隐私保护计算的五大关键技术

—隐私保护计算具体涵盖了安全多方计算、联邦学习、同态加密、差 分隐私和机密计算等技术。隐私保护计算是一套包含人工智能、密码学、数据科学等众多 领域交叉融合的跨学科技术体系。它能够在不泄露原始数据的前提下，对数据进行加工、 分析处理、分析验证，其重点提供了数据计算过程和数据计算结果的隐私安全保护能力。

1 安全多方计算

安全多方计算（Secure Multi-Party Computation， SMPC）旨在解决“一 组 相互独立且互不信任的参与方各自持有秘密数据， 协同计算一个既定函数” 的问题。安全多方计算保证了各参与方在获得正确 计算结果的同时，无法获 得计算结果之外的任何信 息。

2 联邦学习

联邦学习（Federated Learning，FL），可被理 解为是由两个或两个以上 数据方共同参与，在保证数据方各自原始数据不出 其定义的安全控制范围的 前提下，协作构建并使用机器学习模型的技术架构。 通常情况下，联邦学习需与其它隐私保护计算技术 联合使用，才可在计算过程中实现数据保护。

3 同态加密

同态加密（Homomorphic Encryption，HE），是一 种允许在加密之后的密文上直接进行计算，且计算 结果解密后与基于明文的计算结果一致的加密算法， 可在不解密以实现数据机 密性保护的同时完成计算。 根据支持密文运算的程度， 同态加密方案可以分为部分同态加密方案和全同态加密方案两类。

4 差分隐私

差分隐私（Differential Privacy，D P），在保留统计学特征的前提下，去 除个体特征以保护用户隐私。差分隐私具有两个重要的优点：一是提出与背景知识无关的隐私保护模 型，实现攻击者背景知识最大化的假设；二是为隐 私保护水平提供严格的定义和量化评估方法。

5 机密计算

机密计算 ( Confidential Computing，CC)，是指 通过在基于硬件的可信执行环境中执行计算来保护 数据应用中的隐私安全的技术之一。其基本原理是 将需要保护的数据和代码 存储在可信执行环境中， 对这些数据和代码的任何访问都必须经过基于硬件 的访问控制，防止他们在使用中未经授权被访问或 修改，从而提高机构管理敏感数据的安全水平。