隐私计算市场，真的很奇怪
厂商对成功案例，讳莫如深
客户对具体实践，闭口不谈
但这个市场，就这么“隐私”地起来了
↓
隐私计算的核心要义就是
【数据可用不可见】
举个例子，有这么三兄弟
老大是政府，老二是银行
他们都有一个明显的特征
那就是巨额的“数据资产”
而且他们是自家数据资产的“所有者”
↓
如今，电诈、网络赌钱、洗钱...
让老百姓深受其害
急切需要一个
↓
但是这事，没那么简单
想构建这个平台，必须有三类数据
↓
①政府数据②互联网数据③银行数据
三兄弟要把自家数据“贡献”出来
这事儿才能成
问题是，这些数据都是安身立命的宝贝
谁都不愿意也不敢把自家数据拿出来
怎么办呢？
这时候，隐私计算出场了
在保障原始数据不出自家库的情况下
通过隐私计算，输出“计算结果”
来看看吧
隐私计算的整个流程是这样的
↓
隐私计算从数据使用角色角度看包括三个方面：数据输入方、数据计算方与结果使用方。
使用方需先向输入方以及用户发送申请，经各方同意后方可通过计算方得到结果。
隐私计算通过实现输入隐私与输出隐私，以达到对原始数据和计算结果的保密。
以前，数据拥有方
不能给、不敢给、不愿给
有了隐私计算之后，这些顾虑就打消了
最终
三家齐心协力共同构建了
一个超精密的反赌反诈反洗钱平台
这个故事
其实就是隐私计算最常见的场景
【联合风控】
↓
特别是在金融行业，解决单一金融机构自有数据量小、建模样本数量不足的问题。
通过隐私计算，可以将多家机构数据在不泄露的情况下融合应用，提高模型的准确性。用于信贷风险评估、供应链金融、多头借贷..
除了【联合风控】场景
还有三大最常见的应用场景
场景二：政务数据安全共享开放
政府有大量的社保、公积金、财税数据...
数据价值极大，但是使用难度也极大
通过隐私计算与其他技术的结合
能让政务数据安全流通
并为社会创造价值
场景三：医药研发、医疗攻坚
医疗数据对于患者而言极为隐私
通过隐私计算，输入不同数据源
比如，医院数据、科研室数据、卫健委数据...
进行新药研发、病症攻坚等
↓
场景四：联合营销
跨行业数据融合重构用户画像
用户画像数据都是多维的
浏览数据、购买数据、转化数据、交通数据...
可能来自不同平台，通过隐私计算撮合
用户画像就能描绘得更加精准
目前隐私计算技术，主要包括
↓
①多方安全计算 ②联邦学习 ③机密计算（包括可信执行环境）④差分隐私（包括本地差分隐私）⑤同态加密 ⑥零知识证明
每种技术分别有不同的优劣势
隐私计算路径对比
↓
①多方安全计算：复杂度最高，对算力要求高、但是安全级别最高，现在能支持的功能较少。
②可信执行环境：运算效率最快，但前提是“信任硬件”，因此容易受到硬件成本、对硬件厂商信任度的制约。
③联邦学习：不收集原始数据而是通过模型来完成计算，但是模型难以完全保密；但开发难度相对轻松。
还是看一张表吧
各路诸侯，一目了然
↓
①对隐私计算平台本身的质疑
如何证明隐私计算平台没有获取到客户的明文？
或者至少不能还原或推断出有用的信息？
②对数据全流程安全防护的质疑
数据从客户授权、采集、加工、融合、应用…
如何确保端到端的全流程安全防护？
③对隐形建设成本过高的质疑
隐私计算涉及多个系统改造
涉及多个部门参与
是否会影响上层正常业务？
要跨防火墙、私有云、DMZ区...
是否会涉及网络架构调整？
④对异构隐私平台互联互通的质疑
目前不同隐私平台和产品
由不同厂商提供，存在不互通
由此实现了形成了新的孤岛
①数字经济时代
强烈的数据流通需求，需要隐私计算
数据是数字经济时代的关键生产要素，跨领域、跨行业、跨地域数据流通是释放数据价值的关键！
②政策环境
为隐私计算发展提供新机遇
近年来我国数据立法进程不断加快，尤其强调数据应用过程中的数据安全。《中华人民共和国网络安全法》《中华人民共和国数据安全法》和《中华人民共和国个人信息保护法》逐步完善了国家数据相关立法的顶层设计，着重强调了流通过程中的数据安全和个人隐私。
所以，数字经济之下
如何安全得用好数据
成为一个绕不过去的坎
隐私技术和相关数据保护技术
必将是一个慢热且充满前景的赛道
京公网安备 11010802035086号