隐私计算是什么

当前，数据已成为一种基础性关键战略资源，颠覆着全球社会的发展模式。2020 年 4 月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，将数据与传统生产要素并列，作为一种新型生产要素参与分配。作为释放要素价值的关键环节，数据资源的开放共享、交换流通成为重要趋势，其需求日益强烈。

权威机构 Gartner 发布的《2021 年前沿科技战略趋势》中，将隐私计算( Privacy Preserving Computing ) 列为未来几年全球科技发展的九大趋势之一。

根据目前中国业界普遍认可的技术范畴取概念共识，隐私计算被定义为包含安全多方计算、同态加密、差分隐私、联邦学习以及可执行环境等主流技术子项的相关技术合集及产品方案。

隐私计算技术的三大路径

隐私计算技术可以分为三大路径：以安全多方计算为代表的密码学路径、以可信任执行环境为代表的硬件路径和以联邦学习为代表的人工智能路径。三大路径的隐私计算研究应用在法律法规、产业落地多维趋势之前早已开启，并且按照各自技术路径呈现了各自发展脉络。

1. 安全多方计算(MPC)

早在1986年，著名计算机科学家、图灵奖得主姚期智教授提出了两方之间的安全计算设想方案，以会议论文《How to Generate and Exchange Secrets》为标志，开启了安全多方计算的研究路径。

2. 联邦学习(FL)

在2016年，以Brendan McMahan为代表的研究者提出了一种深度网络的联邦学习，用来解决大数据训练过程中的隐私难题。该方案通过将数据训练工作从中心节点下放至分布式本地手机设备，利用分散的本地化算力本地提取模型，其次二次汇集模型、中心化训练这些模型从而完成训练流程，由此开启了联邦学习研究与应用。

3. 可信执行环境(TEE)

在2003年，Ben Pfaff 等人讨论了此概念，并将之定义为“专用的封闭虚拟机，并与平台的其他部分相隔离。并通过硬件内存保护和储存加密保护，使其内容免于未授权方的探查和篡改。”

隐私计算在不同行业的应用场景

1.金融行业

在金融科技发展业务的进程中，外部数据的共享应用成为金融机构的强烈需求，基于隐私计算的金融风控和获客成为目前国内最主要的隐私计算落地场景。

金融机构与外部数据源的合作过程中存在的风险主要来源于两个方面:涉及大量个人用户信息受到的监管要求严格，机构自身业务的数据资产和商业秘密容易泄露。通过利用隐私计算，金融机构之间、金融机构同运营商之间等可以在不泄露原始信息的前提下对客户进行联合的精准画像，在信贷评估、产品推荐等场景下有效控制违约风险，提高业务效率。

2.医疗行业

在医疗行业，数据共享与流通需求成为隐私计算的另一个关注重点。医学研究、临床诊断、医疗服务等对基于大数据的统计分析与应用挖掘有着强烈的需求，但其依赖的是众多病患的个人健康数据，这些数据规模大、价值含量高，但共享流通却十分困难。

通过利用隐私计算可以实现分布式的联合统计分析，从而获得临床科研的研究成果。在抗击新冠疫情的过程中，隐私计算有效实现全球范围内的疫情数据共享。在允许用户在不公布己方数据的前提下，联合其他科研人员协同进行病例样本基因组的联合分析并共享结果，实现了对病毒流行病学情况的实时追踪和对未来毒株演化的预测。

3.政务行业

由于政务数据不仅价值高、规模大，而且种类多，涉及公安、税务、环境等各类人民生产生活和社会运行的数据，政务行业有望成为隐私计算技术落地的下一个重要场景。

近年来，各地政府积极推进政务数据的开放共享，但政务部门之间、政府与企业之间的数据共享应用十分困难。隐私计算为此提供了解决方案，在跨机构之间的个人身份确认、企业经营监管、智慧城市建设等众多场景中均有广阔的应用前景。

推荐阅读：

《CBINSIGHTS： 2022年中国隐私计算技术与市场发展研究报告(52页) .pdf》

《隐私计算联盟&云大所:2021年隐私计算与区块链技术融合研究报告(55页) .pdf》