编者按：数据流通是释放数据价值的关键环节，隐私计算技术为数据流通提供了解决方案。2021年5月印发的《全国一体化大数据中心协同创新体系算力枢纽实施方案》明确提出建设数据共享开放、政企数据融合应用等数据流通共性设施平台，试验多方安全计算、区块链、隐私计算、数据沙箱等技术模式，构建数据可信流通环境。本期主要介绍隐私计算相关技术情况。

本期要目

隐私计算的概念和技术原理

隐私计算主要应用场景

隐私计算的产业现状与发展趋势

隐私计算的概念和技术原理

一、隐私计算的概念

2016年发布的《隐私计算研究范畴及发展趋势》正式提出“隐私计算”一词，并将隐私计算定义为：“面向隐私信息全生命周期保护的计算理论和方法，是隐私信息的所有权、管理权和使用权分离时隐私度量、隐私泄漏代价、隐私保护与隐私分析复杂性的可计算模型与公理化系统。”

通俗地说，隐私计算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一类信息技术，包含了数据科学、密码学、人工智能等众多技术体系的交叉融合。

二、隐私计算的技术原理

从技术实现原理看，隐私计算主要分为密码学和可信硬件两大领域。密码学技术目前以多方安全计算为代表；可信硬件领域主要指可信执行环境；此外，还有基于以上两种技术路径衍生出的联邦学习等相关技术。

（一）多方安全计算

多方安全计算技术的核心思想是设计特殊的加密算法和协议，基于密码学原理实现在无可信第三方的情况下，在多个参与方输入的加密数据之上直接进行计算。

多方安全计算由姚期智等人于1982年提出，以交互不可逆的密文数据的方式实现了对数据的安全保护，每个参与方不能得到其他参与方的任何输入信息，只能得到计算结果。多方安全计算的性能相对较低且技术开发难度较大，但近几年产业界的高度关注使得其性能得以迅速提升、技术可用性得到很大改善。多方安全计算技术框架见图1。

图1 多方安全计算技术框架

多方安全计算的实现包含多个关键的底层密码学协议或框架，主要包括不经意传输、混淆电路、秘密分享、同态加密等。

（1）不经意传输，提出了一种在数据传输与交互过程中保护隐私的思路。在不经意传输协议中，数据发送方同时发送多个消息，而接收方仅获取其中之一。发送方无法判断接收方获取了具体哪个消息，接收方也对其他消息的内容一无所知。

（2）混淆电路，是一种将计算任务转化为布尔电路并对真值表进行加密打乱等混淆操作以保护输入隐私的思路。利用计算机编程将目标函数转化为布尔电路后，对每一个门输出的真值进行加密，参与方之间在互相不掌握对方私有数据的情况下共同完成计算。

（3）秘密分享，也称秘密分割或秘密共享，给出了一种分而治之的秘密信息管理方案。秘密分享的原理是将秘密拆分成多个分片，每个分片交由不同的参与方管理。只有超过一定门限数量的若干个参与方共同协作才能还原秘密信息，仅通过单一分片无法破解秘密。

（4）同态加密，是一类实现在基础的加密操作之上直接完成密文数据间运算的加密算法。数据经过同态加密后进行计算得到的结果与用同一方法在明文计算下得到的结果保持一致，即先计算后解密等价于先解密后计算。

在经典的多方安全计算中，两方计算主要采用不经意传输与混淆电路结合的方案，三方及以上的计算则进一步结合了秘密分享，也有观点将同态加密视作一套基于密码学理论但独立于多方安全计算的隐私计算技术。

（二）可信执行环境

可信执行环境的核心思想是构建一个独立于操作系统而存在的可信的、隔离的机密空间，数据计算仅在该安全环境内进行，通过依赖可信硬件来保障其安全。

可信执行环境最本质的属性是隔离，通过芯片等硬件技术并与上层软件协同对数据进行保护，且同时保留与系统运行环境之间的算力共享。目前，可信执行环境的代表性硬件产品主要有Intel的SFX、ARM的TrustZone等。可信执行环境技术体系见图2。

图2 可信执行环境技术体系

严格地讲，可信执行环境并不属于“数据可用不可见”，但其通用性高、开发难度低，在通用计算、复杂算法的实现上更为灵活，使得其在数据保护要求不是特别严苛的场景下仍有很多发挥价值的空间。

（三）联邦学习

联邦学习的本质是分布式的机器学习，在保证数据隐私安全的基础上，实现共同建模，提升模型的效果。对于基于数据隐私保护的分布式机器学习，早在2012年即有学者发表了相关研究成果运营商大数据应用场景，直到2016年谷歌率先提出联邦学习的概念，才逐步受到更广泛的关注。

