آیا یک تامین کننده می تواند اثبات کند که بدون پرداختن به جزییات متناقض فعالیت های داخلی خود، می تواند به انتقال اجناس مورد نظر مردم بپردازد؟ در اینجا مشکل اصلی سیستم های محاسبه غیر متمرکز نشان داده می شود: چگونه می توانیم محاسبات متناقض شبکه را بدون آنکه جزئیات آن را به عموم نشان دهیم، به انجام برسانیم. ( بلاک چین )
ارزجو: به چالش های مربوط به دیتای ژنومیک فکر کنید. با وجود محققانی که به دنبال دارویی برای بیماری ها می گردند، مقدار زیادی اطلاعات با ارزش و اجتماعی در بزرگ ترین منابع دیتای ژنومیک وجود دارد. منابعی که معمولاً به وسیله سازمان های مختلف ایجاد شده و مدیریت می شوند. با این حال هر دیتابیس شامل اطلاعاتی است که از لحاظ علمی بسیار با ارزش هستند و به وسیله قوانین خاصی حریم خصوصی این دیتای ژنومیک حفظ می شود.
دوراهی
می توانیم باز هم به سراغ اتومبیل های خودکار برگردیم که هنوز هم در چهارراه منتظر نشسته اند. (شما بفرمایید! نه شما بفرمایید! نه، شما بفرمایید!!). یک مورد مهم برای استفاده از اتومبیل خودکار، آن است که باید حتماً یک جعبه سیاه داشته باشد که دیتای تله متری را ضبط کند و بتوان از آن برای آنالیز رفتار های بعدی استفاده کرد. مثلا برای بررسی علت یک تصادف. این در واقع همان نقشی است که جعبه سیاه، در هواپیماها بازی می کند با یک تفاوت کلیدی که یک هواپیما معمولاً به تنهایی در آسمان پرواز می کند، در حالی که وسایل اتومبیل خودکار دائماً با دیگر وسایل که معمولاً از جنس خودش هستند، ارتباط دارد. جعبه سیاه در چنین وسایلی می تواند تاریخچه را به ما ارائه دهد.
با این حال جعبه سیاه، هیچ گونه دیدگاهی از حرکات یا تصمیمات دیگر وسایل بر روی جاده ارائه نمی دهد. این روند ممکن است بر روی ماشین های مسابقه پیچیده قابل اجرا باشد ولی آیا می تواند روش جدیدی را برای وسایل نقلیه خودکار نیز ارائه کند. چگونه یک کامپیوتر می تواند بر روی یک ضبط کننده دیتای تله متری ساده و محلی که نمی‌تواند بین یک خطای داخلی، که به وسیله سخت افزارها ایجاد شده و یک حمله خارجی بر روی یک وسیله تله متری یا فعالیت های خرابکارانه در پروتکل تفاوتی قائل شود، تکیه کند؟
به صورت ایده آل برای اینکه بتوانیم امکان ضبط تاریخچه ضد هک را برای این وسایل نقلیه فراهم آوریم، جعبه سیاه می تواند دیتای تله متری وسایل اطراف را در مواجهه با وسایل مورد نظر ما جمع آوری کند و یک اسنپ شات وسیع در اختیار ما قرار دهد. البته با این وجود باز هم بر می گردیم به مشکل محاسبات اطلاعات محرمانه با منابع غیر قابل اطمینان.
برخورد با بلاک چین به عنوان تراست آنکور (trust anchor)
اینترنت اشیا به اپلیکیشن های غیر متمرکز احتیاج دارد ولی ساختن ورژن های قابل‌قبول آنها، کار دشواری است. مشکلات ساده‌ای مانند ارزشیابی قطعی بین دو طرف بدون وجود طرف ثالث قابل اطمینان، برای بررسی ارتباط آنها غیر ممکن خواهد بود. در اینجا بلاک چین می تواند ارزش زیادی داشته باشد. زیرا در واقع به عنوان طرف ثالث قابل اطمینان و تکنولوژیکی مطرح می شود که می تواند پروتکل هایی چند جانبه را به انجام برساند. با این حال ما با چالش های دیگری نیز قبل از آن که بتوانیم هدف محاسبات غیر متمرکز را درک کنیم، مواجه هستیم.
از سویی، رسیدن به چنین هدفی نیاز به تبدیل اپلیکیشن بلاک چین به تراست آنکور بلاک چین دارد.
این همان تغییری است که ما در بیت کوین دیدیم. برای مثال شبکه لایتنینگ (Lighting) در صورتی که اختلافات خارج از زنجیره وجود داشته باشد، مدیریت تراکنش های بیت کوین را به کانالی خارج از زنجیره که به وسیله تعدادی شرکت کننده که سیستم های خود را تنها در همین مواقع به بلاک چین متصل می کنند، منتقل می‌نماید.
بنابراین بلاک چین به عنوان یک تراست آنکور عمل می کند ولی شبکه لایتنینگ یک اپلیکیشن غیر متمرکز است. در این میان تاندرلا (Thunderella) یک الگوریتم توافقی است که به وسیله دانشگاه کرنل (Cornell) توانسته پیشرفت هایی قابل توجه به وسیله ادغام یک پروتکل توافقی خارج از زنجیره با آسنکرون آهسته‌ران ایجاد نماید و در هنگامی که مفروضات خوش بینانه به کار نمی آیند، از پروتکل قدیمی توافقی بلاک چین، به عنوان تراست آنکور استفاده می شود.
در این مورد نقش اساسی بلاک چین این است که شواهدی را که فرضیات خوش بینانه دیگر به همراه ندارند، منتشر کند و دیدگاه های ناسازگار را بازنشانی نماید.