隐私计算

一、什么是隐私计算

隐私计算（Privacy-Preserving Computation）是一类在保护数据隐私的前提下实现多方数据计算与分析的技术体系总称，涵盖密码学、安全硬件、分布式系统等多个交叉领域。其核心目标是实现「数据可用不可见」，让数据在不出域的前提下完成联合建模、统计和推理，解决数据流通与隐私保护之间的根本矛盾。隐私计算通常包含三条主流技术路线：以秘密分享为代表的安全多方计算（MPC）、以同态加密为代表的密码学路线、以 Intel SGX 为代表的可信执行环境（TEE）路线。它与普通数据加密的本质区别在于：数据加密保护的是存储与传输，隐私计算保护的是数据使用过程，是数据要素流通的关键技术基础设施。

二、原理

1. 数据分布：参与方各自持有本地数据（数据不出域），仅交换中间计算结果 → 2. 秘密分享/混淆：通过秘密分享、混淆电路将原始数据切分为多个份额 → 3. 安全计算：在加密态/混淆态下完成联合统计或模型训练，攻击者无法反推原始数据 → 4. 结果聚合：各方将份额结果聚合成最终输出，仅授权方可解读 → 5. 隐私度量：用差分隐私等指标量化隐私泄露风险，并持续调优安全参数

三、信息卡片

四、历史时间线

• 1982 年：姚期智在「通信复杂度」研究中提出「百万富翁问题」，被视为隐私计算的思想起源
• 1996 年：同态加密概念成型，2009 年 Gentry 提出首个全同态加密方案（FHE）
• 2006 年：Intel 启动 SGX 项目，开启可信执行环境（TEE）硬件路线
• 2016 年：Google 提出联邦学习概念，成为隐私计算在 AI 场景的重要分支
• 2019-2024 年：隐私计算与联邦学习、TEE 在金融风控、医疗数据共享、政务数据开放场景规模化落地；数据要素市场加速推动隐私计算成为数据流通的事实基础设施

五、分类

• 按密码学路线：安全多方计算（MPC，包括秘密分享、混淆电路、不经意传输）
• 按硬件路线：可信执行环境 TEE（Intel SGX/TDX、AMD SEV-SNP、ARM CCA、机密计算）
• 按 AI 路线：联邦学习（横向、纵向、迁移）、拆分学习
• 按密码学增强：同态加密（PHE/FHE）、差分隐私、零知识证明
• 按部署形态：纯软件隐私计算、软硬一体隐私计算、隐私计算一体机

六、应用场景

• 金融联合风控：银行、互金、保险公司在不共享原始客户数据的前提下联合训练反欺诈模型
• 医疗数据共享：医院、药企、研究机构联合进行药物研发、影像 AI 训练，同时满足合规要求
• 政务数据开放：政府各部门在保护隐私前提下实现人口、税务、交通等数据融合统计分析
• 营销与广告归因：广告主、媒体、平台在不暴露用户行为的前提下做跨平台归因与人群洞察
• 数据要素流通：数据交易所、数据空间基于隐私计算实现「数据不出域、价值可流通」

七、优缺点

优点：兼顾数据利用与隐私合规：满足数据安全法、GDPR 等合规要求；释放数据要素价值：让原本因合规无法流通的数据得以联合建模；技术多样性强：MPC、TEE、联邦学习多条路线可针对不同场景组合；支撑跨机构协作：让医院、银行、政府之间能在不共享明文的前提下协作

• 缺点：性能开销大：同态加密与 MPC 的计算与通信开销显著高于明文计算；工程复杂度高：涉及密码学、分布式系统、可信硬件多领域，实施门槛高；安全假设差异：MPC 基于密码学假设、TEE 基于硬件厂商信任，信任模型不同；生态标准未统一：协议、接口、评测标准仍在演进中

八、常见误区

• 隐私计算 = 数据脱敏（错：脱敏只是单向处理，隐私计算要求保留计算能力）
• 隐私计算 = 联邦学习（错：联邦学习只是隐私计算在 AI 场景的一种实现路径）
• 用了 TEE 就绝对安全（错：TEE 存在侧信道漏洞、供应链信任等风险）
• 隐私计算性能已经够用（错：部分 MPC/FHE 方案的开销仍是明文计算 10-1000 倍）

九、关联概念

• 父概念：联邦学习、机密计算、数据要素
• 子概念：联邦学习、机密计算、数据可信流通
• 兄弟概念：机密计算、联邦学习、零信任 Zero Trust、AI安全、数据治理 Data Governance
• 对比概念：机密计算、联邦学习、密钥管理 KMS
• 应用相关：数据要素、数据可信流通、联邦学习、机密计算、数据空间