联邦学习的目标是在不聚合参与方原始数据的前提下，实现保护终端数据隐私的联合建模。根据数据集的不同类型，联邦学习分为横向联邦学习、纵向联邦学习与联邦迁移学习。

图3 联邦学习分类示意图

（1）横向联邦学习。横向联邦学习更适用于在特征重合较多，而样本重合较少的数据集间进行联合计算的场景。以样本维度（即横向）对数据集进行切分，以特征相同而样本不完全相同的数据部分为对象进行训练。谷歌在2016年提出的安卓手机模型更新数据联合建模方案是利用单个用户使用安卓手机时，不断在本地更新模型参数并上传到安卓云上，从而使特征维度相同的各数据拥有方联合建模。

（2）纵向联邦学习。纵向联邦学习更适用于样本重合较多，而特征重合较少的数据集间联合计算的场景。以特征维度（即纵向）对数据集进行切分，以样本相同而特征不完全相同的数据部分为对象进行训练。以同一地区的银行和电商为例，由于两机构在特定地区的用户群体交集较大，因此可以对两机构的不同维度的用户特征进行聚合以增强模型能力。

（3）联邦迁移学习。联邦迁移学习则适用于数据集间样本和特征重合均较少的场景。在这样的场景中，不再对数据进行切分，而是利用迁移学习来弥补数据或标签的不足。以不同地区、不同行业机构之间进行联合建模为例，用户群体和特征维度的交集都很小，联邦迁移学习即用来针对性解决单边数据规模小、标签样本少的问题。

此外，许多企业推出的共享学习、知识联邦、联邦智能等一系列技术大多以联邦学习为基础进行改进，目的仍然是实现多方数据的机器学习。

（四）各类技术对比

由于技术路径的不同，各类隐私计算技术均有其更加适用的场景：多方安全计算技术不依赖硬件且具备较高的安全性，但是仅支持一些相对简单的运算逻辑；可信执行环境技术具备更好的性能和算法适用性，但是对硬件有一定依赖；联邦学习技术则可以解决复杂的算法建模问题，但是性能存在一定瓶颈。相关技术的主要对比如表1所示。

表1 隐私计算相关技术主要对比

（信息通信技术与政策《隐私计算发展综述》等）

隐私计算主要应用场景

一、联合营销

随着营销业务进入智能时代，应用于营销的数据维度不断丰富，应用场景也不断增加。用户画像的数据往往是相互割裂的，只有通过整合多机构间、多维度的数据才能构建更立体的用户画像。利用隐私计算可以帮助机构在不输出原始数据的基础上共享各自的用户数据进行营销模型计算，根据建模结果制订营销策略，实现双赢的联合营销目的。

在构建营销模型中，通过隐私计算技术，对交互的标签、特征、梯度等数据进行等密码学处理，保证密文接收方或外部第三方无法恢复明文，直接基于密文进行计算并获得正确的计算结果，从而达到各参与方无需共享数据资源即可实现联合构建营销模型，从而进行精准营销。

在高价值用户识别中，可以利用隐私计算技术，通过联合统计、隐匿查询等方式将内部和外部数据进行安全融合，打通多方数据孤岛，利用外部数据更精准的对用户客群进行分类，识别高价值用户，制定更精准的营销策略。

银行机构利用隐私计算技术，可对运营商、政务、征信等数据实现应用场景所需的价值融合，从而为用户提供聚合金融服务。保险公司将用户基本信息、购买保险、出险赔付和电商、航旅等其他合作方的消费、出行、行为偏好等数据进行安全融合。通过匿踪查询技术可信地获取客户的黑名单、消费能力、画像标签等信息，用于识别消费者的潜在风险等应用。电信运营商通过融合金融机构数据在共有的用户群中找到对理财产品、保险产品感兴趣的用户群，筛选找到更精准的目标用户进行营销，提升交叉销售效果，获取更多的新客。互联网公司利用自身拥有的大量用户行为信息和基础画像数据，与广告数据方拥有的深度转化链路数据（如付费信息）进行安全求交，并通过多方安全计算或联邦学习技术联合训练、建模、优化广告模型效果。在游戏、金融、教育、电商行业的广告应用案例中都能提升广告投放效果和用户体验。

二、联合风控

联合风控是隐私计算在金融领域的一个重要应用场景。一般而言，用户在本机构的金融业务数据难以满足金融风控的需求，但由于不同机构间数据分散、数据保护等原因，金融机构之间、金融机构与其他行业机构之间的数据融合壁垒较高，“数据孤岛”现象严重，提升了金融机构的风险识别难度，难以降低融资成本。

利用隐私计算技术，可以实现跨机构间数据价值的联合挖掘，更好地分析客户的综合情况，交叉验证交易真实性等业务背景，降低欺诈风险，从而综合提升风控能力。

在构建风控模型时，一方面可通过融合多个金融机构数据，解决单个金融机构样本量有限的问题，形成在相关场景中的全局认知，提升模型精准度；另一方面，可以综合利用金融机构同其他行业数据，在各方原始特征不出域的前提下建立风控模型，形成对业务的多维度认识，提升风控质量。

