实现隐私计算的相关技术

一、隐私计算（Privacy Computing）

隐私计算，广义上是指面向隐私保护的计算系统与技术，涵盖数据的产生、存储、计算、应用、销毁等信息流程全过程，想要达成的效果是使数据在各个环节中 “可用不可见”。目前最先落地于金融、医疗等行业。

---

二、实现隐私计算的相关技术

从技术角度出发，和隐私计算相关联的概念很多——多方安全计算（MPC）、可信硬件（TEE）、联邦学习、差分隐私、区块链等。目前业内采用的主流技术包括三类：多方安全计算（MPC）、联邦学习和可信执行环境（TEE）。

当前实现隐私计算的技术主要可分为可信计算和密码学两大方向。

• 可信硬件
  • 可信硬件指可信执行环境，核心思想是构建一个安全的硬件区域，各方数据统一汇聚到该区域内进行计算。
• 密码学
  密码学指用算法实现对计算过程中的数据保护，以多方安全计算、联邦学习等为代表。

---

1. 多方安全计算（Secure Multi-Party Computation MPC）

多方安全计算（Secure Multi-Party Computation，简称MPC）是指在无可信第三方情况下，通过多方共同参与，安全地完成某种协同计算。即在一个分布式环境中，多个参与者共同完成对某个函数的计算，该函数的输入信息分别由这些参与者提供，且每个参与者的输入信息是保密的，在计算结束后，各参与者获得正确的计算结果，但无法获知其他参与者的输入信息。这种方式主要基于密码学的一些隐私技术，相关概念还包括同态加密(Homomorpgic Encryption)、不经意传输(Oblivious Transfer)、混淆电路(Garbled Circuit)和秘密共享(Secret Sharing)等。

核心在于计算参与方在数据加密状态下进行计算。彼此不知对方数据，却能得到正确的计算结果。

图1：安全多方计算（Secure Multi-Party Computation）

图2：安全多方计算的相关概念

---

2. 联邦学习(Federated machine learning/Federated Learning)

联邦机器学习(Federated machine learning/Federated Learning)，又名联邦学习，联合学习、联盟学习。联邦机器学习是一个机器学习框架，能帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。有观点认为，基于多方数据进行联合建模，各自原始数据不对外输出，由中心方进行协调的建模，都可称为联邦学习。

联邦学习的系统架构大致分为横向联邦学习、纵向联邦学习、迁移学习三类，分别对应不同数据集的差异情况。

核心：“数据不出门，算法满地跑”

图3：联邦学习(Federated machine learning/Federated Learning)

---

3. 可信执行环境（Trusted Execution Environment TEE）

以上两种方式主要是在软件和算法层面实现隐私计算。可信执行环境（TEE）则基于硬件实现。

这种方式的思路是在CPU 上构建一块安全区域，这块区域的作用是给数据和代码的执行提供一个更安全的空间，在这个安全区域内进行相关的计算。比较有代表性的是Intel-SGX、ARM-TrustZone等。

---

三种技术的对比

这三种方式在安全性、工程能力和落地场景等方面存在不同的特点，我们可以通过下文这张对比图，了解不同技术思路的优劣势。

图4：三大技术对比图

---

参考

1. 《36氪研究 | BAT都不放过的淘金机会，隐私计算能长出平台吗？？
2. 富数科技官网
3. 《隐私计算应用场景详解》