月仍无法独立上手，每天还在用以前的方式发工单、等审批、排队领数据。??要学的新框架太多了：主流隐私计算方案要么要求掌握隐私计算专用查询语言、要么要写联邦学习 DSL，普通业务分析师啃不动。他们日常用的是 Navicat、Tableau、Excel，SQL 是他们最自信的语言，但偏偏在这里用不上。??托管数据和自有数据"用不到一起"："我自己的客户清单和你这儿的医保数据想做个 JOIN?"——传统沙箱往往只能在内部跑分析，跨源关联做不了。手工导出再合并，既不安全也没效率，等于把"安全壳"又开了个口子。??沙箱里"有数据但没工具"：有些方案是"受限脚本环境"，有些是纯 BI 界面——能进去，但缺 SQL 编辑器、缺建模平台、缺 Notebook、缺调度。分析师走进去，只看到一张空桌子。"数据空间最大的浪费，不是没建，而是建了没人用。"SOLUTION · 解法SQL 是最大公约数星环可信数据空间的解法，直接有效——让业务人员用最熟悉的语言干活。核心方案：安全复杂度下沉到平台，使用方只需写标准 SQL??SQL 安全网关在网关层透明执行鉴权、改写、拦截、脱敏——安全复杂度全部下沉，业务零感知??网关原位代理客户的 MySQL / PG / 达梦 / 神通，数据不搬、系统不改??沙箱内多工具协同SQLBook 写 SQL、Midgard 一键发布 API、Discover 训模型、Workflow 编排调度，从一次性分析到长期服务一站搞定为什么是 SQL？它是数据世界的最大公约数?? 几乎所有分析师都会沙箱内直接写，不用学新语法?? 学习成本接近 0不需要重新培训，不需换工具链更进一步：数据科学家专业工具??Sophon Discover 沙箱内的进阶建模平台包含Jupyter Notebook + Python 全家桶 + 220多个算子的可视化建模平台，覆盖从特征工程、模型训练到分布式部署全流程——专业级的活也能干。ARCHITECTURE · 架构沙箱内的一站式工具链网关代理架构使用方接入四大工具链ACCESS沙箱内 SQLBook / Midgard / Discover / Workflow▼ 标准 JDBC / ODBCSQL 安全网关透明代理 · 业务零感知GATEWAY鉴权解析改写拦截脱敏▼ 原位代理 · 跨源混合查询数据源跨源混合DATABASEKunDB 密态库托管数据 · 存储加密沙箱密态数据库自有数据库原位代理 · 不搬数据MySQL / PG / 达梦 / 神通一站式工具链业务分析师层零代码也能用SQLBook智能 SQL 开发MidgardAPI 服务化数据科学家层专业级Discover科学建模平台WorkflowDAG 任务调度三个关键设计1标准 SQL 网关透明执行安全策略在网关层透明执行，沙箱内的 SQLBook / Midgard / Discover / Workflow 都能直接对接2零改造，原位代理代理 MySQL / PG / 达梦 / 神通，数据不搬、系统不改，可跨源 JOIN3三位一体一体化交付SQL 网关 + KunDB 密态库 + 可信沙箱，全链路打通COMPARISON · 对比传统方案 vs 星环方案? 传统方案开发语言：隐私计算专用语言 / 联邦学习 DSL工具链：受限脚本 / 纯 BI 界面跨源协作：切换 + 手工导出学习周期：3 个月仍难独立上手算子数量：几十个固定算子场景覆盖：单一查询或建模? 星环方案开发语言：标准 SQL，人人都会工具链：四大开发工具，全覆盖跨源协作：沙箱内跨源 JOIN学习周期：当天上手算子数量：220+（含 100+ 模板）场景覆盖：查询/API/调度/建模“别人是把分析师锁进保险柜让他干活，我们是把保险柜建成一个完整的开发间。”FOUR TOOLS · 四大工具链业务分析师 + 数据科学家都能干活?? 业务分析师层 ｜ 不写代码也能干完1SQLBook智能 SQL 开发关键字提示< 10ms、元数据自动补全、语法实时检测；版本控制、分支编辑、跨文件检索——像 IDE 一样写 SQL。??分析师查"过去半年住院次数 > 2 且总费用超 10 万的客户"——输入SELECT后字段自动弹出提示，5 分钟写完 SQL。