隐私计算

什么是隐私计算

百度百科：隐私计算(Privacy compute 或Privacy computing)是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的；在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。

简单来说：隐私+技术=数据可用不可见

隐私计算前景

隐私数据相关法律法规

目前，随着智能化社会的日益推广，许多人都意识到隐私和数据的重要性，各国政府和组织机构，从政策法规层面进行了规范，如下：

  • GDPR全称General Data Protection Regulation，中文是通用数据保护条例，是在欧盟法律中对所有欧盟个人关于数据保护和隐私的规范，主要目标为取回个人对于个人数据的控制，以及为国际商务而简化在欧盟内的统一规范。

  • 2021年8月，美国通过UPDPA，《统一个人数据保护法》，是旨在统一州隐私立法的示范法案。

  • 2021年6月《中华人民共和国数据安全法》（以下称《数据安全法》）历经三审三读，于2021年6月10日经第十三届全国人民代表大会常务委员会第二十九次会议通过。

行业前景

隐私计算概述

隐私计算本质上是在保护数据隐私的前提下，解决数据流通、数据应用等数据服务问题，在保证数据提供方不泄露原始数据的前提下，对数据进行计算、分析与建模的一系列信息技术，涵盖数据的产生、采集、存储、计算、应用、销毁等数据流转的全生命周期。说得更通俗一些，就是在保证数据安全的前提下，让数据可以自由流通或共享，消除数据孤岛问题，从而释放更大的数据价值，提升生产效率，推进产业创新。

隐私计算技术路线

隐私计算的理念包括“数据可用不可见，数据不动模型动”，“数据可用不可见，数据不动模型动”。这门技术综合性强，涉及众多领域，包括数学，密码学，高性能计算，传统机器学习框架与算法。网络安全体系，隐私计算基础技术等等。

根据目前市场上隐私计算的主要相关技术特性，整体总结可分为三大方向与五大基座

三大方向：安全多方计算（MPC），可信执行环境（TEE），联邦学习（FL）

五大基座：

  • 基座一：隐私计算基础组件，包含同态加密、秘密分享、不经意传输、混淆电路等；
  • 基座二：传统的安全机制，包含网络安全、主机安全、破解与反破解（横向联邦需要端侧计算的能力，需要安全防护）
  • 基座三：机器学习能力，传统机器学习与深度学习的算法与框架能力
  • 基座四：工程架构，分布式、高并发、大数据、实时计算等
  • 基座五：数学与密码学知识，传统学科知识，例如数学、统计学习、密码学等；