隐私计算教程


1 隐私计算概述

    1.1 隐私计算概述

    1.2 技术发展态势

2 核心技术

    2.1 多方安全计算

    2.2 联邦学习

    2.3 可信执行环境

前言

阅读次数:1182 次

隐私计算,英文为:Privacy compute,是指在保护数据本身不对外泄露的前提下实现数据分析与计算,达到对数据“可用、不可见”的目的。在数据成为生产要素并推定流通的情况下,隐私计算技术在充分保护数据和隐私安全的前提下,能有效实现数据价值的转化和释放。

与传统数据使用方式相比,隐私计算的加密机制能够增强对于数据的保护、降低数据泄露风险。同时,传统数据安全手段,比如数据脱敏或匿名化处理,都要以牺牲部分数据维度为代价,导致数据信息无法有效被利用,而隐私计算则提供了另一种解决思路,保证在安全的前提下尽可能使数据价值最大化。

从技术角度出发,隐私计算是涵盖众多学科的交叉融合技术,目前主流的隐私计算技术主要分为三大方向:第一类是以多方安全计算为代表的基于密码学的隐私计算技术;第二类是以联邦学习为代表的人工智能与隐私保护技术融合衍生的技术;第三类是以可信执行环境为代表的基于可信硬件的隐私计算技术。不同技术往往组合使用,在保证原始数据安全和隐私性的同时,完成对数据的计算和分析任务。

为推动金融业务更好地开展,推动,隐私计算技术被重点关注和推广。

在数据成为生产要素的情况下,隐私计算技术及在行业的应用正在加速发展,金融机构和科技公司纷纷开始建设隐私计算平台,在精准营销、信贷风控、信息共享、反洗钱等领域进行试点。尤其在金融行业的实践中隐私计算技术已逐步实现产品化、平台化,从而完成跨机构、跨地域、跨行业数据资源有序共享,实现数据可用不可见、数据不动价值动,更好发挥数据价值,避免数据滥用,并产生极好的经济效益。