2MidgardAPI 服务化向导式零代码创建 API，自带流控、黑白名单、调用监控；模型 / 脚本一键发布为对外 API，直接对接前端应用、BI 系统、企业内部门。??药企分析师把"药品使用量趋势分析"脚本一键发布为 API，市场部每天自动调用获取最新区域销售热力图，再也不用手动导表 → 拼表 → 发邮件。?? 数据科学家层 ｜ 专业级也能跑通3Discover科学建模平台支持Python / R / Scala / PySpark / SparkR全语言；Ray 分布式训练，多机多卡；6 类预置镜像 + TensorFlow / PyTorch / sklearn / MXNet 全家桶。??科技公司数据科学家在 Discover 里创建 Python 文件，读取购买到的奶牛体征数据，sklearn 训练 RandomForest——30 分钟跑出疾病预测模型，Accuracy 0.94 / Recall 0.99，但数据始终留在沙箱内。4WorkflowDAG 任务调度图形化编排，日均百万级任务；断点续跑、故障自动恢复；数据清洗 / 脱敏 / 聚合 / API 刷新全流程编排。??医保局每天凌晨 2 点自动触发"数据清洗 → 脱敏 → 聚合 → API 刷新"工作流，7 个节点串并行混合编排，失败自动重试，早上 9 点上班看到全部绿灯。SCENARIOS · 实战两个真实场景的"从困局到突破"接下来，我们看两个完全不同视角的案例：案例 A——业务分析师视角，只会标准 SQL，在医保沙箱内跑联合分析，并用 Midgard 把分析一键发布为 API，实现长期自动跑。案例 B——数据科学家视角，在沙箱内用 Python 训练完整模型，产出可对外销售的模型资产。A业务分析师视角某市医保沙箱联合分析 + Midgard 长期服务化?? 场景：某市医保局有 5 年数百万参保人就诊/结算数据。保险公司想优化重疾险核保规则，但直接要数据合规过不了，不要数据准确率差、赔付率上升。?? 角色：保险公司分析师小王，只会标准 SQL，平时用 Navicat 连公司 MySQL。? 以前：提交申请 → 审批 →3 个月后拿到"过度脱敏"残骸 → 无法建模 → 项目搁置 → 当年赔付率 +4 个百分点。? 现在：用星环可信数据空间，6 步搞定1. 安全接入5分钟→2. 跨源 JOIN
10分钟→3. 实时运行
5.2秒→4. 安全输出
自动触发→5. 业务应用
当天落地→6. Midgard 发布 API
半天第 1 步安全接入5 分钟小王将自有 VIP 客户清单（含CERTNO、SUM_INSURED等保单信息）通过安全通道上传至沙箱个人目录。沙箱自动校验数据格式，SQL 网关提示:"检测到敏感数据，已自动匹配脱敏策略 L2-脱敏级"。第 2 步跨源 JOIN10 分钟医保局的settle_info（结算信息）留在医保局业务库，SQL 网关通过原位代理对接（数据不搬）。小王进入数据沙箱，打开SQLBook，用他最熟悉的 SQL 直接关联两张表，不学一句新语法:-- 跨源 JOIN(SQLBook 内)INSERT INTO resultSELECT m.PSN_NAME, m.CERTNO, m.MEDFEE_SUMAMT, (m.MEDFEE_SUMAMT - m.FUND_PAY_SUMAMT) AS SELF_PAY, p.SUM_INSURED, ROUND((m.MEDFEE_SUMAMT - m.FUND_PAY_SUMAMT) / p.SUM_INSURED, 2) AS SELF_PAY_RATIO, m.INSCP_AMTFROM settle_info mJOIN insurance p ON p.CERTNO = m.CERTNOWHERE (m.MEDFEE_SUMAMT - m.FUND_PAY_SUMAMT) > p.SUM_INSURED * 0.1 AND m.YEAR = 2021;第 3 步实时运行5.2 秒SQL 网关实时解析：先按合约校验result表列定义；INSERT INTO ... SELECT命中跨源混合查询通道——医保局业务库的 settle_info（医保结算，网关原位代理）与沙箱内的 insurance（保单）按 CERTNO 关联；JOIN 由网关下推到双方数据库，原始数据始终不离开医保局，关联结果以脱敏形式落入沙箱的result表（KunDB 密态库密文存储）。? 