在信息核验时，可通过隐私计算实现多方黑名单数据共享，对电诈、洗钱、骗贷等行为的黑名单用户进行匿踪识别，数据方不能获知查询的具体内容，提升客户背景调查的安全可信程度。

三、智慧医疗

在智慧医疗领域，医学研究、基因分析等工作非常依赖大量数据的积累，然而，医疗相关机构的这些数据割裂，分散在不同机构及业务系统内，机构间的数据难以互通互联，严重制约了临床科研成果的产出。

利用隐私计算技术，可实现在数据隐私保护下医学数据安全统计分析和医学模拟仿真和预判，从而进行跨机构的精准防疫、基因分析、临床医学研究等应用。

在疫情防控中，通过隐私计算保障个人数据的安全性运营商大数据应用场景，对高危人群进行筛选疫情传播仿真分析，通过防控筛查模型精准筛查高风险易感人群，构建潜在传染的关系网，结合病患信息，快速追溯传染路径方向和传播源。

在基因分析中，要依赖大量隐私数据，可利用隐私计算技术在原始基因数据不出库的基础上，实现基因数据的安全共享，进行全基因组的联合计算及关联分析等，在隐私保护的前提下挖掘多样的基因资源。

在临床医学研究中，在数据不出本地的情况下，可以实现分布式的统计分析算法，对数据进行联合建模、分析，从而获得临床科研的成果，例如临床研究可行性分析、大样本量队列研究、疾病预测模型、药物市场洞察等。应用隐私计算，可大幅提升医疗研究效率，加速科研成果转化。

四、电子政务

隐私计算技术为政务数据的开放提供了有效解决方案。在企业自有数据、第三方数据或政府共享数据都需要保护且不能离开本地节点的场景下，基于隐私计算进行数据安全利用。

在政务数据共享上，政务公共数据分布在各部门，通过隐私计算技术搭建政务公共数据密文开放共享交换平台，打通跨域数据的应用价值链，使得数据基于业务应用需要在各业务条线之间，安全地共享和流通，实现数据安全共享融合而不泄密。

在政务数据开放上，政府机构建设保护各方隐私安全的公共数据开放平台，使用隐私计算技术融合政府数据和社会、企业数据进行安全计算，联合统计，联合建模，实现数据融合价值，可以广泛应用在信用评估、服务选址、健康医疗、家政服务、旅游投资、营销设计等众多领域，让政府部门掌握的数据在安全保护前提下，最大限度造福社会。

（隐私计算联盟《隐私计算白皮书（2021年）》）

隐私计算的产业现状与发展趋势

一、隐私计算的产业现状

（一）国外隐私计算技术研究活跃，但商业化形态较为局限

从隐私计算本身的发展历程来看，国外企业布局隐私计算较早。早在2008年第一家专攻多方安全计算解决方案的技术厂商Partisia就已在丹麦成立，为商务合同、加密拍卖等场景提供安全方案。

科技巨头中，微软从2011年开始深入研究多方安全计算、谷歌在全球率先提出联邦学习的概念、Intel打造SGX成为绝大部分可信执行环境实现方案的底座，均已成为各条技术路线主要的领路人。其他如IBM致力于将同态加密与云服务结合，帮助用户数据安全上云；Facebook则是专攻基于隐私计算的机器学习。

创业公司中，Sharemind、Privitar致力于搭建自研的多方安全计算平台；Duality基于密码学开发的SecurePlus平台在新冠疫情中支撑了医学机构进行病毒基因分析。此外， AI公司Zama、区块链公司Enigma等均在推进多方安全计算、同态加密等方向的技术研发。

但从总体的应用场景来看，目前国外隐私计算项目中的很大一部分是面向区块链和加密虚拟货币的场景。如美国的Unbound Tech和丹麦的Sepior均集中于将多方安全计算应用于分布式密钥管理领域。

（二）国内隐私计算技术产品蓬勃发展，形成一定优势

我国的隐私计算技术产业化在2018年后开始进入快速启动阶段，形成了互联网大厂、大数据公司、运营商、金融机构和金融科技企业、隐私计算初创企业为代表的五大类市场主要参与者。

互联网大厂方面，阿里巴巴、百度、腾讯、京东、蚂蚁等凭借自己在技术领域的积累，自2019年开始就纷纷推出了各自的隐私计算产品，形成了跨业务、多团队、强支撑的发展态势。运营商方面，三家电信运营商不仅在集团层面开始了隐私计算技术的选型与应用，天翼支付、电信云等子公司还自建平台服务于内部或其他机构的数据流通业务。金融机构和金融科技企业方面，国有银行的研究院或是事业部也均开始了隐私计算技术的研究工作，新心数科、神谱科

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！