冲量网络 | 遇见隐私计算

随着大数据时代的到来，大量的数据计算和人工智能的发展为各行各业提供了更好的支持，但也代表着大量隐私数据或企业内部数据都会被留在一个个软件中，但既然涉及隐私同时也作为商业壁垒的重要组成部分，隐私数据自然不能透露给第三者，因此形成了一个个数据孤岛，数据之间不能互通，数据的价值无法体现。

而隐私计算的出现，将解决这样的问题。利用隐私计算技术，应用海量的数据，实现数据流动，同时能够保护数据隐私安全、防止敏感信息泄露。其将在互联网、人工智能、金融科技、医药保护共享数据等方面发挥重要的作用。


隐私计算广义上是指面向隐私保护的计算系统与技术，涵盖数据的生产、存储、计算、应用等信息流程全过程。其是面向隐私信息全生命周期保护的计算理论和方法。

隐私计算从研究层面来说，其是一门交叉学科，其结合数据科学与工程、密码学、分布式计算与存储，作为一门综合性的学科，并不是仅仅包含密码学，还包含安全计算、隐私分享联邦学习等技术，如果说可信计算技术是着眼于信任创造辐射到隐私，那隐私计算就是直接从隐私出发，保障数据在协作和交互中处于隐私的状态，从而打破数据孤岛。

同可信计算技术一样，虽然两种技术在狭义上有着一些不同，但在广义上目标都相同，隐私计算和可信计算都为原来不能融合的数据提供了机会，让我们能够拼接更多数据以挖掘更新的信息出来，从而促进整个社会智能发展， 因此隐私计算和可信计算会逐渐成为AI的基础设施。

多方安全计算
其是指通过多方共同参与，安全地完成某种协同计算。即在一个分布式的网络中，每个参与者都各自持有秘密输入，希望共同完成对某个函数的计算，但要求每个参与者除计算结果外均不能得到其他参与实体的任何输入信息。参与者各自完成运算的一部份，最后的计算结果由部分参与者掌握或公开共享。

联邦学习
联邦学习最早是由谷歌在2016年提出，但它最早并不是专门用于人工智能中，原本是用于解决安卓手机终端用户在本地更新模型的问题，使得在数据交换的时候也能保证信息安全和个人隐私，并在保证合规和安全的情况下，使得不同机器和来自多个不同节点的计算能力相结合，从而积少成多，大规模整合算力，并开展高效率的机器学习。联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。

TEE
除了多方安全计算，也可以通过SGX等可信硬件来达成隐私计算的目的，其构建一个环境来实现其可信功能，一般来说，会辟出CPU或电子设备上的一块处理和存储区域。其类似于一个黑色密闭的盒子，一般来说，它基于可信硬件，也就是与系统其他部分隔离开的硬件一般都拥有独立处理器和内存，其运行完全独立于操作系统、虚拟机监视器（VMM）、Bios以及普通计算机的其他核心部件。

除此之外，还有差分隐私、隐私算法、多样性隐私算法等技术，这些技术不是相互替代或者包含关系，其可以根据情况进行相互结合。

在未来，隐私计算将帮助企业实现数据流通、协作，而这些都将在可信和保证数据安全隐私的前提下发生。实现安全、隐私、公平、可追溯、可扩展、可定制、去中心化、可信任的多参与方数据协作能力。

对冲量网络而言，我们将通过结合可信计算与隐私计算赋能新经济和新基建，让数据回归用户，合法合规地进行数据计算，并在同时探索更多维度的数据价值，并在同时鼓励人们参与到整个数据生态中，实现软件开发、算力建设、算法提供、数据提供、数据消费等功能组成的数据生态闭环，构建并扩展基于可信数据协作的可信互联生态。