5.2 秒后，result表写入完成，共1,247 条高风险客户记录。小王:"以前光审批就要 2 周，现在 5 秒？而且我一句新语法都没学。"第 4 步安全输出自动触发小王点击"申请导出"，经过审批和敏感信息检测，仅不包含敏感字段的开发结果被允许导出到本地——原始医保数据始终留在医保局业务库。第 5 步业务应用当天落地保险公司将导出的result导入自有核保系统，识别出"医保个人自付占保单保额比例 ≥ 10%"的高风险客群——这类客户往往意味着既往疾病累积、未来理赔概率显著上升。系统自动提高保费系数 15% 或触发人工复核，小王当天就提交了核保规则优化报告。第 6 步结果数据服务化半天业务部门追问："能不能每天自动跑？"小王不会写 Java/Spring，但他通过 Midgard 可视化界面完成 API 开发，并一键发布，几分钟搞定，未写一行后端代码。鉴权OAuth 2.0 + client_id/secret流控API 级 QPS / 调用次数 / 有效期白名单仅核保系统服务器 IP监控QPS / P99 / 错误率?Midgard自动生成 API 调用文档（token + 请求地址 + 调用示例 + 错误码），对接方按文档直连。CRM 每天凌晨 2 点自动调用——小王从此不用再手工跑 SQL。?? 效果数据查询响应2-3 周 →5.2 秒核保准确率+18%定价周期3 个月 →2 周分析师学习成本3 个月 →0API 发布到上线从 0 写后端 →半天持续运营手工跑 →CRM 自动调用?? 总结?? 体验零门槛SQLBook提供完整 IDE 体验 + 标准 SQL，小王不学一句新语法；Midgard可视化界面 + 一键发布，小王不写一行后端代码。?? 安全零妥协settle_info通过网关原位代理留在医保局业务库，JOIN 由网关下推，原始数据不出域；派生结果仅落地合约约定字段，CREATE TABLE AS SELECT * 这类全量复制会被自动阻断并审计（下一篇《管得住》详讲）；密态库DBA 也看不到明文。?? 服务化闭环一次性 ad-hoc 分析升级为长期 API 服务；Midgard自动生成 API 调用文档（token + 请求地址 + 调用示例 + 错误码），对接方按文档直连，发布方不用写说明文档、不用单独发 SDK；CRM 每天凌晨自动调用，小王从此不用再手工跑 SQL。B数据科学家视角某市奶牛疾病预测数据交易与建模?? 场景：奶牛养殖业有疾病防控难题：全部 5 万头牛采血检测要20 天出结果，期间病牛已传染整群，单次损失数百万。科技公司想做疾病预测对外服务，但缺真实数据；牧场有数据却卖不出去——双方隔着合规与信任的鸿沟。?? 牧场 A（卖方）持有 5 万头牛 2 年体征数据（12 段每 2 小时活动量、采食时长、产奶量等）?? 科技公司 B（买方）有 ML 团队想做疾病预测 SaaS，但公开数据集训练的模型在真实牧场失效? 现在：4 阶段全跑通1. 数据产品市场上架
1 天→2. 数据交付到沙箱
分钟级→3. Discover 内建模
5 天→4. 模型资产化
2 天阶段 1数据上架与订阅成交1 天牧场 A 在中心侧数据产品市场上架"奶牛健康预测数据集"，标明字段、样本量、价格、订阅周期；科技公司 B 在线发起订阅申请，合约自动生成（允许沙箱内分析建模、模型权重可导出、原始数据不可出域）；牧场 A 审批通过后订阅生效，数据产品市场完成合约上链存证。阶段 2数据交付到买方沙箱分钟级 · 自动合约引擎触发数据交付：牧场 A 侧密态库 → 加密传输通道 → 科技公司 B 的沙箱密态库。?? 注意：这是"数据要素交易"场景下的合规交付模式，与案例 A 的"原位代理"是两种不同模式——数据物理上进入买方沙箱，但全程密态存储、DBA 不可见、合约管控不可二次出域（若试图SELECT *后导出，会被自动阻断并审计）。阶段 3Discover 建模5 天数据科学家小李在沙箱内打开Discover Notebook，用标准 Python 读取沙箱内授权数据集，开始编码建模——体验与本地开发完全一致。常规 ML 流程：特征工程（IoT 项圈缺失活动量填充 + 时序变化特征)、类别均衡（健康样本 153K vs 疾病 1.6K，下采样 1:1)、训练 RandomForest、评估。# Discover Notebook 内训练 RandomForest(代码片段示意)# ... 数据读取、清洗、特征工程、类别均衡(略)
from sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import classification_report
rf = RandomForestClassifier(random_state=42)rf.fit(X_train_scaled, y_train)print(classification_report(y_test, rf.predict(X_test_scaled)))
# ... 完整代码见 Notebook阶段 4模型资产化与对外服务2 天小李将训练好的模型 + 标准化器 + 特征列清单打包，向合约引擎发起"模型权重导出"申请——合约引擎核对：导出物 = 训练后的模型参数 + 推理所需辅助文件（非原始数据），符合约定自动放行。模型部署到科技公司 B 自有 SaaS 平台，对外提供"奶牛疾病预测 API"；牧场 A 也可购买这套 API 反哺自己的精准筛查——形成完整业务闭环。?? 效果数据◆ Classification MetricsAccuracy0.9411Precision0.9398Recall（疾病召回）0.9929 ★F1-score0.9656疾病召回率 0.99 —— 几乎不漏诊一头病牛? 三方价值闭环：牧场 A 把沉睡数据变现金流并反向购买 API；科技公司 B 拿到真实场景数据，产出可对外销售的模型资产；数据出域 = 0，模型权重可导出——数据资产首次"动起来"。?? 总结?? Discover Notebook 零环境配置提供完整Jupyter + Python 全家桶（pandas / sklearn / TensorFlow / PyTorch ...），数据科学家进入沙箱即用熟悉的代码干活，无需自己搭训练环境。?? 沙箱密态库走标准协议Python 代码读数据库的体验和本地完全一致——但存储层是KunDB 密态库，DBA 也看不到明文。?? 数据产品市场把数据资产化上架、订阅、计量、计费、凭证上链全程自动化，让沉睡的数据变成可计量的现金流。?? 合约引擎精细化输出管控训练数据不可出域、模型权重可导出——如果科技公司试图SELECT *后导出，会被自动阻断并审计。KEY METRICS · 关键数据6 大工具链220+算子100+行业模板< 5s跨源 JOIN 响应百万级任务调度（Workflow）半天API 发布（3 月 → 半天）标准 SQL / Python，业务分析师 + 数据科学家当天上手CLOSING · 写在最后星环可信数据空间的差异化，三件事1安全复杂度下沉到平台，使用方只需标准 SQLSQL 网关原位代理 MySQL / PG / 达梦 / 神通，数据不搬、系统不改；使用方在沙箱内用 SQLBook / Midgard / Discover / Workflow，只需写标准 SQL——不写一行专用查询语言、不学一行 DSL。2沙箱内一站式工具间，从一次性分析到长期服务SQLBook、Midgard、Discover、Workflow——从 SQL 查询到任务调度，沙箱内一站式干完。Midgard 还能把分析能力一键发布为 API，从"分析师手工跑"升级为"业务系统每天自动调用"，API 发布 3 月 → 半天。3产品级数据真实可验证跨源 JOIN秒级返回、API 发布3 月 → 半天——不是 PPT 数字，是产品里真跑出来的数据。NEXT · 下一篇预告业务跑通了，下一个问题是——? 数据提供方怎么"敢把数据给出去"?
? 高敏 / 中敏 / 低敏的数据，怎么按敏感度差异化交付？
? 跨级数据要联合分析，该怎么"拼"?下周继续 ?《给得出去：5 种交付方式，让"敢不敢给"不再是选择题》星环可信数据空间子场景介绍
产品咨询，请联系我们！
评论 (0)