国内隐私计算的开源框架介绍

在中国，隐私计算领域的发展迅速，多个开源框架被广泛应用于金融、医疗、政务等领域。

开源框架

以下是使用较多的隐私计算开源框架及其特点：

1. FATE（联邦学习框架）

• 开发者：微众银行（WeBank）
• 技术方向：联邦学习（Federated Learning）
• 特点：
  • 支持横向联邦、纵向联邦和迁移联邦学习。
  • 提供可视化工具（FATE Board）和工业级部署方案。
  • 兼容主流机器学习框架（如TensorFlow、PyTorch）。
• 应用场景：金融风控、医疗数据联合建模等。
• 开源地址：GitHub - FATE

---

2. 隐语（SecretFlow）

• 开发者：蚂蚁集团
• 技术方向：多方安全计算（MPC）、联邦学习、可信执行环境（TEE）融合。
• 特点：
  • 整合了多种隐私计算技术（如SPU安全计算单元）。
  • 支持大规模分布式计算，适用于复杂业务场景。
  • 提供Python友好的API，易与现有AI框架集成。
• 应用场景：广告推荐、联合风控等。
• 开源地址：GitHub - SecretFlow

---

3. Rosetta

• 开发者：矩阵元（JUZIX）
• 技术方向：基于MPC的隐私计算（兼容深度学习）。
• 特点：
  • 基于TensorFlow扩展，支持隐私保护的深度学习模型训练。
  • 提供MPC协议（如SecureNN、Helix）的封装。
  • 适合已有TensorFlow生态的用户迁移。
• 应用场景：联合数据分析、模型训练。
• 开源地址：GitHub - Rosetta

---

4. PaddleFL

• 开发者：百度（PaddlePaddle生态）
• 技术方向：联邦学习
• 特点：
  • 基于百度飞桨（PaddlePaddle）深度学习框架。
  • 支持多种联邦学习策略和自定义算法。
  • 适合需要与PaddlePaddle深度集成的场景。
• 应用场景：自然语言处理、图像识别等AI模型的联邦训练。
• 开源地址：GitHub - PaddleFL

---

5. PrimiHub

• 开发者：原语科技
• 技术方向：多方安全计算（MPC）、联邦学习、隐私求交（PSI）等。
• 特点：
  • 模块化设计，支持灵活扩展。
  • 提供数据隐私保护的全流程工具链。
• 应用场景：金融数据合作、政务数据共享。
• 开源地址：GitHub - PrimiHub

---

6. FederatedScope

• 开发者：阿里巴巴、浙江大学
• 技术方向：联邦学习
• 特点：
  • 轻量级、模块化设计，支持快速实验。
  • 支持跨设备、跨组织的联邦学习场景。
• 应用场景：学术研究、轻量级业务部署。
• 开源地址：GitHub - FederatedScope

---

选择建议

• 联邦学习优先：FATE、PaddleFL、FederatedScope。
• 多方安全计算（MPC）：隐语（SecretFlow）、Rosetta、PrimiHub。
• 企业级支持：FATE（微众）、隐语（蚂蚁）适合需要工业级稳定性的场景。
• 学术研究：FederatedScope提供灵活的模块化设计。

这些框架多数由中国顶尖科技企业或学术机构主导，兼顾技术创新和实际落地需求，可根据具体场景（数据规模、安全要求、技术栈兼容性）选择合适的工具。

隐语（SecretFlow）框架

隐语网址

开源可信隐私计算框架——隐语 SecretFlow，以安全、开放为核心设计理念，支持安全多方计算/联邦学习/同态加密/TEE 等主流隐私计算技术。 积极推进产学研生态共建，助力行业标杆场景应用与数据要素市场发展。

良好的分层设计可以提高开发效率和可维护性，满足不同用户的需求。隐语从上到下一共分为六层。

• 产品层：通过白屏化产品提供隐语整体隐私计算能力的输出，让用户简单直观体验隐私计算，屏蔽隐私计算底层细节，节约开发成本；
• 调度层：提供隐私计算任务的编排与资源调度能力；
• AI & BI 算法层：屏蔽隐私计算技术细节，提供一些通用的算法能力，比如 MPC 的 LR/XGB/NN，联邦学习算法等；
• 设备层：提供了统一的可编程设备抽象，将 MPC、HE 等隐私计算技术抽象为密态设备，将单方本地计算抽象为明文设备；
• 安全协议层：提供密码原语能力，支持高安全、高性能的协议；
• 硬件层：支持TEE可信硬件。